基于多维阻抗谱的退役电池SOH和一致性的评估方法

基于多维阻抗谱的退役电池soh和一致性的评估方法
技术领域
1.本发明属于电池技术领域，特别是涉及一种基于多维阻抗谱的退役电池soh和一致性的评估方法。


背景技术：

2.近年来，电动汽车因其节能减排、环境友好，得以快速发展，而电动汽车快速发展带动动力电池产量剧增。但当车用动力电池容量衰减至80％时，其将无法满足电动汽车行驶的功率需求，面临退役，由此引发退役动力电池的消纳问题。从电池角度考虑，若直接报废拆解退役动力电池，会严重缩短电池使用寿命，降低能源利用效率，造成资源严重浪费。梯次利用可以很好地解决这个问题，通过梯次利用可以让动力电池性能得到充分发挥，还可以降低成本。
3.电池的寿命衰减涉及的因素较为复杂，退役后的电池一致性差异较大，为保证梯次利用电池系统安全，提高电池组性能和使用寿命，退役动力电池必须经过soh和一致性评估后才能再重组利用；准确的电池soh和一致性评估方法可以提高电池梯次利用企业的生产效益，降低不合格产品的产出率，因此准确的对退役动力电池进行soh和一致性评估显得尤其重要。
4.相关技术中的soh和一致性评估方法大多以电池的开路电压、容量、内阻等对一致性进行评估，此种方法只根据电池的外部特性进行判断，具有操作简单，但精确度低的特点；也有利用电池充放电曲线等因素进行评估，但测试时间较长，无法实现快速准确的完成大批量电池的一致性识别，不利于商业利用。此外，相关技术中还有基于电化学交流阻抗谱的评估方法，但其eis曲线是在常温、满荷电状态下测量得到的，只能反映电池在某一条件下的阻抗状态，无法准确反映电池真实状况，一致性评估结果可靠性低。


技术实现要素：

5.本发明是为了解决上述现有技术存在的不足之处，提出一种退役电池soh和一致性的评估方法，以期利用soh和指纹图谱相似度这两个指标来实现一致性的评估，从而提高评估的准确性和可靠性，以解决现有方法中存在的评估时间长、精确度低的问题。
6.本发明为达到上述发明目的，采用如下技术方案：
7.本发明一种基于多维阻抗谱的退役电池soh和一致性的评估方法的特点在于，包括：
8.s1.随机选取若干电池，并在温度恒定状态下利用典型循环充放电方法测得每个电池的soh，再测出每个电池在不同的soc状态下的多维eis曲线簇；改变温度后重复测试过程，从而得到所有电池在不同soc状态和温度t下的多维eis曲线簇库，以形成样本电池图谱库；
9.s2.获取一个待评估电池以阻抗实部、虚部为坐标轴的不同幅值激励电流下的eis曲线簇并作为其图谱，与所述样本电池图谱库中的图谱进行匹配；
10.若匹配成功，则将匹配成功的图谱所对应的soh和soc状态作为待评估电池的soh和soc状态；
11.若匹配失败，则按照步骤s1的过程测出所述待评估电池的soh以及在不同soc、温度t条件下的多维eis曲线簇，并加入到样本电池图谱库中；
12.s3.按照步骤2的过程，对所有待评估电池进行匹配；
13.s4.将soh作为一致性评估的第一指标，设定soh的取值范围，并将处于所述取值范围内的所有待评估电池归为一组；
14.s5.对同组内的待评估电池进行编号，并将1号待评估电池作为参考电池，计算其他待评估电池的指纹图谱与参考电池的指纹图谱的相似度；
15.s6.以相似度作为一致性评估的第二指标，将相似度高于所设定的阈值的待评估电池判断为具有一致性的电池，并归为一类，剩余的待评估电池按照步骤s5和步骤s6的过程继续归类，直到所有待评估电池完成分类。
16.本发明所述的基于多维阻抗谱的退役电池soh和一致性的评估方法的特点也在于，所述步骤s2中的图谱匹配方法为基于细节点模式指纹识别算法或基于纹理模式的指纹识别算法。
17.所述基于细节点模式指纹识别算法是将所述样本电池图谱库中的各个图谱和待评估电池图谱转化为由特征点构成的各自点集，计算待评估电池图谱转化的点集中的每个特征点与图谱库中各个图谱转化的点集中对应特征点的距离，若距离小于所设定的点间偏移距离阈值，则表示对应的两个特征点相匹配，统计待评估电池转化的点集与图谱库中各个图谱转化的点集相匹配的特征点数量，并将匹配点数量最多的图谱作为候选图谱，若匹配点数量大于所设定的数量阈值，则所述候选图谱即为匹配成功的图谱；否则，表示匹配失败。
18.所述基于纹理模式的指纹识别算法是将所述样本电池图谱库中的各个图谱以及待评估电池的图谱分别转化为由纹线构成的线集，计算各个线集中的相邻纹线之间的动态弯曲距离并作为图谱的特征向量，然后计算出待评估电池的图谱的特征向量与所述样本电池图谱库的各个图谱的特征向量之间的距离，并选出最小距离后判断是否小于所设定的图谱偏移距离阈值，若小于，则将最小距离所对应的图谱作为匹配成功的图谱；否则，表示匹配失败。
19.与现有技术相比，本发明的有益效果在于：
20.1、本发明利用多维eis阻抗谱表征电池状态，相比于常规的表征方法，能够更加全面、精确的反映电池的真实情况。
21.2、本发明对由阻抗谱形成的指纹图谱进行识别，将一致性评估转换为指纹图谱之间的相似性问题，使一致性评估更加合理、直观。
22.3、本发明对于大批量的退役动力电池健康状态和一致性评估仍然适用，测试周期短，工作效率高。
23.4、本发明采用两个指标进行一致性评估，可靠性更高，有利于提高重组利用后的电池组的整体性能，并延长其使用寿命。
附图说明
24.图1是本发明的eis曲线随soc变化关系示意图；
25.图2是本发明的eis曲线随充放电循环次数变化关系示意图；
26.图3是本发明的基于细节点模式的指纹匹配算法流程图；
27.图4a是本发明用于具体阐述指纹识别的一个三维eis曲线图；
28.图4b是本发明用于具体阐述指纹识别的另一个三维eis曲线图；
29.图5是本发明待评估电池soh和soc确定方法的流程图。
具体实施方式
30.本实施例中，基于多维阻抗谱的退役电池soh和一致性的评估方法，包括：
31.s1.随机选取若干电池，并在温度恒定状态下利用典型循环充放电方法测得每个电池的soh，再测出每个电池在不同的soc状态下的多维eis曲线簇；改变温度后重复测试过程，从而得到所有电池在不同soc状态和温度t下的多维eis曲线簇库，以形成样本电池图谱库；
32.具体地，多维eis曲线簇获取的方法为：
33.s1.1.对退役电池施加频率为f1,f2,f3…
f
b
，幅值为i1的正弦波电流信号；
34.s1.2.同步采样该激励信号下的电压、电流、温度信号，经傅里叶变换分析后可得出电池在各个频率下的阻抗z1(f1),z1(f2),z1(f3)
…
z1(f
b
)；
35.s1.3.由阻抗的实部和虚部即可拟合出当前温度下在幅值为i1的激励信号下的eis曲线；
36.s1.4.改变激励电流的幅值为i2,i3...i
a
，得出电池的阻抗z2(f1),z2(f2),z2(f3)
…
z2(f
b
)，z3(f1)、z3(f2)、z3(f3)
…
z3(f
b
)，
…
，z
a
(f1)、z
a
(f2)、z
a
(f3)
…
z
a
(f
b
)拟合出对应的eis曲线，形成退役电池的以阻抗实部、虚部为坐标轴的不同幅值激励电流下的多维eis曲线簇。
37.如图1和图2所示，可以看到随soc和循环充放电次数变化，eis曲线发生明显变化，此处用循环充放电次数的变化来代替电池soh的变化。
38.s2.获取一个待评估电池以阻抗实部、虚部为坐标轴的不同幅值激励电流下的eis曲线簇并作为其图谱，与所述样本电池图谱库中的图谱进行匹配；
39.其中，图谱匹配方法为基于细节点模式指纹识别算法或基于纹理模式的指纹识别算法。
40.指纹识别是指用待识别样本的指纹特征与指纹库中的指纹特征进行比对，寻找与其对应的或者最接近的指纹特征，具体识别过程简单的数学描述为:假设在指纹库d中有m种状态模式，即s1,s2,
…
s
m
，并且每个状态模式s
i
均有一个n维指纹特征,待识别样本的指纹特征为y＝(y1,y2,
…
y
n
)
t
，则指纹特征识别就是在指纹库d中寻找与y最接近的x
i
，而x
i
对应的状态模式即为y的状态模式。
41.基于细节点模式指纹识别算法是将样本电池图谱库中的各个图谱和待评估电池图谱转化为由特征点构成的各自点集，计算待评估电池图谱转化的点集中的每个特征点与图谱库中各个图谱转化的点集中对应特征点的距离，若距离小于所设定的点间偏移距离阈值，则表示对应的两个特征点相匹配，统计待评估电池图谱转化的点集与图谱库中各个图
谱转化的点集间相匹配的特征点数量，并将匹配点数量最多的图谱作为候选图谱，若匹配点数量大于所设定的数量阈值，则所述候选图谱即为匹配成功的图谱；否则，表示匹配失败。
42.具体地，如图3所示，将在获取多维eis曲线簇过程中得到的电池阻抗z1(f1)、z1(f2)、z1(f3)
…
z1(f
b
)，
…
z
a
(f1)、z
a
(f2)、z
a
(f3)
…
z
a
(f
b
)，作为指纹图谱的特征点，组成指纹图谱的特征点集，通过计算指纹图谱特征点集间匹配点的数量来判断指纹图谱间是否匹配。特征点之间的距离由下述公式(1)获取：
43.d(z
i
(f
j
),z
i
′
(f
j
))＝(re
i
(f
j
)
‑
re
′
i
(f
j
))2+(im
i
(f
j
)
‑
im
′
i
(f
j
))2ꢀꢀꢀꢀꢀꢀꢀ
(1)
44.d(z
i
(f
j
),z
′
i
(f
j
))表示z
i
(f
j
)与z
′
i
(f
j
)之间的距离，z
i
(f
j
)表示点集a对应的电池在幅值为i
i
，频率为f
j
的激励电流下的阻抗，z
′
i
(f
j
)表示点集b对应的电池在幅值为i
i
，频率为f
j
的激励电流下的阻抗；re
i
(f
j
),im
i
(f
j
)分别为z
i
(f
j
)对应的阻抗实部和虚部，re
′
i
(f
j
)，im
′
i
(f
j
)分别为z
′
i
(f
j
)对应的阻抗实部和虚部。
45.将计算得到特征点之间的距离与点间距离阈值进行比较，若小于阈值则认为两个特征点相匹配，两个点集间匹配点的数量若超过指纹匹配的数量阈值，则认为两个指纹图谱相匹配。点间距离阈值的确定方法为：在电池处于相同的soh、soc、温度t状态下，多次获取电池的多维eis曲线簇，计算对应特征点之间的距离，以其平均值作为该状态下阈值；以相同的方法得到其他soh、soc和温度t状态对应的判断阈值。数量阈值由系统要求的精度所决定。
46.更具体地，以图4a和图4b说明识别过程，如图所示为两个待评估的以阻抗实部、虚部为坐标轴的在激励信号幅值为i1、i2、i3的三维eis曲线，各eis曲线上的点为在拟合过程中计算出对应各频率的阻抗点。通过计算出对应特征点之间的距离，如激励电流幅值同为i1的eis曲线上频率同为f1的阻抗点之间的距离，判断特征点之间是否匹配，进而统计匹配点的数量，并与数量阈值作比较来判断图谱间是否匹配。
47.基于纹理模式的指纹匹配算法是将所述样本电池图谱库中的各个图谱以及待评估电池的图谱分别转化为由纹线构成的线集，计算各个线集中的相邻纹线之间的动态弯曲距离并作为图谱的特征向量，计算待评估电池的图谱的特征向量与所述样本电池图谱库的各个图谱的特征向量之间的距离，并选出最小距离后判断是否小于所设定的图谱偏移距离阈值，若小于，则将最小距离所对应的图谱作为匹配成功的图谱；否则，表示匹配失败。
48.具体地，动态时间弯曲(dynamic time wrapping,dtw)距离可以对序列中有局部位移的情况进行有效的处理。dtw距离通过构造对齐矩阵，采用动态规划方法在两个时间序列中找出一条使两个时间序列间累积距离最小的弯曲路径。定义两个时间序列为p＝[p1,p2,...p
m
]
t
和q＝[q1,q2,...q
m
]
t
，序列长度分别为m和n。为了将p和q利用dtw距离对齐，首先构造一个m行n列的距离矩阵a，即
[0049][0050]
式(2)中：a中元素a
ij
＝d(p
i
,q
j
)＝(p
i
‑
q
i
)2，表示时间序列点p
i
与q
j
的对齐距离。弯曲路径是一个由p和q在a中的特征映射组成的连续集合,记为w＝[w1,w2,w
k
,...,w
k
]。w中的第k个元素定义为w
k
＝(a
ij
)
k
。
[0051]
w需满足如下约束条件:
[0052]
有界性:max(m,n)≤k≤m+n
‑
1。
[0053]
边界性：w1＝a
11
和w
k
＝a
mn
，分别用来表示w的起点和终点。
[0054]
连续性：对于w
k
＝a
ij
，其相邻元素w
k
‑1＝a
i'j'
满足i
‑
i'≤1，j
‑
j'≤1，此约束限定了w中的相邻元素为a中的相邻单元。
[0055]
单调性：i
‑
i'≥0，j
‑
j'≥0。
[0056]
a中存在多条满足上述约束条件的w，p和q的dtw距离是指累积距离最小的w，目标函数表示为公式(3)：
[0057][0058]
式(3)中：f
dtw
(p,q)表示p与q的dtw距离；k表示最小弯曲路径的长度；w
i
为最小弯曲路径中第i个元素。利用动态规划算法求解dtw距离，递归算法表示为式(4)：
[0059][0060]
式(4)中：d(i,j)表示元素a
ij
与其前段的弯曲路径部分长度最小累计值之和。
[0061]
计算出eis曲线间的动态弯曲距离后，组成指纹图谱的特征向量，再次计算特征向量间的欧式距离，将计算结果与图谱偏移阈值相比较，判断指纹图谱是否匹配。图谱偏移阈值的确定方法为：在电池处于相同的soh、soc、温度t状态下，多次获取电池的多维eis曲线，计算对应特征向量之间的距离，以其平均值作为该状态下阈值，以相同的方法得到其他soh、soc和温度t状态对应的判断阈值。
[0062]
更具体地，仍以图4a和图4b说明识别过程，计算图4a中幅值激励为i1与i2、i2与i3对应的eis曲线间的动态弯曲距离dtw1、dtw2，组成特征向量l
a
＝[dtw1,dtw2],同理可得图4b的特征向量l
b
＝[dtw1′
,dtw2′
]，计算两个图谱的特征向量之间的距离，与图谱偏移距离阈值进行比较判断是否相匹配。
[0063]
若匹配成功，则将匹配成功的图谱所对应的soh和soc状态作为待评估电池的soh和soc状态；
[0064]
若匹配失败，则按照步骤s1的过程测出所述待评估电池的soh以及在不同soc、温度t条件下的多维eis曲线簇，并加入到样本电池图谱库中；
[0065]
s3.按照步骤2的过程，对所有待评估电池进行匹配；
[0066]
具体地，所有待评估电池的匹配流程如图5所示，无论当前电池是否匹配成功，其余电池都继续与图谱库中的图谱进行匹配，样本电池图谱库在评估过程中是不断完善的。
[0067]
对于在获取不匹配电池的soh及不同soc、温度t下的多维eis曲线簇的过程中出现新的不匹配电池，先判断其与正在测试的电池的图谱是否匹配，若不匹配则也获取该电池的soh及不同soc、温度t下的多维eis曲线簇，将其加入到样本图谱库中，若匹配则无需进行此过程。此处认为不匹配电池数量较少，否则整批待检测电池一致性过差，失去回收利用价值。
[0068]
s4.将soh作为一致性评估的第一指标，设定soh的取值范围，并将处于所述取值范
围内的所有待评估电池归为一组；soh的取值范围由评估系统所要求的精度决定；例如选定soh的值后，设置误差在
±
δsoh的范围；
[0069]
s5.对同组内的待评估电池进行编号，并将1号待评估电池作为参考电池，计算其他待评估电池的指纹图谱与参考电池的指纹图谱的相似度；指纹图谱的相似度的计算仍采用基于细节点模式指纹识别算法或基于纹理模式指纹识别算法。
[0070]
s6.以相似度作为一致性评估的第二指标，将相似度高于所设定的阈值的待评估电池判断为具有一致性的电池，并归为一类，剩余的待评估电池按照步骤s5和步骤s6的过程继续归类，直到所有待评估电池完成分类。
[0071]
若采用基于细节点模式指纹识别算法，匹配点的数量达到图谱相似要求的数量阈值即可认为指纹图谱对应的退役电池具有一致性，且匹配点数量越多，相似度越高，一致性越高；否则认为退役电池不具有一致性。
[0072]
若采用基于纹理模式匹配算法，特征向量之间的距离小于距离阈值即可认为指纹图谱对应的退役电池具有一致性，距离越小，相似度越高，一致性越高，否则认为退役电池不具有一致性。
[0073]
评估过程中所用的数量阈值和距离阈值的确定方法为：计算样本电池图谱库中分别对应待比较电池soh、soc、温度t状态的曲线簇间的相似度，以其作为阈值。以上便完成了退役动力电池soh和一致性的评估。