一种基于锂电池特征的健康状态估计方法

本发明涉及一种锂电池特征提取策略与快速健康状态估计方法。

背景技术：

1、锂离子电池具有高能量密度、强功率能力、长循环寿命以及较轻的重量等特点，因而被认为是当前最具发展前景的电动汽车(ev)重要车载能源之一。而soh作为锂离子电池寿命状态的一种度量标准，能够反映其相对于新电池时的能量存储能力，用以表征电池老化的主要通过电池容量的衰减。

2、电池容量衰减指的是，电池内部由于副反应、钝化膜的产生造成对反应物质的包裹效应和sei膜增厚对锂离子的消耗等，而使得电池内部的可逆锂离子在寿命过程总量不断减少，最终到达容量下限时，到达寿命终止状态(例如当电池容量能下降到80％，即soh<80％时，电池就应该被更换)。

3、目前soh估算相关技术中采用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，具有设备要求简单，但精确度低、耗时长且受环境影响大的特点；也有利用电池充放电曲线等因素进行评估，但也同样存在测试时间较长的缺点。

4、电化学阻抗分析主要是向电池施加多个频率不同的正弦信号，并对已采集到的数据信息分析，预测电池的当前性能，相比于其他几种方法具有耗时短、精度高、频带宽、操作简单和无损伤等诸多优点，其数据能够很好的反映电池内部物理老化模式，是被认为预测电池soh最好的方法之一。但是在用此方法之前，通常需要做大量的数据采集与分析，以获取电池的特性，则对设备电压电流采样精度提出挑战，同时传统的eis测试方法往往是工作在一个宽带宽范围内，进一步提高了对设备成本的要求制约了其发展应用，且在线应用例如bms场合的应用也存在适配问题。

5、除此之外，随着对电池内部电化学反应机理的深入研究，国内外也提出了许多基于模型的soh估计方法。这些方法主要是交流阻抗对锂电池进行建模，建模方法主要还是以电池等效电路模型对soh进行估计为主，但也存在建模过程中引入误差且容易丢失数据信息等问题，因此现有研究开始考虑通过数据驱动的方法来避免老化研究与建模中引入的误差，通过机器学习算法，寻求外部健康因子对电池soh建立的非线性映射关系实现快速soh估算。

技术实现思路

1、本发明是为避免上述现有技术所存在的不足之处，提供一种基于锂电池特征的健康状态估计方法，以期能简化锂电池健康特征复杂性，降低对设备电压电流采样硬件精度要求与成本，从而实现对锂电池建立深度学习模型并快速soh估计。

2、本发明为解决技术问题采用如下技术方案：

3、本发明一种基于锂电池特征的健康状态估计方法的特点在于，包括如下步骤：

4、步骤s1、对待测锂电池预充电至荷电状态soc＝100％，并静置一段时间；

5、步骤s2、将静置后的锂电池连接高速电压、电流传感器连接后，对锂电池进行中高频快速电化学阻抗谱测试，得到高采样率的电压电流数据，再通过数字锁相环放大器从所述电压电流数据中获取各频率点下的阻抗角数据，包括：频率分布{f1,f2,…,fm,…,fm}及其对应的阻抗角数据{θ1,θ2,…,θm,…,θm}，其中，fm表示第m个频率，θm表示第m个频率fm下的电压电流相位差，即阻抗角；

6、步骤s3、对各频率分布下的阻抗角数据{θ1,θ2,…,θm,…,θm}进行均值化处理后，再利用主成分分析法对均值化处理后的阻抗角数据进行数据降维，得到m个主成分{pc1,pc2,…,pcm,…,pcm}并作为m个备用健康特征，其中，pcm表示第m个主成分；

7、步骤s4根据m个备用健康特征，依次计算前m个备用健康特征累计的贡献率，当累计贡献率超过δ％时，取前m个备用健康特征{pc1,pc2,…,pcm}作为当前提取的健康特征集合，其中，δ为阈值；

8、步骤s5建立离线阶段的锂电池健康状态估计模型：

9、获取与所述待测锂电池同一型号的锂电池的k个不同历史健康状态集合h＝{soh1,soh2,...,sohk…,sohk}，其中，sohk为待测锂电池的第k个历史健康状态值；

10、按照步骤s1～步骤s4的过程，对k个不同历史健康状态值下的待测锂电池进行处理，得到k个健康特征集合，记为

11、pc＝{[pc1,…,pcm]1,[pc1,…,pcm]2,...,[pc1,…,pcm]k,...,[pc1,…,pcm]k}，其中，[pc1,…,pcm]k表示待测锂电池在第k个历史健康状态值下所提取的健康特征集合；

12、以k个健康特征集合pc作为输入，以k个不同历史健康状态集合h作为目标输出，对深度学习模型进行训练，从而得到锂电池健康状态估计模型；

13、步骤s6在线阶段的锂电池健康状态估计：

14、将当前提取的健康特征集合{pc1,pc1,…,pcm}输入所述锂电池健康状态估计模型中进行处理，并输出所述待测锂电池的健康状态soh的估计值，以实现快速soh估计。

15、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述健康状态估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

16、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述健康状态估计方法的步骤。

17、与已有技术相比，本发明有益效果体现在：

18、1、本发明方法与现有安时积分、容量增量等方法比较，采用eis测试技术，采集数据高频段与中低频段分别主要与lli、lam的衰减老化模式对应，物理意义表征能力强。

19、2、本发明方法仅采用了阻抗信息中的阻抗角(ui相位差)作为健康特征，降低了对采集单元的硬件精度要求，节约了成本的同时降低了系统复杂性。

20、3、本发明方法为解决过拟合和数据冗余问题，采用主成分分析法对算法输入特征进行预处理，提高了算法鲁棒性使得soh观测器系统结构简洁，训练模型运算量减少。

21、4、本发明方法为所用主成分分析法中对数据预处理采用均值化，而非传统的标准化，有效保留了各阻抗角数据变异程度的差异信息。

22、5、本发明方法在一种存在电池存在容量增生、容量衰减曲线分段处理的场景，本发明方法仍能较好的反映电池的soh估计结果。

技术特征：

1.一种基于锂电池特征的健康状态估计方法，其特征在于，包括如下步骤：

2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述健康状态估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述健康状态估计方法的步骤。

技术总结
本发明公开了一种基于锂电池特征的健康状态估计方法，包括：从中高频段电化学阻抗测试，通过数字锁相环获取EIS阻抗角数据，在不同健康状态下基于均值化的主成分分析法进行数据降维获取锂电池健康特征，离线训练SOH深度学习模型，在线获取锂电池健康特征作为模型输入实现快速SOH估计。本发明仅通过中高频段EIS阻抗角作为健康特征能降低电压电流传感器采集精度要求，从而在保证测试精度的同时又降低了设备成本与测试复杂度。

技术研发人员：赖纪东,苏志鹏,苏建徽,周晨光,施永,解宝,王祥,董磊
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/1/12