一种“充—检”一体电动汽车电池状态检测与评价方法

一种“充
—
检”一体电动汽车电池状态检测与评价方法
技术领域
1.本发明应用于电动汽车领域，具体为一种“充—检”一体电动汽车电池状态检测与评价方法，适用于电动汽车电池管理系统的状态估计与故障预警。


背景技术：

2.作为一种二次能源，电能取代石化燃料应用于交通运输领域，可极大改善碳排放的压力。因此，电动汽车产业迎来了飞速发展阶段，电池作为储能装置也开始大规模应用于电动汽车之中。作为电动汽车技术中的核心子系统之一，电池管理系统(bms，battery management system) 对于电池的作用至关重要。bms负责监控电池储能单元内各电池运行状态，保障储能单元安全可靠运行。
3.传统的bms能够监控、采集储能电池的状态参数(单体电压、电池极柱温度、电池回路电流、电池组端电压、电池系统绝缘电阻等)，并对相关状态参数进行必要的分析计算，但无法实现在充电补能阶段对电池进行性能评估，且获取的参数种类不多，无法在线获取电池的阻抗谱信息。


技术实现要素：

4.本发明是为了解决上述现有技术存在的不足之处，提出了一种“充—检”一体电动汽车电池状态的估计与诊断方法，以期能在电动汽车充电补能阶段实现对电池的状态估计和故障诊断的功能，从而能保证电动汽车使用过程更安全可靠。
5.本发明为达到上述发明目的，采用如下技术方案：
6.本发明一种“充—检”一体电动汽车电池状态检测与评价方法的特点在于，是应用于由电池管理系统和充电机所组成的场景中，所述电池管理系统包括：控制模块、采样电路、计算模块、热管理，所述检测与诊断包含如下步骤：
7.步骤一：提取恒流充电阶段的容量增量曲线：
8.在电动汽车电池的初始充电阶段，所述控制模块对所述充电机发送充电指令，所述充电机收到所述充电指令后对电动汽车电池包执行恒流充电，当所述电动汽车电池包中模组的电压在区间[u1,u2]内增长时，所述采样电路采集模组的电压、电流、温度发送给所述计算模块，由所述计算模块根据采集的结果计算模组在电压区间[u1,u2]内的容量增量dq/dv，从而得到电压区间[u1,u2]内的容量增量曲线；
[0009]
步骤二：交流阻抗法测量中低频区的电化学阻抗谱：
[0010]
步骤2.1、在电动汽车电池包恒流充电至荷电状态为设定值s0时，暂停充电；所述控制模块发送控制指令给所述充电机，使得所述充电机开始对电池模组施加正弦交流激励电流i，并利用所述采样电路采集响应交流电压u；
[0011]
步骤2.2、所述计算单元根据输入的正弦交流激励电流i和采集到的响应交流电压u计算交流阻抗z，并分别以阻抗z的实部z
re
为横坐标、虚部z
im
为纵坐标作电化学阻抗谱图，从而获得中低频的nyquist曲线；
[0012]
步骤三：混合脉冲功率表征法测量电池内阻：
[0013]
步骤3.1、在电池包的荷电状态为设定值s0，且所述电池热管理将电池的温度控制在温度区间[t1,t2]内时，所述控制模块发送控制指令给所述充电机，使得所述充电机给电池模组施加一个脉冲充电电流i，并利用所述采样电路测量每个模组的响应电压值u；
[0014]
步骤3.2、所述计算单元根据响应电压值u计算获得电池的欧姆内阻r
∞
和极化内阻r
p
，从而由欧姆内阻r
∞
和极化内阻r
p
之和作为电池单体总内阻r；
[0015]
步骤四：状态估计与性能评价：
[0016]
步骤4.1、联合状态估计：
[0017]
步骤4.1.1、将电压区间[u1,u2]内的容量增量、电池荷电状态为设定值s0时的交流阻抗 z以及电压区间[u1,u2]内的充电量q归一化为一个三维矩阵后，输入到具有迁移学习的修剪卷积神经网络模型中进行处理，输出电池的估计容量c；
[0018]
步骤4.1.2、将估计的容量c与步骤3.1中归一化后的响应电压值u’、步骤3.2中归一化后的电池总内阻r
′
输入高斯过程回归模型中，得到在线估计的电池荷电状态；
[0019]
步骤4.1.3、根据在线估计的电池荷电状态得到充电量q`，并用于更新所述三维矩阵后输入所述修剪卷积神经网络模型中，得到电池的健康状态估计结果；
[0020]
步骤4.2、多参数融合一致性评价：
[0021]
根据步骤一中电池模组的温度和计算的容量增量、步骤二的交流阻抗z、步骤三所测电池总内阻r、步骤四所估计的电池健康状态与荷电状态，计算出各模组特征之间的皮尔逊相关系数矩阵，通过主成分分析得到一致性的主要特征参数；然后，采用多参数评价方法对电池模组一致性进行评价；并根据评价结果筛选出具有内短路故障及存在故障风险的电池模组，以作出维修与更换提示。
[0022]
本发明所述的“充—检”一体电动汽车电池状态的估计与诊断方法的特点在于：所述步骤2.1中的设定值s0为50％的荷电状态，且施加的正弦交流激励电流i的幅值为标称容量的十分之一、频率范围为1-20hz，且每十信号频采样60个点。
[0023]
与现有技术相比，本发明的有益效果在于：
[0024]
1、本发明方法在电动汽车充电阶段，bms除对电池的电压u、电流i、温度t等常规参数进行测量分析，还会在电池包处于特定荷电状态(state ofcharge,soc)下暂停充电，通过充电机在较短时间内对电池各模组施加多种模式的自检电流，采集ic曲线、电化学阻抗z、欧姆内阻r等参数，从而对电池性能进行更全面的分析，实现了实时准确估计电池状态和故障诊断的功能。
[0025]
2、本发明方法所使用的联合状态估计方法，通过建立具有迁移学习的修剪卷积神经网络模型和高斯过程回归模型，利用电池健康状态(state ofhealth,soh)与soc的耦合关系，实现了较高精度的soh与soc联合估计，对传统安时积分法估计soh和开路电压法估计soc 进行了修正补足。
[0026]
3、本发明方法通过对电池充电阶段采集的温度、电压及内阻等涉及电池安全的参数进行分析，再结合状态参数的估计结果，对电池包内各模组进行多参数性能评估与一致性评价，从而实现了故障诊断与预警的功能。
[0027]
4、本发明方法通过bms系统与充电机之间的协同配合，实现了无损在线检测动力电池的状态参数及安全评估的功能，无需专业人员及设备场地，无需破坏原有电池模组结
构，具有便捷高效、可实施性强的优点。
附图说明
[0028]
图1为本发明的技术原理结构框图；
[0029]
图2为本发明的功能实现流程图；
[0030]
图3为本发明所示cc-cv电池充电曲线示意图；
[0031]
图4为本发明所测电化学阻抗谱示意图；
[0032]
图5为本发明所采用的hppc法测量电池内阻示意图；
[0033]
图6为本发明联合状态估计方法框架流程图；
[0034]
图7为本发明的具有迁移学习的修剪卷积神经网络模型。
具体实施方式
[0035]
本实施例中，一种“充—检”一体电动汽车电池状态检测与评价方法，是通过bms系统对充电机发送不同的指令，使其对电池施加不同模式的电流，再分别测量相应的响应参数，从而获取电池充电阶段的特征参数；基于以上部分特征参数，输入到具有迁移学习的修剪卷积神经网络模型估计电池soh，再根据soh估计结果和其他特征参数，输入到高斯过程回归模型估计soc；对电池单体电压、内阻、温度、soh、soc参数的不一致性进行分析，从而完成电池的故障诊断功能；具体的说，技术结构如图1所示，功能实现流程见图2，该方法是按如下步骤进行：
[0036]
步骤一：提取恒流充电阶段的容量增量曲线：
[0037]
电动汽车基本的充电方式为恒流-恒压(constant current and constantvoltage，cc-cv)充电模式，如图3所示，包含恒流充电至电压不在增长与恒压充电至电流处于极小值两个阶段。在电动汽车电池的初始充电阶段，bms的控制模块对充电机发送充电指令，充电机收到充电指令后对电动汽车电池包执行恒流(constant current，cc)充电，当电动汽车电池包中模组的电压在区间[u1,u2]内增长时，采样电路采集模组的电压、电流、温度发送给计算模块，由计算模块根据采集的结果计算模组在电压区间[u1,u2]内的容量增量(increment capacity,ic)，从而得到电压区间[u1,u2]内的容量增量曲线；
[0038][0039]
式(1)中，t1、t2为相邻电流采集的时刻，v1、v2分别为t1、t2时刻的电池电压；
[0040]
步骤二：交流阻抗法测量中低频区的电化学阻抗谱：
[0041]
步骤2.1、在电动汽车电池包恒流充电至荷电状态为设定值s0时，暂停充电；控制模块发送控制指令给充电机，使得充电机开始对电池模组施加正弦交流激励电流i，并利用采样电路采集响应交流电压u；
[0042]
步骤2.2、计算单元根据输入的正弦交流激励电流i和采集到的响应交流电压u计算交流阻抗z：
[0043]
[0044]
由于激励电流和反馈电压具有不同的幅值和相位，故阻抗z是一个复数：
[0045]zw
＝z
re
+jz
im
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0046]
其中，z
re
、z
im
分别为阻抗的实部和虚部。分别以阻抗z的实部z
re
为横坐标、虚部z
im
为纵坐标作电化学阻抗谱图，从而获得中低频的nyquist曲线，如图4所示；
[0047]
步骤三：混合脉冲功率表征法(hybrid pulse power characterization，hppc)测量电池内阻：
[0048]
步骤3.1、在电池包的荷电状态为设定值s0，且电池热管理将电池的温度控制在温度区间 [t1,t2]内时，控制模块发送控制指令给充电机，使得充电机给电池模组施加一个脉冲充电电流i，并利用采样电路测量每个模组的响应电压u。模组端电压会立刻响应出一个阶跃变化 (ua～ub)，这部分电压阶跃变化是由电池欧姆内阻引起的；随后电池两端的电压会有一个较为缓慢的变化过程(ub～uc)，这部分电压变化是由电池的极化内阻引起的，响应过程电流电压随时间变化如图5所示；
[0049]
步骤3.2、根据欧姆定律，可分别计算获得电池的欧姆内阻r
∞
和极化内阻r
p
，计算公式如式(4)、式(5)所示；所测得的欧姆内阻和极化内阻之和即为电池总内阻r，计算公式如(6) 所示：
[0050][0051][0052]
r＝r
∞
+r
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0053]
步骤四：状态估计与性能评价：
[0054]
步骤4.1、联合状态估计：
[0055]
联合状态估计包含soc和soh的估计，框架流程图如图6所示，具体细节按如下步骤进行：
[0056]
步骤4.1.1、将电压区间[u1,u2]内的容量增量ic、电池荷电状态为设定值s0时的交流阻抗z以及电压区间[u1,u2]内的充电量q归一化为一个三维矩阵后，输入到具有迁移学习的修剪卷积神经网络模型中进行处理，输出电池的估计容量c；
[0057]
步骤4.1.2、将估计的容量c与步骤3.1中归一化后的响应电压值u’、步骤3.2中归一化后的电池总内阻r
′
输入高斯过程回归模型中，得到在线估计的电池soc；
[0058]
步骤4.1.3、根据在线估计的soc得到充电量q`，并用于更新三维矩阵后输入修剪卷积神经网络模型中，得到电池的soh估计结果；
[0059]
具有迁移学习的修剪卷积神经网络模型结构见图7，建立方法如下：
[0060]
首先，构建一个cnn模型，该模型由2组卷积层和最大池化层组成，然后是两个连续的卷积层，之后是扁平化，最后是两个全连接层。其次，将迁移学习技术应用于cnn，旨在通过利用从具有大型数据集的源任务中学到的知识来减少数据集的所需大小，从而将数据集的不同但相关的任务用于具有更小数据集的不同但相关的任务。cnn模型首先在同型号动力电池收集的大型源数据集上进行预训练，每个电池都经过大约1000次充放电循环的测试。然后将学到的模型结构和训练参数转移到实车收集的相对较小的目标数据集中，每个单元测试30 个参考周期，之后两个卷积层和两个全连接层在目标数据集上进行微调，以保
证模型性能。最后，在两个全连接层中采用基于快速递归算法的网络修剪技术去除冗余神经元，可以显著降低模型大小和计算复杂度，从而可以在板载bms中实现所得模型；
[0061]
步骤4.2、多参数融合一致性评价：
[0062]
4.2.1首先对步骤一中电池模组的温度和计算的容量增量、步骤二的交流阻抗z、步骤三所测电池总内阻r、步骤四所估计的电池soh与soc进行标准化，计算出各模组对于某个特征之间的皮尔逊相关系数矩阵p：
[0063][0064]
式(7)中，m为电池不同模组编号，n为该特征参数在每个模组中的采样次数，相关系数求法如下：
[0065][0066]
式(8)中，r为模组x与模组y对于同一离散特征变量的相关系数，取值范围是[-1,1]。 cov(x,y)为不同电池之间的协方差，δx和δy分别为x与y的方差，为变量x的平均数；
[0067]
4.2.2由|λi-p|＝0计算特征值和特征向量，并按大小排序：λ1≥λ2≥
…
λn≥0。特征向量对应的特征值满足条件：|e
ij
|＝1且
[0068]
4.2.3计算贡献率和累积贡献率：
[0069]
利用式(9)计算贡献率：
[0070][0071]
利用式(10)计算累计贡献率：
[0072][0073]
4.2.4利用式(11)计算主成分载荷：
[0074][0075]
4.2.5利用式(12)计算主成分得分：
[0076]
zi＝l
i1
x
i1
+l
i2
x
i2
+
…
+l
in
x
in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0077]
4.2.6通过主成分分析得到每个电池模组的不同特征参数的主成分得分；然后，采用多参数评价方法对电池模组一致性进行评价；根据评价结果可以筛选出具有内短路故障及存在故障风险的电池模组，并作出维修与更换提示。