基于动态工况模型误差特征的动力电池健康状态估计方法

发明涉及动力电池安全，具体是指新能源汽车动力电池系统健康状态估计领域，尤其涉及多个动态工况下放电的动力电池健康状态估计方法。

背景技术：

1、随着汽车大规模普及和使用，汽车保有量越来越高。与此同时，燃油汽车尾气排放对大气的影响也越来越严重。随着世界各国对环保问题越来越重视，发展新能源汽车已经成为国家节能减排战略及发展低碳经济的重要战略手段。锂离子电池作为一种清洁的储能技术，也成为电动汽车最具发展前景的候选电池之一。虽然锂电池具有能量密度高、工作温度范围宽的优势，但容量和功率方面的性能会随着使用时间的增长而逐渐恶化。更严重的是，电池老化还可能导致电解液泄漏和微小短路，这可能造成电池故障并引发热失控，从而导致灾难性事故发生。因此，为了确保电动汽车的可靠运行，并避免此类事故的发生，具有监测电池soh功能的电池管理系统的作用至关重要。

2、锂电池soh评估方法可以根据不同的分类标准分为多个类别。例如，基于模型的预测方法利用物理、化学和电学原理来建立电池的数学模型，通过对模型参数进行估计，预测电池的soh。这些方法可以用于研究电池在不同工作条件下的性能，并提供对电池soh的量化评估。数据驱动方法、随机技术、统计方法和自适应方法等都属于基于数据的方法，将这些方法归类于数据驱动类别，数据驱动方法主要通过处理大量现场测试数据来推断电池的健康状况，使用统计分析、机器学习和人工智能等技术，从数据中提取特征并构建soh预测模型。混合方法将相同或不同类型的方法结合在一起的方法。混合方法结合了基于模型的方法和数据驱动方法的优点，既能够准确地描述电池的物理行为，又能够利用大量测试数据进行校正和改进。这些方法可以使用模型和数据之间的互补性来提高预测精度。

3、在电动汽车应用中，开发一种简单有效的电池健康状态监测系统是一项重要任务。现有的电池soh估计方法通常选择电池在恒流或恒压充放电阶段的数据进行特征提取和建模，这对数据质量的要求很高。然而，由于用户给电池充电行为的随机性以及电池快速充电的策略不同，加之电动汽车实际运行过程中，一般涉及多种工况放电，导致电池的充放电特性多变，存在很强的工况不确定性。因此，如何从动态放电工况的数据中提取出合理有效的健康指标，仍然是解决动态工况下锂电池soh评估的关键。

技术实现思路

1、为解决现有技术的不足，本发明提供基于动态工况模型误差特征的动力电池健康状态估计方法，基于电池老化状态与模型电压误差的相关关系，从四种动态工况的模型电压误差中提取健康特征，构建多个动态工况下的soh估计模型，模型具有良好的精度和泛化性能。

2、本发明为实现上述目的，采用以下技术方案：

3、基于动态工况模型误差特征的动力电池健康状态估计方法，其特征在于：包括以下步骤：

4、s1、采用thevenin模型构建电池模型；

5、s2、电池模型的参数辨识；

6、s3、采用误差面积作为估计电池的老化特征；

7、s4、采用动态工况的电流均值作为工况特征；

8、s5、采用融合特征描述电池老化前后的差异；

9、s6、建立融合特征与电池soh之间的经验模型。

10、作为本技术方案的进一步限定，所述s1中电池初始循环的电池模型，如式(1)、(2)、(3)所示：

11、                                （1）

12、                 （2）

13、                           （3）

14、式中：下标 k为第 k个采样时刻； ut为电池端电压； uoc为开路电压； z为电池荷电状态； up为极化电压；系数 a0~ a6由离线ocv实验确定；δ t为采样间隔； il为电池工作电流，取放电为正。

15、作为本技术方案的进一步限定，所述s2中，采用遗传算法对电池初始老化点的内部参数进行参数辨识，利用thevenin等效电路模型建立电池解析模型时，待辨识参数包括开路电压ocv、欧姆内阻 ro、极化内阻 rp和极化电容 cp，其中ocv与 soc之间的关系通过增量法ocv测试获得， ro、 rp和 cp与 soc之间的关系则是通过对hppc测试数据参数辨识获得。

16、作为本技术方案的进一步限定，所述s3中，将各老化点下的动态工况测试数据输入到电池模型中，得到模型的电压误差，提取各个老化点下不同工况的误差面积作为老化特征，所述误差面积的计算公式为：

17、    （4）

18、式中， sv为放电电压积分， uerror为端电压误差， tend为 soc到达0.5的时间。

19、作为本技术方案的进一步限定，所述s4中，提取动态工况放电测试的电流均值作为反映动态工况差异的工况特征，所述电流均值的计算公式为：

20、       （5）

21、式中，为放电电流均值， t为一个放电周期的时间，i(t)表示电流随时间变化的函数， tend为动态工况放电时间。

22、作为本技术方案的进一步限定，在所述s5中，所述融合特征的计算方式为：

23、采用二次多项式拟合，对初始老化点四种动态工况的误差面积和电流均值进行二次多项式拟合，拟合关系式如下：

24、      （6）

25、式中： x为初始老化点电流均值， y为初始老化点误差面积， k 0- k 2为多项式系数， i为动态工况；

26、采用融合特征描述电池老化前后的差异，计算公式为式：

27、                         （7）

28、式中： f为融合特征， j为不同老化点。

29、作为本技术方案的进一步限定，在所述s6中，建立融合特征与电池soh之间的经验模型，其中，采用遗传算法辨识模型的参数，采用基于双指数函数的经验模型来描述soh和融合特征之间的相关性，如式(8)所示：

30、                      （8）

31、式中：soh为健康状态， f为融合特征， b1~ b4为模型待辨识参数，e为指数。

32、对比现有技术，本发明的有益效果在于：

33、1、本方法所建立的soh估计模型，可以在工况不确定性的情况下对电池的soh进行精确估计；

34、2、本方法所建立的动力电池soh估计模型能够利用老化特征和工况特征融合后的特征估计电池soh，模型具有良好的精度；

35、3、本方法所建立的动力电池soh估计模型不需要大量数据进行训练，仅利用几个老化点的数据就能获得较高估计精度，计算量小。