基于充电片段的电池健康状态估计方法及系统

本发明属于电池状态估计，具体涉及一种基于充电片段的电池健康状态估计方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、储能电池已经广泛应用于各种便携式电子设备、电动汽车和可再生能源系统等领域的高性能能量储存技术。其广泛应用源于其卓越的能量密度、高效率和轻量化等特点，使其成为现代生活和工业生产中不可或缺的一部分。然而，在工作温度、充放电循环、老化等因素的影响下，储能电池的性能会发生不同程度衰减与恶化，并产生多方面的安全隐患。

3、首先，电池容量下降会减少其续航时间，可能在关键时刻失效。其次，电池内部电阻的增加会引发更多的热量产生，特别是在高电流操作下，可能导致过热，从而增加了火灾或爆炸的风险。此外，老化可能导致电池单体之间性能不均衡，进一步加剧了安全问题。因此，准确、高效地的估计储能电池的健康状态(state of health,soh)对确保其可靠性和安全性至关重要。不准确的估计方法会导致用户无法准确了解电池的寿命和可用容量。此外，不准确的估计也可能导致不必要的资源浪费，包括电池的早期更换或维护，并对环境造成负面影响。

4、当前阶段，储能电池的健康状态估计方法包括：安时积分法、电化学阻抗谱法、基于模型的估计方法和基于数据驱动的估计方法。安时积分法通过对电池进行全充全放实验以计算充入/放出电量并将其用来表征电池健康状态，该方法的缺陷是实际中全充/全放工况难以获得；电化学阻抗谱法能够通过测量阻抗信息建立其与电池健康状态的映射关系并实现准确估计，该方法的缺陷是对设备要求较高，难以实际应用；基于模型的估计方法通过建立参数辨识实现电池健康状态的估计，该方法的缺陷是模型建立复杂、参数辨识敏感度高；基于数据驱动的估计方法通过提取数据中的健康因子建立其与电池健康状态的映射关系并实现准确估计，该方法应用广泛、精度较高，但实际中不规律的充放电数据给健康因子的提取造成了阻碍，因此该方法的适用范围仍需加强。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于充电片段的电池健康状态估计方法及系统，本发明将不同循环的充电片段中的充电量作为健康因子，并利用机器学习算法构建健康因子与电池健康状态的映射关系模型。本发明解决了现有方法需要完整充放电数据的局限，在实际复杂工况中实现了电池健康状态的准确、快速估计。

2、根据一些实施例，本发明采用如下技术方案：

3、一种基于充电片段的电池健康状态估计方法，包括以下步骤：

4、获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；

5、基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；

6、基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；

7、构建健康因子与电池健康状态的映射关系模型；

8、根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。

9、作为可选择的实施方式，获取循环老化数据的具体过程包括，获取循环充放电实验过程中包含电压、电流、充电量、放电量的电池循环老化数据，所述循环充放电实验过程包括：

10、在恒定温度下，以固定充电倍率对储能电池采用先恒流后恒压的充电策略进行充电实验，使电压、电流均达到规定的截止阈值；

11、以固定放电倍率对储能电池采用恒流的放电策略进行放电实验，使电压达到规定的截止阈值；

12、储能电池放电结束后，记录该过程中的总放电量，并将其作为真实容量的参考值；

13、重复上述步骤，直至储能电池容量衰退至设置值的额定容量。

14、作为进一步的，充放电期间存在一段时间的静置，放电结束后进行一段时间的静置。

15、作为可选择的实施方式，提取每个循环中恒流充电阶段的电压-充电量数据前，对循环老化数据进行预处理，所述预处理过程包括：

16、当数据中出现部分参数空缺时，对空缺处进行填补或删除；

17、当数据中出现与实验要求和实际情况差异度超过设定阈值的异常值时，对异常值进行删除或修正。

18、作为可选择的实施方式，提取每个循环中恒流充电阶段的电压-充电量数据的具体过程包括：基于所述电池循环老化数据，获取每个循环中恒流充电阶段的电压增长数据和充电量增长数据；

19、基于所述电压增长数据和充电量增长数据，指定充电量qcc数据为x轴，电压vcc数据为y轴，拟合恒流充电阶段的电压-充电量曲线。

20、作为可选择的实施方式，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子的具体过程包括：

21、基于所述恒流充电阶段的电压-充电量曲线，按照电压范围将其划分为充电时间占比相差小于设定范围的若干个电压片段；

22、选取若干个电压片段中的净充电量qn为健康因子。

23、更进一步的，在某电压片段pn中，初始充电量定义为qi，末端充电量定义为qf，将该电压片段所对应的健康因子qn定义为：

24、qn＝qf-qi。

25、作为可选择的实施方式，构建健康因子与电池健康状态的映射关系模型的具体过程包括：

26、选取或/和组合若干电压片段健康因子；

27、将电池循环老化数据分割为训练集和测试集；

28、建立神经网络模型，形成储能电池健康状态估计模型；

29、使用训练集对储能电池健康状态估计模型进行训练；

30、使用测试集评估储能电池健康状态估计模型的性能，利用均方根误差(root meansquare error,rmse)作为衡量模型估计精度的指标；

31、重复上述步骤，直到均方根误差到达预设条件。

32、进一步的，使用训练集对储能电池健康状态估计模型进行训练的具体过程包括：训练前，对储能电池健康状态估计模型的参数进行初始化；

33、每个训练迭代中，将健康因子输入网络并通过前向传播计算预测值，并利用损失函数度量预测值与实际值的差异；

34、根据损失，通过反向传播计算梯度以实现模型参数更新；

35、重复前向传播、反向传播和参数更新的步骤，直至训练结束。

36、进一步的，通过反向传播计算梯度以实现模型参数更新的过程包括：将旧模型参数θold利用学习率α和梯度g更新参数值θnew，具体为：

37、θnew＝θold-α·g。

38、作为可选择的实施方式，确定当前电池健康状态的具体过程包括：根据实际中的充电数据，提取有效的电压片段并计算对应的健康因子；

39、基于所述健康因子，选取其对应的映射关系模型以估计储能电池可用容量qe；

40、基于储能电池标定容量qn和可用容量估计值qe，计算当前储能电池的健康状态估计值，所述估计值为可用容量估计值qe和储能电池标定容量qn的比值。

41、一种基于充电片段的电池健康状态估计系统，包括：

42、数据获取模块，被配置为获取储能电池在先恒流后恒压充电策略和恒流放电策略下的循环老化数据；

43、数据提取模块，被配置为基于所述循环老化数据，提取每个循环中恒流充电阶段的电压-充电量数据；

44、健康因子提取模块，被配置为基于所述电压-充电量数据，按照电压范围和充电时间划分出若干个电压片段，并提取各个电压片段的健康因子；

45、模型构建模块，被配置为构建健康因子与电池健康状态的映射关系模型；

46、健康状态估计模块，被配置为根据实际中的充电数据，提取电压片段，并计算对应的健康因子，基于所述健康因子，根据构建的映射关系模型，确定当前电池健康状态。

47、与现有技术相比，本发明的有益效果为：

48、(1)相较于现有的基于完整充放电循环数据的电池健康状态估计方法，本发明不需要完整的充放电数据，也不需要使用复杂的参数辨识模型，仅在有限的恒流充电片段中就能提取出有效的健康因子用于电池健康状态估计。

49、(2)相较于现有的从片段数据中提取的健康因子(如容量增量曲线、弛豫电压、电流均值等)，本发明将多段电压片段中的充电量作为健康因子，充电量可以直接通过测量得到，不需要额外的数据处理和复杂的计算过程。

50、(3)相较于现有的技术中获取健康因子的前提严苛，本发明具有灵活的健康因子组合方式，并且健康因子不局限于某个充电循环，相邻多个充电循环内的可用电压片段均可用于提取健康因子，提高了所述方法的适用性。

51、(4)相较于现有的电池剩余容量检测和健康状态估计技术，本发明能够大幅减少估计时间、提高检测效率、保证检测精度。经过仿真实验，当p9段充电量作为健康因子时，rmse仅为0.033；当p2+p3和p9+p11作为健康因子组合时(两片段相邻20个循环)，rmse仅为0.045和0.027。

52、(5)本发明的计算复杂度低、抗波动能力强，能够依托于储能电池循环老化数据构建健康因子与电池健康状态的映射关系模型，并对实际复杂工况中的电池健康状态进行准确、快速估计。

53、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。