一种锂离子电池健康状态自适应估计方法

技术领域

本发明涉及电池管理的技术领域，尤其是涉及一种锂离子电池健康状态自适应估计方法。

背景技术

锂离子电池因其能量密度高、环境友好、性价比高等综合性优势在交通工具、消费电子、储能电站中得到广泛应用。然而在长期使用之后，锂离子电池容量和性能不可避免地衰减，严重时甚至发生失效，并容易引发安全事故。锂离子电池系统的性能衰减严重影响了电动汽车的续航里程，极大地阻碍了电动汽车的进一步推广与交通领域的电气化转型。因此，精确检测电池的健康状态对提升电动汽车的安全性和可靠性具有重要意义。

目前，锂离子电池健康状态估计方法主要分为两种：第一种是基于模型的方法，主要通过电化学、等效电路等电池模型实现健康状态估计；该类估计方法精度较高，但电池模型的部分关键参数特别是电化学模型的关键参数仍然难以准确获取，此外，健康状态估计精度高度依赖于电池运行工况和模型。第二种是数据驱动的方法，该方法基于衰退特征和健康状态之间的关系并结合机器学习算法实现电池健康状态估计，所采用的衰退特征和机器学习算法直接影响着健康状态估计性能，现有研究中采用的衰退特征可分为以下三种类型：1)测得的原始电池数据，如电压、电流、温度；该类特征的获取较为容易，但本质上属于电池的外部特性，缺乏对电池内部状态的深入了解，不适用于高度动态的运行工况下进行健康状态估计。2)原始电池数据的统计特征、几何特征等；该类特征需要从所测得的电池原始数据中进一步提取，但由于缺乏对电池内部状态的深入了解，同样不适用于高度动态运行工况下的健康状态估计。3)基于差分技术的特征；基于差分技术可以从电池的电、热以及机械特性的差分曲线中提取衰退特征，该类特征通常具有一定物理意义且与电池内部衰退相关，可以在高度动态的运行工况下实现有效的健康状态估计，然而该类特征的应用场景仍然受到严格限制，例如：31)在实际应用中，电池通常从不同的初始SOC充电，这不可避免地影响了容量增量曲线和差分电压曲线衰退特征的有效性，不仅对电池健康状态估计的性能造成严重挑战，也限制了健康状态估计的自适应性；此外，要获取相关特征仍然很消耗时间。32)虽然基于机械特性的特征和电池的内部衰退相关联，有利于实现高度动态运行工况下有效的电池健康状态估计，但是机械特性数据采集需要额外精密的设备，导致应用场景相当有限。

综上，现有的锂离子电池健康状态估计方法存在关键参数难以获取，缺乏对电池内部状态的深入了解，应用场景相当有限的问题，不适用于高度动态运行工况下的健康状态估计。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种锂离子电池健康状态自适应估计方法。

本发明的目的可以通过以下技术方案来实现：

一种锂离子电池健康状态自适应估计方法，方法包括以下步骤：

1)进行电池老化实验，并间隔一定充放电循环进行容量标定，同时采集不同荷电状态下电化学阻抗谱；

2)对电化学阻抗谱进行时间尺度辨识并提取电化学阻抗时间尺度特征；

3)依据皮尔逊相关系数选取与电池健康状态高度相关的电化学阻抗时间尺度特征，形成衰退特征数据集；

4)基于衰退特征数据集，离线训练基于电化学阻抗时间尺度特征与集成学习的健康状态估计模型；

5)在实际应用中获取电池当前荷电状态下电化学阻抗谱并提取和3)中相同类型的电化学阻抗时间尺度特征；

6)将5)的电化学阻抗时间尺度特征输入训练完成的健康状态估计模型，得到电池健康状态估计结果；

其中，训练健康状态估计模型的具体过程为：

输入训练集，所述训练集包括参考健康状态和衰退特征数据集，所述参考健康状态基于标定的容量确定；

定义回归函数、平方损失函数以及迭代次数，初始化回归函数；

执行迭代，优化模型的参数，得到训练完成的健康状态估计模型。

进一步地，电化学阻抗时间尺度特征包括电化学阻抗弛豫时间分布曲线中特征峰的中心时间常数τ

进一步地，动力学过程界面电阻的表达式为：

其中，τ

进一步地，训练健康状态估计模型的具体过程中执行迭代的具体步骤为：

预测上一轮更新的集成估计器的残差；利用损失函数拟合新增的基学习器和残差，从而确定新增基学习器的参数；更新集成估计器；重复上述步骤，直至迭代次数达到预设值，建立最终的集成估计器，最终的集成估计器为训练完成的健康状态估计模型；其中，迭代次数为1时，集成估计器为初始设置的回归函数。

进一步地，在迭代过程中，预测的上一轮集成估计器的残差具体为：

其中，

学习率和表征基学习器的参数集为：

其中，β

当迭代次数达到预设值时，建立的集成估计器为：

F

其中，F

进一步地，初始设置的回归函数为：

其中，F

进一步地，平方损失函数为：

L(y,F(x))＝(y-F(x))

其中，y表示训练样本的标签，F(x)表示回归函数，x表示包含阻抗时间尺度特征的样本特征向量。

进一步地，电化学阻抗测试的SOC条件包括30％SOC、50％SOC、70％SOC和90％SOC。

进一步地，实际的电化学阻抗数据通过电化学工作站获取。

进一步地，实际的电化学阻抗数据通过具有电化学阻抗测试功能的电池管理系统获取。

与现有技术相比，本发明具有以下有益效果：

(1)本发明提出的锂离子电池健康状态估计方法以电化学阻抗的时间尺度信息为衰退特征，以上特征属于电池内部动力学过程的量化特征，具有明确的物理意义且与电池健康状态高度相关，使得不获取电池SOC以及历史运行工况，就能实现在宽SOC区间内的自适应健康状态估计，且估计方法的泛化性、鲁棒性较强。

(2)本发明提出的锂离子电池健康状态自适应估计方法，获取所需的电化学阻抗时间尺度特征耗时较少、方法灵活，相比于现有技术，面向高度动态的实际运行工况具有更好的应用前景。

附图说明

图1为本发明的流程图；

图2为锂离子电池在循环过程中的容量衰退示意图；

图3为电化学阻抗弛豫时间分布曲线在锂离子电池衰退过程中的演变；

图4为锂离子电池电化学阻抗时间尺度特征提取示意图；

图5为基于电化学阻抗时间尺度信息的锂离子电池健康状态自适应估计结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提出一种锂离子电池健康状态自适应估计方法，方法的流程图如图1所示。1)进行老化测试并间隔一定循环标定容量、采集不同荷电状态下电化学阻抗谱；

2)对电化学阻抗进行时间尺度辨识并提取电化学阻抗时间尺度特征；

3)依据皮尔逊相关系数选取与健康状态高度相关的电化学阻抗时间尺度特征，形成衰退特征数据集；

4)离线训练基于电化学阻抗时间尺度特征与集成学习的健康状态估计模型；

5)在实际应用中获取电池当前荷电状态下电化学阻抗并提取和3)中同类型阻抗时间尺度特征；

6)将5)中提取的特征输入健康状态估计模型，估计电池健康状态。

1)中，根据推荐的工作环境温度以及充放电电流设计电池老化实验，对电池进行充放电循环实验。在一些实施例中，采用0.5C CC的充电方式，放电方式采用更贴近实际动态车载工况的NEDC工况，电池充放电循环温度设置为25℃。每隔100个NEDC循环对电池进行周期性容量标定测试和不同SOC下电化学阻抗测试(本例中包括30％SOC、50％SOC、70％SOC、90％SOC)。其中电池周期性的容量标定结果如图2所示。

2)中，通过对电池电化学阻抗进行时间尺度辨识得到的电化学阻抗弛豫时间分布曲线如图3所示。图4为电池电化学阻抗时间尺度特征提取示意图。电化学阻抗时间尺度特征包括电化学阻抗弛豫时间分布曲线中特征峰的中心时间常数τ

τ

3)中，根据与电池健康状态的皮尔逊相关系数进行关键衰退特征筛选，其中，相关系数绝对值越大，相关性越强。

4)中，健康状态估计模型通过同质集成学习进行训练，集成学习采用最小二乘提升的策略，集成学习的基学习器为回归树。训练健康状态自适应估计模型的具体过程为：输入训练集，所述训练集包括参考健康状态和3)中所筛选的电化学阻抗时间尺度特征；定义回归函数、平方损失函数以及迭代次数，初始化回归函数；执行迭代，优化模型参数，得到训练完成的健康状态估计模型。实现最小二乘提升回归树集成的具体训练过程如下：

①输入训练集:

②定义回归函数F(x)、平方损失函数L(y,F(x))＝(y-F(x))

③初始化回归函数:

④执行迭代,即对于t＝1～T执行:

F

其中

⑤结束迭代，训练完成。

5)中，在实际应用中获取电池当前荷电状态下电化学阻抗，若在实验室应用场景中，可通过电化学工作站测得电池电化学阻抗；若在实际车载应用场景中，可通过具有电化学阻抗测试功能的电池管理系统获取当前电池阻抗数据。

6)中，不必获取电池的荷电状态以及历史运行工况，通过将5)中提取的特征输入健康状态估计模型，实现宽荷电状态区间内的健康状态自适应估计。

6)中，根据上述基于电化学阻抗时间尺度信息的电池健康状态自适应估计方法，电池自适应健康状态估计结果如图5所示，若估计的点正好落在虚线上则表示健康状态估计无误差。从图5可以看出，对于同一衰退状态，代表不同荷电状态下估计的健康状态数据点之间相互接近且都均匀分布在虚线附近，不同荷电状态下电池健康状态估计MAE均不超过0.98％，RMSE均不超过1.17％，和现有技术相比估计精度较高且具有自适应性。

综上所述，本发明的一个实施例是可行的，电池健康状态估计精度较高且在宽荷电状态区间内所提出的估计方法具有自适应性，面向高度动态的实际运行工况具有较好的应用前景。

本发明提出的锂离子电池健康状态估计方法以电化学阻抗时间尺度信息为衰退特征，以上特征属于电池内部动力学过程的量化特征，具有明确的物理意义且与电池健康状态高度相关，使得不获取电池荷电状态以及历史运行工况，就能实现宽荷电状态区间内的自适应健康状态估计，且估计方法的泛化性、鲁棒性较强。本发明获取所需的电化学阻抗时间尺度特征耗时较少、方法灵活，相比于现有技术，面向高度动态的实际运行工况具有更好的应用前景。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。