一种基于交流阻抗测试的锂电池健康估计方法与流程

本发明涉及电池健康状态评估的，尤其涉及一种基于交流阻抗测试的锂电池健康估计方法。

背景技术：

1、电化学交流阻抗谱在电池健康状态soh估计有着非常广泛的应用，尤其在锂离子电池健康状态估计中，其中部分技术利用宽频带的交流阻抗谱特性，即利用所有频率点的交流阻抗谱数据，xu等人通过构建宽频带eis提取的特征利用极限学习机elm方法进行容量的估计，zhang等人收集20000多个锂离子电池的电化学阻抗谱eis数据，并将所有的数据利用高斯过程回归模型进行健康状态的预测；也有部分技术将锂离子电池建立等效电路模型，marvin等人考虑到锂离子电池在静止状态弛豫效应的影响，利用eis测试数据分析分数阶模型中的阻抗参数进而预测电池的健康状态，考虑到特定频率点eis相位数据与锂离子电池老化行为较为相关，fu等人利用特定频率点的eis相位数据建立了电池健康状态的估计模型。

2、目前上述电池健康状态的评估方法主要存在以下问题：

3、1、利用宽频带和特定频率点的eis测试数据进行研究的方法，都未考虑不同数据对预测结果的重要性，而某些频段的eis测试数据与电池老化行为更相关，因此可能会造成输出结果误差或模型鲁棒性差，也会增加模型过拟合的风险。

4、2、基于分数阶等模型利用eis测试数据的研究方法，预测结果的精确度极大的依赖于模型的准确度，而相对简单的模型结构可能难以反映复杂的电化学机理，从而难以确保电池整个生命周期的准确估计。

5、3、采用数据驱动的方法相对于采用神经网络或极限学习机elm等回归模型，其复杂的算法模型可能造成在线状态预估的实时性较差，并消耗一定的算力资源。

技术实现思路

1、本发明提供了一种基于交流阻抗测试的锂电池健康估计方法，解决了现有预测方法的泛化能力差，多于依赖预测模型等技术问题。

2、本发明可以通过以下技术方案实现：

3、一种基于交流阻抗测试的锂电池健康估计方法，采集不同电池健康状态soh的电芯在不同soc条件下进行电化学阻抗谱eis实验的测试数据，并保存成矩阵结构，采用均值矩阵对测试数据进行中心化预处理，再利用pca主成分分析方法对预处理后的测试数据进行降维处理，用降维处理后的测试数据对支持向量机回归模型svr进行训练，最后使用训练好的支持向量机回归模型svr对待检电芯的电池健康状态进行回归估计。

4、进一步，按照降序，将soh值等间隔划分成多个soh区间，对于每个soh区间，选择具有对应soh区间最大soh值的一个或者多个电芯，按照降序每间隔soh设定阈值采集一次测试数据，每次测试数据均包括15％soc、50％soc、95％soc三个soc点分别进行eis实验的测试数据，每次eis实验均采集多个频率点的测试数据，将所有测试数据以soc值升序变化为列向量、soh值降序变化为行向量排列成矩阵x′。

5、进一步，对于同一个soc值，计算同一频率点上所有soh值下对应测试数据的均值，构造以soc值升序变化为列向量、频率变化为行向量的均值矩阵利用方程式对矩阵x′进行中心化预处理，其中，x表示中心化后的矩阵。

6、进一步，每间隔5％soh将soh值从100％soh至75％soh划分成多个soh区间，所述soh设定阈值设置为0.05％soh，每个频率点的测试数据均包括实部值、虚部值和幅度值，所有的电芯均来自同一批次。

7、进一步，依据pca主成分分析方法，先计算矩阵x的协方差矩阵c，再对协方差矩阵c进行特征值分解，将获取的特征值按照从大到小排序，计算每一特征值占最大特征值的比例，选取大于85％的特征值作为特征向量的主成分，最后将矩阵x投影到选定的主成分上，得到降维后的矩阵y，完成降维处理。

8、进一步，采集待检电芯在不同soc条件下进行电化学阻抗谱eis实验的测试数据，经由中心化预处理、降维处理后输入训练好的支持向量机回归模型svr进行电池健康状态回归估计。

9、本发明有益的技术效果如下：

10、1、利用电池在不同老化状态下不同soc点所测量的eis数据，这些数据包括频率、阻抗、相位等信息，将其采用主成分分析方法pca进行数据降维，即得到了一组新的输入数据，其中考虑到了不同数据对估计结果影响的重要性特征。

11、2、采用主成分分析方法pca及支持向量回归模型svr等数据驱动手段，在不同类型数据和工作条件中，具有更好的适应性，减少了繁琐的人工提取模型参数等步骤。

12、3、采用主成分分析方法pca对数据预处理以及特征提取为小样本数据驱动算法如支持向量回归模型svr提供了运行可行性，而采用支持相对小样本的支持向量回归模型svr数据驱动算法，相比于更复杂的神经网络结构，本发明的所提出的方法有利于实际硬件设备的运行，更加快速便捷。

技术特征：

1.一种基于交流阻抗测试的锂电池健康估计方法，其特征在于：采集不同电池健康状态soh的电芯在不同soc条件下进行电化学阻抗谱eis实验的测试数据，并保存成矩阵结构，采用均值矩阵对测试数据进行中心化预处理，再利用pca主成分分析方法对预处理后的测试数据进行降维处理，用降维处理后的测试数据对支持向量机回归模型svr进行训练，最后使用训练好的支持向量机回归模型svr对待检电芯的电池健康状态进行回归估计。

2.根据权利要求1所述的基于交流阻抗测试的锂电池健康估计方法，其特征在于：按照降序，将soh值等间隔划分成多个soh区间，对于每个soh区间，选择具有对应soh区间最大soh值的一个或者多个电芯，按照降序每间隔soh设定阈值采集一次测试数据，每次测试数据均包括15％soc、50％soc、95％soc三个soc点分别进行eis实验的测试数据，每次eis实验均采集多个频率点的测试数据，将所有测试数据以soc值升序变化为列向量、soh值降序变化为行向量排列成矩阵x′。

3.根据权利要求2所述的基于交流阻抗测试的锂电池健康估计方法，其特征在于：对于同一个soc值，计算同一频率点上所有soh值下对应测试数据的均值，构造以soc值升序变化为列向量、频率变化为行向量的均值矩阵x，利用方程式x＝x′-x，对矩阵x′进行中心化预处理，其中，x表示中心化后的矩阵。

4.根据权利要求3所述的基于交流阻抗测试的锂电池健康估计方法，其特征在于：每间隔5％soh将soh值从100％soh至75％soh划分成多个soh区间，所述soh设定阈值设置为0.05％soh，每个频率点的测试数据均包括实部值、虚部值和幅度值，所有的电芯均来自同一批次。

5.根据权利要求3所述的基于交流阻抗测试的锂电池健康估计方法，其特征在于：依据pca主成分分析方法，先计算矩阵x的协方差矩阵c，再对协方差矩阵c进行特征值分解，将获取的特征值按照从大到小排序，计算每一特征值占最大特征值的比例，选取大于85％的特征值作为特征向量的主成分，最后将矩阵x投影到选定的主成分上，得到降维后的矩阵y，完成降维处理。

6.根据权利要求1所述的基于交流阻抗测试的锂电池健康估计方法，其特征在于：采集待检电芯在不同soc条件下进行电化学阻抗谱eis实验的测试数据，经由中心化预处理、降维处理后输入训练好的支持向量机回归模型svr进行电池健康状态回归估计。

技术总结
本发明涉及电池健康状态评估的技术领域，公开了一种基于交流阻抗测试的锂电池健康估计方法，采集不同电池健康状态SOH的电芯在不同SOC条件下进行电化学阻抗谱EIS实验的测试数据，并保存成矩阵结构，采用均值矩阵对测试数据进行中心化预处理，再利用PCA主成分分析方法对预处理后的测试数据进行降维处理，用降维处理后的测试数据对支持向量机回归模型SVR进行训练，最后使用训练好的支持向量机回归模型SVR对待检电芯的电池健康状态进行回归估计。通过将主成分分析方法PCA和支持向量机回归模型SVR相结合的方式对待检电芯进行SOH回归预测，减少了物理或电化学模型所带来的建模误差，提高了预测方法的泛化性。

技术研发人员：蔡钦,胡泽明,莫永聪,苏昊,荀海波,尹秋帆,胡道徐
受保护的技术使用者：上海稊米汽车科技有限公司
技术研发日：
技术公布日：2024/1/15