一种电池寿命状态识别方法与流程

本发明属于动力电池，电池寿命评估等技术，特别是涉及一种动力电池寿命状态识别方法。

背景技术：

随着经济的发展，煤炭、石油等能源严重短缺，开发和利用新能源成为世界各国可持续发展的必经之路。所以，目前对电动力的研究已成为主流研究方向。电池作为电动力产品的核心部件，其发展水平直接影响电动力产业的发展，只有技术成熟、成本低、安全性高的动力电池才能使电动产品得到广泛的发展。一方面我们应该研发高性能长寿命的动力电池；另一方面应该建立动力电池寿命评估方法和寿命模型，科学的评价和预测电池寿命。电池寿命状态识别问题是电池系统最为关键的问题之一，而电池寿命的长短可以通过电池等效内阻或者电池循环使用次数来表示，根据这两点，一种简单又有效地判断电池寿命状态的方法显得非常重要。

目前，对于动力电池寿命问题的研究，大部分是建立电池寿命模型。一些研究根据电池阻抗、容量、能量、功率等因素发生不同程度的衰退建立电池寿命等效模型，然后根据电流、电压、温度、等效内阻等因素识别、预测电池寿命状态；还有一些研究是建立电池循环寿命模型，这种方法可以预测电池未来的循环次数，但却不能识别当前的循环次数或者当前的寿命状态。而且这两类方法都需要搭建一个有效的电池系统模型，然而一个电池系统模型需要考虑大量的参数，参数的增多使得模型变得复杂，搭建电池等效模型也变得复杂。

根据以上分析，通过搭建电池等效模型来分析电池寿命的方法比较复杂。随着计算机技术的发展，基于数据驱动的识别方法得到很大发展，电池寿命状态识别技术也必定会向基于数据驱动的方向发展。而且，目前隐马尔科夫模型的识别技术在很多方面都已经有成熟的应用，所以本发明提出一种利用隐马尔科夫模型识别电池寿命状态的方法。

技术实现要素：

针对上述背景技术中存在的问题，本发明提出一种电池寿命状态识别方法，解决了物理模型参数配置复杂的问题，同时，解决了在线计算和动力电池在线识别的问题。

本发明采用的技术方案步骤如下：

一种电池寿命状态识别方法，用于实现在线计算和状态评估电池寿命状态，包括步骤：

A.采集动力电池系统在各个电池寿命状态下的端电压和充放电电流，对这两个参数集进行预处理；

B.对预处理后的数据进行特征值提取，将特征值归一化后得到隐马尔科夫模型的输入特征值序列；

C.建立特征值序列混合高斯分布模型，确定隐马尔科夫模型参数，建立适合电池寿命状态的隐马尔科夫模型；

D.采集观察数据，特征提取后，导入隐马尔科夫模型，计算前向概率；

E.比较各个模型输出的概率值，得到识别结果，然后跳转至步骤D，进行下一组观察数据的识别。

所述步骤A电池寿命状态按照等效内阻被划分为4个状态，标准内阻代表电池寿命初始状态，二倍、三倍标准内阻代表电池寿命中间状态，四倍标准内阻代表电池寿命失效状态。

所述步骤A采集动力电池系统在各个状态下的端电压和充放电电流，采集完成后对数据进行预处理，首先将端电压和充放电电流相除，将相除的结果与电压组成新的数据集。

所述步骤B对预处理后的数据进行特征值提取，提取U的均方值、有效值、均值、中位数和U/I的均值、离散系数。对U作最大值归一化，对U/I作[-1，1]归一化。当某一段数据的特征值提取完成后，更新数据段，提取下一段数据的特征值。

所述步骤C建立特征值序列混合高斯分布模型，将马尔科夫链与混合高斯概率的参数相结合，确定隐马尔科夫模型参数，将训练数据进行特征值提取后，利用前向-后向算法和Baum-Welch算法估计隐马尔科夫模型参数，进而获得各个状态所对应的模型参数。

所述步骤D采集观察数据，特征提取后，导入隐马尔科夫模型，计算前向概率，利用隐马尔科夫模型参数计算前向概率P(O|λ)公式如下所示：

α_i(1)＝π_ib_i(o₁)，1≤i≤N

${\mathrm{\α}}_j(t+1)=\left[{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(t\right)a_{\mathrm{ij}}\right]b_j\left(o_{t+1}\right),t=\mathrm{1,2},\·\·\·,T-\mathrm{1,1}\≤j\≤N$

P(O|λ)＝[α₁(T)，α₂(T)，…，α_N(T)]

其中π_i表示初始时刻状态i的概率，b_i(o_t)表示状态i下o_t的概率分布，a_ij 表示观察序列从状态i向状态j转移的概率，N表示状态数。

所述步骤E比较各个模型输出的概率值，得到识别结果。将步骤D中获得的P(O|λ)进行比较，P(O|λ)中最大的概率值所对应的电池寿命状态即为识别结果，保存识别结果，然后跳转至步骤D进行下一数据段的识别，直至完成所有观察序列的识别，通过上述方式实现在线计算和状态评估。

附图说明

图1是本发明建立电池寿命状态的隐马尔科夫模型流程图。

图2是本发明识别电池寿命状态的流程图。

具体实施方式

下面，结合附图对本发明的具体实施方式作进一步说明。

如图1与图2所示，本发明的具体实施过程和工作原理如下：

A.采集动力电池系统在各个电池寿命状态下的端电压和充放电电流，并对这两个参数集进行预处理；

B.对预处理后的数据进行特征值提取，将特征值归一化后得到隐马尔科夫模型的输入特征值序列；

C.根据电池寿命特点，建立混合高斯概率分布模型表征电池数据特征值序列的概率分布，利用采集的数据训练隐马尔科夫模型，获得模型参数；

D.采集观察数据，特征提取后，导入各状态隐马尔科夫模型，计算前向概率；

E.比较各个模型输出的概率值，得到识别结果，然后跳转至步骤D，进行下一组观察数据的识别。

步骤A中采集动力电池系统在各个状态下的端电压和充放电电流，比物理模型参数配置简单得多，采集完成后，用端电压除以电流。预处理后，每个状态的数据由两部分组成，分别是端电压和电压除以电流。

步骤B通过分析数据的特征，提取数据的时域特征值，分别是电压的均方值、有效值、均值、中位数和电压除以电流的均值、离散系数。电压部分的特征值采用最大值归一化进行处理，电压除以电流部分的归一化采用[-1，1]归一化处理，归一化后得到特征值序列。

步骤C建立电池寿命状态识别的隐马尔科夫模型，图1介绍建模的过程。电池的使用过程是一个电池退化过程，状态由好到坏，选用左-右型马尔科夫链，特征值概率分布利用三个混合高斯分布表示，公式如下

其中b_j(o_t)表示状态j下o_t的概率分布，Q表示高斯模块的个数，Q＝3，是状态j对应的第个高斯分布的平均值，是状态j对应的第个高斯分布的协方差，是状态j对应的第个高斯分布所占的权重。一个隐马尔科夫模型可以表示为其中π是初始概率，A是状态转移矩阵。利用前向-后向算法和Baum-Welch算法估计各个隐马尔科夫模型的参数，当达到收敛条件时，停止参数估计，保存模型参数，通过上述方法获得各个状态的隐马尔科夫模型参数。

图2中电池寿命状态识别对应步骤D和E。步骤D和E采集观察数据，观察数据的状态从标准等效内阻变化到四倍标准等效内阻。步骤D每采集到一段数据，完成特征提取后，将特征值序列导入隐马尔科夫模型中，得到每个模型计算的前向概率值P(O|λ)，计算公式如下：

α_i(1)＝π_ib_i(o₁)，1≤i≤N

${\mathrm{\α}}_j(t+1)=\left[{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(t\right)a_{\mathrm{ij}}\right]b_j\left(o_{t+1}\right),t=\mathrm{1,2},\·\·\·,T-\mathrm{1,1}\≤j\≤N$

P(O|λ)＝[α₁(T)，α₂(T)，…，α_N(T)]

其中π_i表示初始时刻状态i的概率，b_i(o_t)表示状态i下o_t的概率分布，a_ij表示观察序列从状态i向状态j转移的概率，N表示状态数，N＝4，表示P(O|λ)包含4种电池寿命状态的概率计算值。

步骤E比较前向概率值，找出最大的概率值，将此概率值对应的电池寿命状态作为识别结果，保存识别结果，然后跳转至步骤D进行下一数据段的识别，直至完成所有观察序列的识别，通过上述方式实现在线计算和状态评估。本识别方法无需电池离线，运行中的电池系统也可以用本识别方法进行电池寿命状态识别。