本发明属于电池健康状态估计,具体涉及一种基于片段充电数据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、随着电动汽车的大量普及,锂离子电池的安全问题日益突出。而健康状态(stateof health,soh)是电池的电量、能量、充放电功率等健康状态的具体体现。对健康状态精准评估可充分了解电池当前的状态,从而更正各项参数性能指标,降低危险系数,或对性能不满足使用要求的单体电池进行维护替,降低使用成本。故精准快速评估电池健康状态成为电池研究的重点和难点。
3、目前现有的soh估计方法大概分为实验估计法、基于模型法和数据驱动法,实验估计法虽然简单直接但是设备要求较高且耗时较长。基于模型的方法估计精度高、鲁棒性好,能够在线分析但是计算量较大且易受模型噪声的影响,而数据驱动的方法无需考虑充放电过程中的复杂电化学反应,不依赖模型且自适应程度较好,不需要复杂的建模就可以实现对soh的精准估计。
4、为了解决soh精准快速估计的难题,一些技术被提出。如中国发明专利cn202211033008.9提出了一种基于恒压充电电流的锂电池soh估计方法,提取电池恒压充电阶段的电流作为特征并输入到lstm网络中。该方法需要得到全寿命周期的充电数据,测试数据获取时间长且较为繁琐。中国发明专利cn 202310857464.3提出了一种基于局部阶段充电数据的soh估计方法,获取电池老化循环数据库并从中提取健康因子,并根据神经网络建立电池的健康状态估计模型。该方法需要构建神经网络模型,并不能满足实际应用情况中电池数据高效处理的需求。
5、现有的数据驱动估计soh方法大致分为数据获取、特征提取、模型输入和soh估计这几个步骤,这类方法需要获得全soc范围内的充电或者放电数据,而实际情况下由于充电过程依赖用户习惯,充电起始电压或soc不确定,会大大影响估计精度。
技术实现思路
1、本发明为了解决上述问题,提出了一种基于片段充电数据的电池健康状态估计方法及系统,本发明选取充电数据中区间电压对应的容量差对电池健康状态soh进行定义并评估,充分保证了估算方法在充电数据不同soc跨度时都可以有较好估计能力。
2、根据一些实施例,本发明采用如下技术方案:
3、一种基于片段充电数据的电池健康状态估计方法,包括以下步骤:
4、根据多个锂电池在不同工况下的循环充放电实验结果,得到各循环下完整soc跨度的充放电数据,根据放电总容量计算电池健康状态;
5、将充电数据根据充电电压分布区间划分为跨度一定的区间段,并计算各区间段的容量差,将各个容量段作为估算特征;
6、将各特征进行组合,形成新的组合特征;
7、计算各组合特征之间的相似性,选择最相似的特征组合作为电池健康状态计算特征;
8、根据选取的特征组合重新计算电池健康状态,得到评估结果。
9、作为可选择的实施方式,根据放电总容量计算电池健康状态的过程中,所述电池健康状态为当前电池容量和额定容量的百分比。
10、作为可选择的实施方式,各区间段的容量差为相邻两个区间段对应的容量边界的差值。
11、作为可选择的实施方式,将各特征进行组合时,容量进行加合作为新的组合特征。
12、作为可选择的实施方式,n个特征组合得到n!个组合特征。
13、作为可选择的实施方式,计算各组合特征之间的相似性时,计算计算各组合特征之间的皮尔逊相关系数。
14、作为进一步的实施方式,所述皮尔逊相关系数最大的特征组合为选定的特征组合。
15、作为可选择的实施方式,根据选取的特征组合重新计算电池健康状态的过程为:
16、
17、cv1和cv2为选定的相关系数最大的组合特征容量,上下分母分别为当前循环和初始循环对应的容量差。
18、一种基于片段充电数据的电池健康状态估计系统,包括:
19、数据获取模块,被配置为根据多个锂电池在不同工况下的循环充放电实验结果,得到各循环下完整soc跨度的充放电数据,根据放电总容量计算电池健康状态;
20、分段模块,被配置为将充电数据根据充电电压分布区间划分为跨度一定的区间段,并计算各区间段的容量差,将各个容量段作为估算特征;
21、特征组合模块,被配置为将各特征进行组合,形成新的组合特征;
22、选择模块,被配置为计算各组合特征之间的相似性,选择最相似的特征组合作为电池健康状态计算特征;
23、评估模块,被配置为根据选取的特征组合重新计算电池健康状态,得到评估结果。
24、一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
25、一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
26、与现有技术相比,本发明的有益效果为:
27、(1)本发明考虑到了在实际应用过程中锂离子电池不完全充放导致无法得到完整soc范围内的充放电数据的问题,提出了一种基于片段充电数据的电池健康状态soh定义方法,对比原有soh定义方法,该方法简单且数据完整性需求大大降低,可以更好满足实际情况。
28、(2)本发明将锂离子电池充电过程中区间电压对应的区间容量作为特征,多组特征组成不同的组合,大大提高了估计的灵活性。
29、(3)本发明考虑到了现有预测方法大多需要对特征进行网络训练,而实际使用过程中需要快速高效地估计的问题。不通过网络训练可以减少训练时间,在不损失较大精度的情况下极大地提高了估计速度。
30、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。
1.一种基于片段充电数据的电池健康状态估计方法,其特征是,包括以下步骤:
2.如权利要求1所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,根据放电总容量计算电池健康状态的过程中,所述电池健康状态为当前电池容量和额定容量的百分比。
3.如权利要求1所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,各区间段的容量差为相邻两个区间段对应的容量边界的差值。
4.如权利要求1所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,将各特征进行组合时,容量进行加合作为新的组合特征;n个特征组合得到n!个组合特征。
5.如权利要求1所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,计算各组合特征之间的相似性时,计算计算各组合特征之间的皮尔逊相关系数。
6.如权利要求5所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,所述皮尔逊相关系数最大的特征组合为选定的特征组合。
7.如权利要求1所述的一种基于片段充电数据的电池健康状态估计方法,其特征是,根据选取的特征组合重新计算电池健康状态的过程为:
8.一种基于片段充电数据的电池健康状态估计系统,其特征是,包括:
9.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7中任一项所述的方法中的步骤。
10.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7中任一项所述的方法中的步骤。