一种基于容量增量曲线特征的锂离子电池容量估计方法

本发明属于锂离子电池，尤其是一种基于容量增量曲线特征的锂离子电容估计方法。

背景技术：

1、锂离子电池因具有高功率密度、高能量密度、长循环寿命、高安全性、低成本、重量轻、无记忆效应和环境友好等优点，被广泛应用于目前的储能系统、电动汽车和航天电源等领域。在长期使用中，锂离子电池会发生老化，具体表现为容量减少和阻抗增加等现象。容量减少将影响电池的充放电性能，并将进一步影响用电器件的功能和任务完成度，因此锂离子电池的容量估计在电池管理系统中显得尤为重要。锂离子电池容量估计方法可以分为四类：实验标定方法、半经验方法、贝叶斯估计方法和数据驱动方法。

2、实验标定方法采用标准容量标定实验对电池进行完整的充放电实验以获取其容量信息，其测量结果较为准确，但实际应用中较难得到完整充放电实验的数据，因此这一方法通常作为其他容量估计方法结果的验证。

3、半经验方法以大量实验为基础，分析电池容量衰减与温度和放电深度(dod)等应力因素之间的相关性，建立简单的如容量-温度-放电深度的半经验函数模型，通常分为日历老化模型和循环老化模型。然而，电池的老化通常受多种因素影响，半经验函数模型缺乏对多变量因素的考虑，其精度有限。

4、贝叶斯估计方法主要指卡尔曼滤波算法、粒子滤波算法等和电池模型结合的容量估计方法。此方法中，电池的容量被认为是模型中缓慢变化的状态，其值的变化对电池的开路电压和端电压都将产生影响。基于此，电池的电压误差反馈可用于其状态的更新，从而形成闭环的估计系统。此方法的缺点在于，需要对所用算法设置合理的初值，否则算法存在发散的风险，此外随着电池的老化，等效模型中的参数也会发生改变，需要设置额外的参数辨识方法。

5、数据驱动方法将电池视为一个黑箱，不考虑其内部发生的复杂电化学反应，直接从其充放电数据中提取特征值，作为机器学习和人工智能算法的输入，容量作为输出，建立两者之间的非线性映射关系。这一方法的精度受到输入数据质量的影响，因此，从电池充放电数据中获取与电池老化呈高度相关的特征是这一方法的关键。在电池的实际使用过程中，其放电通常受到负荷影响，放电数据存在不规律的可能，而充电过程较为可控。因此本发明提供一种基于充电过程容量增量曲线特征的锂离子电池容量估计方法。

技术实现思路

1、本发明的目的是提供一种基于容量增量曲线特征的锂离子电容估计方法。

2、为了达到上述目的，本发明提供了一种基于容量增量曲线特征的锂离子电池容量估计方法，具体步骤如下：.

3、(1)，收集锂离子电池全生命周期的原始充放电数据，所述原始充放电数据包括充放电时间、电流和电压；

4、(2)，根据步骤(1)得到的原始充放电数据，计算充电过程的容量增量(ic,incremental capacity)值，其计算式为：

5、

6、其中，ick为k时刻的容量增量值；uk为k时刻的电压值；qk为k时刻的容量值，uk-1为k-1时刻的电压值；qk-1为k-1时刻的容量值，由安时积分法计算，其离散计算式为：

7、

8、其中，qk为k时刻的容量值，ik为k时刻的电流值；δt为采样间隔；

9、(3)，由于步骤(1)得到的原始充放电数据受采样精度、采集设备噪声的影响，根据式(1)获取的容量增量值ic曲线存在数值波动的情况，将影响ic曲线中特征值的选取，使用移动平均方法对其进行平滑，其计算式为：

10、

11、其中，y为经过移动平均平滑后的数据；x为原始充放电数据；n为移动平均方法的平滑窗口大小；i为当前平滑点；j为平滑窗口中历经的点位；

12、(4)，对步骤(3)平滑后得到的ic曲线求其关于电压的一次导，也即其变化率，其计算式为：

13、

14、其中：dick为采样点k处的ic曲线一次导值；uk为k时刻的电压值；uk-1为k-1时刻的电压值；ick为k时刻的容量增量值；ick-1为k-1时刻的容量增量值；

15、(5)，标定ic曲线一次导曲线首次出现峰值的位置，取ic曲线一次导峰值、该一次导峰值位置对应的ic值和电压值作为用于锂离子电池容量估计的特征值；

16、(6)，以步骤(5)中获取的特征值为输入，电池的容量损失率作为输出，建立神经网络模型，容量损失率的计算式为：

17、

18、其中，dql为第l次循环时电池的容量损失率；qini为电池的初始容量；ql为第l次循环时电池的容量；

19、(7)，应用步骤(6)中构建的神经网络模型估计电池的容量，当得到模型输出的容量损失率估计值时，计算得到估计的容量值为：

20、

21、其中，为第l次循环时电池的容量估计值；为所建立的模型输出的第l次循环时电池容量损失率估计值。

22、本发明的有益效果在于：

23、本发明提出的一种基于容量增量曲线特征的锂离子电池容量估计方法，通过获取容量增量曲线初期变化率的极大值及其对应的电压值和容量增量值作为特征，并使用神经网络构建上述特征与锂离子电池容量损失率之间的映射关系，进而估计其容量。由于受温度、充放电倍率等影响，容量增量曲线的峰谷存在消失的情况，使得基于峰谷特征值的容量估计方法存在失效的风险。而无论容量增量曲线如何变化，其总会存在由平坦区转至陡峭区的过程，因此其曲线必然存在变化率的极大值。基于此，本发明提出的锂离子电池容量估计方法不受容量和充放电倍率的影响，且具有较高的精度与准确性，流程简易且系统性较高，适用于实际估计应用环境。

技术特征：

1.一种基于容量增量曲线特征的锂离子电池容量估计方法，其特征在于具体步骤如下：

技术总结
本发明涉及一种基于容量增量曲线特征的锂离子电池容量估计方法，收集锂离子电池全生命周期的原始充放电数据，根据原始充放电数据，计算充电过程的容量增量IC值，使用移动平均方法对其进行平滑，对平滑后的IC曲线求其关于电压的一次导，标定IC曲线一次导曲线首次出现峰值的位置，取IC曲线一次导峰值，该峰位置对应的IC值和电压值作为用于锂离子电池容量估计的特征值；特征值为输入，电池的容量损失率作为输出，建立神经网络模型，构建的神经网络模型估计电池的容量，计算得到估计的容量值。本发明提出的锂离子电池容量估计方法在提取特征时不受老化状态和充放电倍率的影响，且具有较高的精度与准确性，流程简易且系统性较高，适用于实际估计应用环境。

技术研发人员：孙耀杰,付诗意,王瑜
受保护的技术使用者：复旦大学
技术研发日：
技术公布日：2024/1/14