一种基于支持向量回归的锂离子电池容量在线估计方法与流程

本申请涉及电池管理和电池状态分析领域，特别是一种基于支持向量回归的锂离子电池容量在线估计方法。

背景技术：

锂离子电池由于其能量密度高、循环寿命长、安全性高等特点，被广泛应用于电动汽车领域。随着锂离子电池在使用过程中循环次数的增加，其各方面外部特性会出现劣化，具体表现为有效容量减少、充放电内阻增大等。

锂离子电池的容量估计是电池管理的核心问题之一，在判断电池当前劣化状态、预估电池剩余使用寿命、避免电池提前失效等方面都具有重要意义。然而，在实际应用中，电池的容量一般通过对电池进行满充满放的离线测试方法获得，无法针对电池的实时容量变化进行更新。

技术实现要素：

针对上述问题，本发明提供一种基于支持向量回归的锂离子电池容量在线估计方法，通过在线获取电池充电等效内阻值，作为容量估计模型的输入，从而实时估计电池的有效容量。

本发明的技术方案包括以下步骤：

S1.对锂离子电池进行循环寿命测试，获取相应的直流等效内阻谱。

（1）对锂离子电池进行循环充放电测试。设定循环寿命测试的实验条件，利用固定环境温度与固定充放电倍率，对电池进行不间断循环充放。

（2）对锂离子电池进行评测。每循环一段时间后，暂停循环，并对电池进行容量评测与充电等效内阻评测，获得电池有效容量值、充电等效内阻曲线。其中，充电等效内阻由如下公式计算：

（1）

其中，为电池在充电带载工作时的端电压，称为充电工作电压， 为电池在充分搁置后的端电压，称为充电开路电压，为充电过程中实时监测到的电流大小。

（3）判断循环寿命测试的终止条件。记 为电池的标称容量。若电池有效容量值与标称容量的比值小于0.7，则停止电池循环寿命测试，否则，返回步骤（1）继续测试。

通过步骤（1）的循环充放电测试，使锂离子电池加速劣化，通过步骤（2）的评测测试，获得相应劣化程度下的有效容量值与充电等效内阻谱，其中，充电等效内阻谱是横坐标为电池荷电状态，纵坐标为充电等效内阻的曲线。通过完成循环寿命测试，获得由多条充电等效内阻曲线组成的锂离子电池全生命周期内阻谱系列。

S2. 基于直流等效内阻谱提取能够反映锂离子电池性能退化的潜在健康因子，对其进行相关性分析。

（1）利用线性插值的方法，从荷电状态为0开始，每隔10%提取不同劣化状态下电池样本的充电等效内阻，获得9个潜在健康因子。

（2）对充电等效内阻与荷电状态做差分运算，获得充电等效内阻增量曲线，提取不同劣化状态下电池样本的内阻增量峰值及其峰值点，获得2个潜在健康因子。

（3）选择容量衰减量作为电池劣化程度的衡量指标，容量衰减定义如下：

（2）

（3）

其中， 为电池的标称容量，为电池在某次循环下的有效容量值， 为表征电池劣化状态的衡量指标。

（4）利用Spearman相关系数对上述步骤（1）、（2）获得的11个潜在健康因子及劣化指标做相关性分析。

S3. 基于支持向量回归算法构建容量估计模型。

根据步骤S2中的相关性分析结果，选取相关系数大于0.8的健康因子作为输入量，选取相应劣化程度下的有效容量值作为输出量，采用支持向量回归算法构建容量估计的非线性回归模型。

S4. 获取待估计电池当前的充电数据以及充电等效内阻曲线，所使用的充电方法与步骤S1中的相同。

S5. 根据步骤S3建立的容量估计模型，由提取的健康因子参数值确定电池的当前容量。

根据步骤S3所建立的非线性回归模型，以步骤S4提取的健康因子参数值作为输入量，通过模型计算获得输出的有效容量值，即为电池的当前容量。

本发明的有益效果：与现有技术相比，本发明方法中建立了一种基于支持向量回归算法对处于不同循环工况下的锂离子电池进行容量建模，实现了锂离子电池健康状态的在线估计；支持向量回归，较之其他算法，是专门解决有限样本情况的机器学习，同时可以解决高维问题，有计算复杂度低、低泛化误差、容易解释等优点。本发明可在不需要了解电池内部特性的情况下，仅通过电池所表现的外部特性便可进行老化状态的监测，可操作性强。

附图说明

下面结合附图和实施例对本发明进一步说明：

图1是本发明的整体流程图；

图2是循环寿命测试的实验条件；

图3是锂离子电池的直流等效内阻谱；

图4是锂离子电池的直流等效内阻增量曲线；

图5是利用支持向量回归算法建立容量估计模型的估计结果；

图6是利用Spearman相关系数对11个潜在健康因子及劣化指标 进行相关性分析表格；

图7是锂离子电池容量估计模型性能评价指标表格。

具体实施方式

本发明提供的一种基于支持向量回归的锂离子电池容量在线估计方法，整体流程图如图1所示。根据本发明的实施例，具体包括以下步骤：

S1.对锂离子电池进行循环寿命测试，获取相应的直流等效内阻谱。

在进行循环寿命测试时，要控制充放电倍率、放电区间、放电深度及温度条件，对电池进行不间断循环充放。同类型锂离子电池不同工况下的样本，充放电倍率设置有0.5C、1C；放电深度设置有0.30、0.60；放电区间设置为上段（平均SOC为85%）、中段（平均SOC为50%）和下段（平均SOC为30%）；温度条件设置为40℃。具体实验条件设置如图2所示。

每循环一段时间后，暂停循环，并对电池进行容量评测与充电等效内阻评测，获得电池有效容量值、充电等效内阻曲线。由于锂离子电池小于0.7时，其性能已不满足电动汽车的使用需求。因此，当小于0.7时，即可结束循环寿命测试，其中，为电池的标称容量。

通过充电内阻评测，可以得到等效内阻谱，内阻谱反映了随着电池老化，电池等效内阻也会逐渐增大，如图3所示。

基于等效内阻谱可以提取电池的健康因子，包括不同SOC下的内阻、内阻增量峰值及峰值点。图4为内阻增量峰值及峰值点在电池不同劣化状态的体现。

S2.基于直流等效内阻谱提取能够反映锂离子电池性能退化的潜在健康因子，对其进行相关性分析。

在本步骤中，首先利用线性插值的方法，以10%SOC间隔提取不同劣化状态电池样本的等效直流内阻，共取得9个潜在健康因子；对内阻和SOC做差分运算得到内阻增量曲线，提取不同劣化状态电池样本的内阻增量峰值及其峰值点，该步骤获得2个潜在健康因子；选择容量衰减作为电池劣化程度的衡量指标；利用Spearman相关系数对上述获得的11个潜在健康因子及容量衰减做相关性分析，如图6所示。

S3.根据步骤S2中相关性分析的结果，选取与容量相关的健康因子，基于支持向量回归算法利用电池训练样本构建容量估计模型。

在本实例中，选择相关系数大于0.8的特征：R(SOC=0.7、R(SOC=0.8)、内阻增量峰值和峰值点作为模型的输入。支持向量回归较之其他算法，是专门解决有限样本情况的机器学习，同时可以解决高维问题，有计算复杂度低、低泛化误差、容易解释等优点，同时，锂离子电池的劣化程度与其不同工作环境下的内阻变化不成线性关系，利用支持向量回归算法能够在不需要了解电池内部特性变化的情况下得到锂离子电池的劣化情况。

S4.获取待估计电池当前的充电数据以及充电等效内阻曲线，所使用的充电方法与步骤S1中的相同。

S5.根据步骤S3建立的容量估计模型，由提取的健康因子参数值确定电池的当前容量。图5是选取70%的样本作为训练集30%的样本作为测试集的支持向量回归结果。图7为锂离子电池容量估计模型性能评价指标，相关误差较少，估计精度高，本估计方法实用可靠。