一种动力电池健康状态在线监测方法与流程

本发明涉及动力电池预测与健康状态管理领域，尤其涉及用于动力电池的预测与健康状态管理的模型，以及基于该模型建立的动力电池健康状态在线监测方法。

背景技术：

在动力电池的实际应用中，其健康状态(stateofhealth:soh)一般通过容量来表征。动力电池的容量随着电池的充放电而不断衰减，当衰减至初始容量的80％时，动力电池稳定性逐渐变差，而容量衰减则随着充放电的进行变得更快。因此，通常认为动力电池容量衰减至80％时即为故障发生，此时需要对电池进行更换或维修保养，以延长电池使用寿命，避免设备失效。

动力电池的soh估计方法通常可以分为两大类：一类是基于等效电路模型或者是电化学模型，并结合如卡尔曼滤波、粒子滤波等的技术实现动力电池soh的估计；另一类是基于动力电池信号使用特征工程技术提取电池健康因子(healthindicator:hi)。最常用的信号是动力电池端电压响应信号，比如基于动力电池放电电压曲线提取特征值作为电池的hi。对于上述第一类方法，虽然其能够基于在线测量的电流、电压以及温度估计电池老化状态，但是所需的动力电池在不同老化状态条件下开路电压(opencircuitvoltage:ocv)与电池荷电状态(stateofcharge:soc)的关系需要离线标定。同时，该类方法算法复杂，计算成本高，难于在线应用。第二类方法相对第一类方法存在一定优势，但由于电池电压响应受负载电流的影响很大，在实际应用时，比如电动汽车中，也存在放电电流会随着行驶工况的变化而剧烈变化的缺陷。因此，基于电池放电电压曲线难以提取出稳定的电池hi。相反，由于电子设备的充电过程如充电电流大小一般都是标准化的，因此可以基于电池放电电压曲线提取有效的动力电池hi指示其soh。有研究提取出了充电差分电压(differentialvoltage:dv)曲线指示电池的soh。还有研究基于充电电压曲线提取出了5个特征值指示电池soh，或者采用了重要性采样技术从充电电压曲线里提取出了11个样本作为电池的hi。所有这些研究的应用均需要基于整个充电范围内的电压值，即要求充电前，电池在使用过程中被使用以及放电到电池的低截止电压值，然而这一使用条件并不一定满足。因此，在当前应用背景技术下，如何基于常用的充电电压区间提取出有效的、稳定的电池hi，且算法简便、易于实现，具有重要的理论价值和应用意义。

技术实现要素：

为解决上述现有技术中存在的问题，实现动力电池soh的有效、稳定监测，本发明提出一种动力电池健康状态在线监测方法，基于常用充电电压范围曲线提取动力电池hi来实现，该方法包括以下步骤：

步骤一，依据动力电池规格对所述动力电池进行分组；

步骤二，在所述分组后的各组动力电池中选出一支进行不同温度下的循环充放电试验，获得充放电试验数据；

步骤三，在所述步骤二中得到的充电试验数据中，选取动力电池在实际使用过程中常用的充电电压范围，并提取所述充电电压范围对应的充电能量值；

步骤四，基于所述步骤二中得到的放电试验数据，提取出每一个循环的放电容量，并建立所述充电能量值与所述放电容量的对应关系模型；

步骤五，基于所述步骤四中得到的所述模型，输入动力电池在线提取的充电能量值，输出动力电池soh。

优选的，所述步骤一中进行的所述分组，是使用充放电设备对动力电池初始容量进行标定，将所述初始容量的差异小于2％的电池进行分为同一组。

在所述步骤二中，选择最常用的温度范围。试验中的充电条件：充电电流、恒流充电截止电压以及充电截止电流，为该类电池实际应用的充电条件，在充电过程中电池需充满，放电过程为恒流放电。

优选的，所述步骤三中的所述充电能量值通过以下公式得到：

其中，ech为充电能量值；ut为电池端电压；ust和uend分别表示充电起始、截止电压；it为充电电流。

优选的，所述步骤四中建立所述充电能量值与所述放电容量的对应关系模型基于高斯函数建立：

其中，ai,bi和ci代表拟合系数，ca代表放电容量，ech代表充电能量值。通常，n的最大值为8，在本发明中，n的设定值为2。

优选的，基于非线性最小二乘方法对所述模型进行拟合，由以下公式表示：

y＝f(x,β)+ε(3)

其中，y代表放电容量，为n行1列的观测值向量，f是关于β与x的高斯函数，β是m行1列的拟合系数向量，x表示充电能量值组成的矩阵，为基于模型的n行m列的设计矩阵，ε表示噪声，是n行1列的误差向量。

优选的，所述基于非线性最小二乘方法对所述模型进行拟合采用以下步骤计算；

第一步，使用启发式算法获得优化后的拟合系数初始值；

第二步，基于所述拟合系数计算所述模型的输出值

第三步，调整所述拟合系数，判定拟合效果；

第四步，返回所述第二步进行反复迭代，直到满足收敛条件。

优选的，所述第一步中的启发式算法采用遗传算法或粒子群算法。

优选的，在所述第二步中基于函数f(x,b)的雅克比计算矩阵，即其相对于拟合系数的偏微分导数构成的矩阵，计算所述输出值。

上述本发明所提供的动力电池健康状态在线监测方法，基于动力电池最常用的充电电压区间，提取出充电能量(ech)作为电池的hi。在每一个温度条件下，只需要一组离线的电池老化数据就可以构建起ech与电池soh的关系。所需的复杂计算仅为离线对ech与soh的关系进行非线性拟合，并且拟合模型便可以直接在线使用，能够实现运算量小、监测性能稳定等诸多有益效果。

附图说明

图1为动力电池soh在线监测方法流程图

图2为动力电池a、b、c、d的容量衰减曲线

图3为动力电池a在不同循环次数时的充电电压曲线

图4为动力电池a的充电能量值与放电容量在不同循环次数时的对应关系模型以及其拟合值

图5为动力电池b基于拟合后模型输出的soh估计值

图6为动力电池c基于拟合后模型输出的soh估计值

图7为动力电池d基于拟合后模型输出的soh估计值

具体实施方式

下面说明书附图对本发明所提供的方法做出进一步详尽的阐述和解释。

如图1所示，方法具体包括以下步骤：

步骤一，依据动力电池规格对所述动力电池进行分组；

步骤二，在所述分组后的各组动力电池中选出一支进行不同温度下的循环充放电试验，获得充放电试验数据；

步骤三，在所述步骤二中得到的充电试验数据中，选取动力电池在实际使用过程中常用的充电电压范围，并提取所述充电电压范围对应的充电能量值；

步骤四，基于所述步骤二中得到的放电试验数据，提取出每一个循环的放电容量，并建立所述充电能量值与所述放电容量的对应关系模型；

步骤五，基于所述步骤四中得到的所述模型，输入动力电池在线提取的充电能量值，输出动力电池soh。

在本申请的一个具体实施例中，所述步骤一中进行的所述分组，是使用充放电设备对动力电池初始容量进行标定，将所述初始容量的差异小于2％的电池进行分为同一组。

在所述步骤二中，选择最常用的温度范围。试验中的充电条件：充电电流、恒流充电截止电压以及充电截止电流，为该类电池实际应用的充电条件，在充电过程中电池需充满，放电过程为恒流放电。放电条件可以选择最接近实际应用的放电倍率，此时本发明应用效果最好，也可以选择符合说明书规格的任何放电倍率，放电截止条件为规格书规定的下截止电压。充电过程、放电过程之间的静置时间可以选择为30分钟至2小时，静置时间越长，电池静置越充分，此时越接近实际应用条件，本发明应用效果越好。

在本申请的一个优选实施例中，所述步骤三中的所述充电能量值通过以下公式得到：

其中，ech为充电能量值；ut为电池端电压；ust和uend分别表示充电起始、截止电压；it为充电电流。

在本申请的一个优选实施例中，所述步骤四中建立所述充电能量值与所述放电容量的对应关系模型基于高斯函数建立：

其中，ai,bi和ci代表拟合系数，ca代表放电容量，ech代表充电能量值。通常，n的最大值为8，在本发明中，n的设定值为2。

在本申请的一个优选实施例中，基于非线性最小二乘方法对所述模型进行拟合，由以下公式表示：

y＝f(x,β)+ε(3)

其中，y代表放电容量，为n行1列的观测值向量，f是关于β与x的高斯函数，β是m行1列的拟合系数向量，x表示充电能量值组成的矩阵，为基于模型的n行m列的设计矩阵，ε表示噪声，是n行1列的误差向量。

在本申请的一个优选实施例中，所述基于非线性最小二乘方法对所述模型进行拟合采用以下步骤计算；

第一步，使用启发式算法获得优化后的拟合系数初始值；

第二步，基于所述拟合系数计算所述模型的输出值

第三步，调整所述拟合系数，判定拟合效果；

第四步，返回所述第二步进行反复迭代，直到满足收敛条件。

在本申请的一个优选实施例中，所述第一步中的启发式算法采用遗传算法或粒子群算法。

在本申请的一个优选实施例中，在所述第二步中基于函数f(x,b)的雅克比计算矩阵，即其相对于拟合系数的偏微分导数构成的矩阵，计算所述输出值。

图2-4示出了不同动力电池在不同条件下充放电数据及容量变化：

图2为动力电池a、b、c、d的容量衰减试验验数据，试验温度均为40度，充电过程均为恒流(constantcurrent:cc)-恒压充电(constantvoltage:cv),cc充电电流为0.5c，cc充电上截止电压为4.2v，cv充电截止电流为0.05c。放电过程均为cc放电，下截止电压为2.5v。对于电池a、b，其cc放电电流为1c，对于电池c、d，其cc放电电流分别为2c、3.5c，当第一次达到下截止电压后，所有电池均再以0.5c倍率恒流放电至下截止电压。充放电之间的静置时间为30分钟。放电容量为两次cc放电容量的和。电池a、b、c、d的初始容量标定值分别为：2.776，2.757，2.824，2.784，则电池b、c、d与电池a的初始容量差异分别为0.68％,1.73％以及0.29％。

图3为电池a在不同循环次数的充电电压曲线，可见其恒流段的电压曲线随着循环次数的增加左移。图3(a)可见，从3.5v之后，不同老化状态下的电压曲线差距明显增大，因此，选择3.5v为起始电压，由于实际应用中的电子设备一般都会充电至上截止电压，因此，选择上截止电压为4.2v，图3(b)画出了电池a在不同老化状态条件下3.5v-4.2v的充电电压曲线，其变化趋势与图3(a)相似，充电能量即为该电压范围内的能量值。

图4为电池a在不同循环次数时所提取出的充电能量与容量的试验数据，拟合值基于高斯函数获得，回归系数r平方为0.9967，可见高斯函数描述了充电能量与容量之间很强的回归关系，拟合值与真实值的均方根误差(rootmeansquareerror:rmse)为8.27e-3ah，可见拟合精度很高。下面，将该拟合模型应用到电池b、c、d的试验数据中，以验证该拟合模型对电池soh的在线估计精度。

图5-7示出了通过模型拟合输出的soh情况及其与真实值之间的对比情况：案例一：在线监测动力电池b的soh。

图5所示为高斯函数在线估计动力电池soh的结果，图5(a)为不同循环次数时动力电池b的soh真实值以及基于高斯函数的估计值，图5(b)为估计误差。可见，基于动力电池a离线数据拟合后的高斯函数可以实现动力电池b的soh的精确在线监测，其估计误差基本上均在1％以内，400个循环以后，其soh估计误差基本上均在0.5％以内。

案例二：在线监测动力电池c的soh。

图6所示为高斯函数在线估计动力电池soh的结果，图6(a)为不同循环次数时动力电池c的soh真实值以及基于高斯函数的估计值，图6(b)为估计误差。可见，基于动力电池a离线数据拟合后的高斯函数可以实现动力电池c的soh的较为精确在线监测，其估计误差基本上均在1％以内，然而500个循环以后，其soh估计误差逐渐增大并超过1％。产生这一较大误差的原因是电池c与电池a的特性差异较大，初始容量差异达到1.73％，此时电池c与电池a的衰减轨迹不同，因此当基于电池a的试验数据拟合的高斯函数用于在线估计动力电池c的容量时，会产生较大的误差。因此，使用该方法时，若想获得较好的效果，则需要依据电池初始容量标定值进行筛选，如要求容量在线估计误差在2％以内，此时建议将容量差异在2％以内的电池进行分组、应用。

案例三：在线监测动力电池d的soh。

图7所示为高斯函数在线估计动力电池soh的结果，图7(a)为不同循环次数时动力电池d的soh真实值以及基于高斯函数的估计值，图7(b)为估计误差。可见，基于动力电池a离线数据拟合后的高斯函数可以实现动力电池d的soh的精确在线监测，虽然估计值波动较大，但其估计误差绝大部分仍在1％以内，400个循环以后，其soh估计误差精度逐渐提升。

由此可见，在某一温度下，本发明所提供的方法只需一个样本的离线试验数据即可拟合出具有高精度的模型，且较为复杂的非线性拟合过程只在离线过程进行，因此，该算法易于在线应用，并具有良好的效果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。