一种锂电池健康状态实时监测方法及系统与流程

本发明涉及锂电池，具体涉及一种锂电池健康状态实时监测方法及系统。

背景技术：

1、锂电池因为其容量大、高能量密度、环保安全等特点，成为电动汽车的关键部件，对电动汽车的安全运行和稳定至关重要，所以要对锂电池时刻进行监测和管理。

2、电池健康状态(state of health，简称为soh)是评估电池性能的重要指标，近年来受到广泛关注。合理的对soh估计能够准确预测电池使用寿命，在锂电池出现故障之前及时发出预警信息，有效保证汽车安全行驶和驾驶员生命安全，对其进行准确评估不仅有助于电池系统的管理，而且也能够提高荷电状态、功率状态等其他参数的精确度。

3、目前锂电池soh预测方法大致分为基于电化学机理模型，等效电路模型和数据驱动的方法。

4、基于电化学机理模型的方法具有较高的可解释度，但是其建模和计算难度大，提高锂电池soh的预测难度。

5、基于等效电路模型的方法，需要选择合适的等效电路模型，并且要对等效电路模型的参数辨识，过程较为复杂，使得锂电池soh预测难度增加。

6、基于数据驱动方法可以不需要了解电池内部复杂的机理，也可以对soh进行预测，并且具有较高的准确度，但是需要依赖大规模的数据，并且收敛速度慢，进一步增加了锂电池soh预测的难度。

技术实现思路

1、本发明的目的是提供一种锂电池健康状态实时监测方法及系统，解决目前锂电池健康度检测难度高的问题。

2、本发明解决上述技术问题的方案：

3、一种锂电池健康状态实时监测方法，其特征在于，包括以下步骤：

4、s1、实时采集锂电池参数数据，对实时采集的锂电池参数数据通过加权滑动平均滤波进行处理；

5、s2、对步骤s1处理后的锂电池参数数据进行归一化预处理；

6、s3、对步骤s2归一化预处理的锂电池参数数据通过核熵成分分析算法提取得到特征主元信息；

7、s4、将特征主元信息输入广义回归神经网络模型中，得到锂电池健康状态实时信息。

8、进一步限定，所述步骤s1包括以下步骤：

9、s11、在当前锂电池的一个充放电周期内，按照采集周期，每个数据类型的锂电池参数数据连续采集n个，并按照采集顺序将相同数据类型的n个锂电池参数数据存入对应数据类型的缓存区，2＜n≤10，且n为正整数；所述数据类型包括电池温度、锂电池电压、锂电池电流、锂电池放电时间和锂电池充放电次数；

10、s12、对相同数据类型缓存区内的n个锂电池参数数据通过加权滑动平均滤波进行处理得到当前对应数据类型的加权平均值

11、

12、

13、其中，xi为相同数据类型缓存区内n个锂电池参数数据中的第i个锂电池参数数据，wi为xi的权值，1≤i≤n且i为正整数，n为每一个数据类型缓存区内锂电池参数数据的个数；

14、s13、按照采集周期，继续采集一次锂电池参数数据并按照采集顺序存入对应的数据类型缓存区，将每一个缓存区中采集时间最早的锂电池参数数据剔除，更新每一个缓存区中锂电池参数数据；

15、s14、重复执行步骤s12与步骤s13，实时得到每一种数据类型锂电池参数数据的加权平均值。

16、进一步限定，所述步骤s2具体为：

17、接收步骤s12得到的每个数据类型的加权平均值并对每个数据类型的加权平均值进行归一化预处理，得到当前数据类型的预处理数据d数据类型，d数据类型∈[0,1]。

18、进一步限定，所述步骤s3具体包括以下步骤：

19、s31、通过parzen窗对实时得到的各个预处理数据d数据类型建立n维核矩阵并进行特征分解，得到当前n维核矩阵的特征值与当前n维核矩阵的特征向量，n为采集锂电池参数数据数据类型的数量；

20、s32、计算当前n维核矩阵的renyi熵，根据计算得到的熵值大小对当前n维核矩阵的特征值和当前n维核矩阵的特征向量进行排序；

21、s33、选取当前n维核矩阵特征向量renyi熵的贡献值大于95％的前b个主元，并选择前b个主元的特征向量作为特征主元信息b，其中0<b<n。

22、进一步限定，所述步骤s4包括以下步骤：

23、s41、建立样本数据库，样本数据库包括m个样本数据，样本数据包括锂电池的参数数据和对应参数数据时检测得到的电池健康状态值y，从m个样本数据中选择m个样本数据作为训练数据，其中，m＝0.6m～0.8m，m四舍五入取整数；

24、s42、建立广义回归神经网络模型，将特征主元信息作为输入层；

25、计算输入层与每一个训练数据之间的gauss函数值，得到模式层的输出pa：

26、

27、其中，a为m个训练数据中第a个训练数据，e为自然常数，σ为光滑因子，σ∈(0,15]，b为特征主元信息；

28、s43、求和层神经元节点的数量为2个，分别计算求和层每一个神经元节点的输出：

29、第一个神经元节点的输出sd为：

30、

31、第二个神经元节点的输出sd为：

32、

33、其中，ya为第a个训练数据中的电池健康状态值，m为训练数据的个数；

34、s44、计算输出层的输出y：

35、

36、其中，y为当前的锂电池健康状态实时信息。

37、进一步限定，所述光滑因子的确定包括以下步骤：

38、a、初始化蚁群，确定蚂蚁数量为c，最大迭代循环次数k，设定光滑因子σ，设定初始的信息素浓度；

39、b、构建解空间，并将解空间划分为q个解区间，将c个蚂蚁任意分散在q个所述解区间中，得到每个蚂蚁的初始位置；

40、c、每个蚂蚁按照转移概率公式进行移动，每个蚂蚁得到一条移动路径；

41、d、计算每个移动路径的长度，结合信息素迭代公式对信息素浓度进行更新，同时记录最优信息素浓度，将最优信息素浓度作为当前最优光滑因子σk，k为当前循环次数，k＝1～k；

42、e、对任一样本数据通过当前最优光滑因子σk计算得到健康状态预测值y(σk)，利用得到的计算健康状态预测值y(σk)与该样本数据对应的实际电池健康状态值y计算预测误差，得到当前最优光滑因子σk的计算误差；

43、f、判断是否k＜k，若是，则清除所有移动路径，重新执行步骤c，若否，则执行步骤g；

44、g、根据光滑因子最小计算误差确定对应的光滑因子，将该光滑因子作为最优光滑因子；

45、所述步骤s42中光滑因子根据步骤g得到的最优光滑因子取值。

46、进一步限定，所述锂电池健康状态实时监测方法还包括：

47、步骤s5、将锂电池健康状态实时信息进行显示。

48、一种锂电池健康状态实时监测系统，其特征在于，包括：

49、锂电池监测模块，用于实时采集锂电池参数数据；

50、电池管理模块，用于对实时采集的锂电池参数数据通过加权滑动平均滤波进行处理；用于对处理后的锂电池参数数据进行归一化预处理；用于对归一化预处理的锂电池参数数据通过核熵成分分析算法提取得到特征主元信息；用于将特征主元信息输入广义回归神经网络模型中，得到锂电池健康状态实时信息；

51、显示模块，用于接收锂电池健康状态实时信息并显示。

52、进一步限定，所述锂电池监测模块包括：

53、温度传感器、电压检测设备、电流传感器、充放电计时器以及充放电循环次数检测设备；

54、电池管理模块包括：

55、信号调理单元，用于分别将温度传感器采集到的锂电池温度信号、电流传感器采集到的锂电池电流信号、电压检测设备采集到的锂电池电压信号、充放电计时器采集到的锂电池充放电时间信号以及充放电循环次数检测设备采集到的锂电池充放电循环次数信号放大后进行滤波，并将放大滤波后的锂电池温度信号、锂电池电流信号、锂电池电压信号、锂电池充放电时间信号以及锂电池充放电循环次数信号转换为对应的数字信号，用于将实时采集的锂电池参数数据通过通信单元发送给存储单元；

56、主控单元，用于将信号调理单元转换后的数字信号作为实时采集的锂电池参数数据；对实时采集的锂电池参数数据通过加权滑动平均滤波进行处理；用于对处理后的锂电池参数数据进行归一化预处理；用于对归一化预处理的锂电池参数数据通过核熵成分分析算法提取得到特征主元信息；用于将特征主元信息输入广义回归神经网络模型中，得到锂电池健康状态实时信息，用于将实时采集的锂电池参数数据通过通信单元发送给存储单元；

57、通信单元，用于将得到的锂电池健康状态实时信息发送给显示模块和存储单元，将实时采集的锂电池参数数据发送给存储单元；

58、存储单元，用于接收并存储实时采集的锂电池参数数据和锂电池健康状态实时信息。

59、一种存储一个或多个程序的计算机可读存储介质，其特征在于，一个或多个所述程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据上述的方法中的任一方法。

60、本发明的有益效果在于：

61、1、本发明通过对电池的多种参数进行采集，利用加权滑动平均滤波对采集的数据进行处理，使得采集的锂电池参数数据的实时性更优，噪声更小，提高计算精度；随后利用广义回归神经网络模型对锂电池健康状态进行实时的计算得到当前锂电池的实时健康状态信息，一方面降低了电池健康状态信息的计算难度，提高锂电池实时健康状态信息的处理效率，另一方面不依赖于大规模数据，提高收敛速度，降低了计算难度，也提高计算结果的精准度与稳定可靠性。

62、2、通过利用广义回归神经网络模型计算电池健康状态信息相比传统的rbf网络收敛的更快，并且只需设置光滑因子σ，同时为了消除人为设置光滑因子对神经网络的影响，采用蚁群算法(iaca)来优化广义回归神经网络模型，从而得到最优的光滑因子，使得利用广义回归神经网络模型计算电池健康状态信息更加准确可靠，满足实际使用需求。