一种基于多参数融合的电池SOH在线估算方法及相关设备与流程
本发明涉及电池soh估算,尤其涉及一种基于多参数融合的电池soh在线估算方法及相关设备。
背景技术:
1、锂离子电池健康状态(soh)的准确估算是电池管理系统的核心功能之一。现有技术中,基于安时积分法的soh估算方法通过对充放电电流进行时域积分获取可用容量,该方法依赖完整的满充满放工况,在电动汽车频繁浅充浅放的实际使用场景中有效数据窗口长期缺失,累积误差随循环次数持续扩大,无法实时输出可靠的soh估算结果。
2、现有技术采用专用阻抗分析仪执行全频段离线扫频,测试周期长、硬件成本高,无法在车规级bms嵌入式处理器上实时执行,导致阻抗类特征在在线估算场景中难以实际应用。此外,现有技术存在训练样本在高soh区间集中、低soh区间稀缺的数据不平衡问题,导致模型对深度老化末期的估算偏差偏大;同时,不同电芯个体之间的一致性差异所引发的系统性估算偏差,在现有技术中缺乏有效的在线自动修正机制,误差随使用时间持续累积,无法保证全生命周期内的估算稳定性。
技术实现思路
1、本发明提供一种基于多参数融合的电池soh在线估算方法及相关设备,本发明解决了现有技术依赖单一宏观电量特征导致的老化机制感知不完整的技术问题,保证了锂离子电池全生命周期内健康状态估算结果的长期稳定性与自适应修正能力。
2、第一方面,本技术实施例提供了一种基于多参数融合的电池soh在线估算方法,包括:
3、采集锂离子电池充放电过程中的端电压采样数据和电流采样数据,并根据所述端电压采样数据和所述电流采样数据构建电化学特征向量;
4、基于所述电化学特征向量进行健康状态区间概率推理,得到健康状态估算值;
5、基于所述端电压采样数据和所述电流采样数据,对自回归等效电路模型的参数向量进行递推最小二乘在线辨识处理,得到健康状态参考值;
6、计算所述健康状态估算值与所述健康状态参考值之间的偏差值,并根据所述偏差值对所述健康状态估算值进行闭环修正,得到所述锂离子电池的目标健康状态值。
7、可选的,在本发明第一方面的第一种实现方式中,所述采集锂离子电池充放电过程中的端电压采样数据和电流采样数据,并根据所述端电压采样数据和所述电流采样数据构建电化学特征向量,包括:
8、采集锂离子电池充放电过程中的端电压采样数据和电流采样数据;
9、对恒流充电阶段的所述端电压采样数据和所述电流采样数据进行差分运算及峰值检测,提取增量容量曲线的峰值高度、峰值位置和峰面积,并将所述峰值高度、所述峰值位置和所述峰面积作为增量容量曲线特征;
10、对充放电电流脉冲触发时截取的所述端电压采样数据和所述电流采样数据进行稀疏频率点快速傅里叶变换,得到稀疏频点阻抗特征;
11、对充放电脉冲结束后采集的端电压弛豫序列进行指数衰减曲线拟合,提取弛豫时间常数,并将所述弛豫时间常数作为开路电压弛豫特征;
12、基于所述增量容量曲线特征、所述稀疏频点阻抗特征和所述开路电压弛豫特征构建电化学特征向量。
13、可选的,在本发明第一方面的第二种实现方式中,所述基于所述电化学特征向量进行健康状态区间概率推理,得到健康状态估算值,包括:
14、分别将所述电化学特征向量输入朴素贝叶斯模型和极端梯度提升模型,计算得到第一概率分布区间和第二概率分布区间;
15、按照所述朴素贝叶斯模型和所述极端梯度提升模型在验证集上均方根误差倒数确定的融合权重,并基于所述融合权重对所述第一概率分布区间和所述第二概率分布区间进行加权融合,得到目标概率分布区间;
16、基于所述目标概率分布区间与各健康状态离散区间中心值进行加权期望还原计算,得到健康状态估算值。
17、可选的,在本发明第一方面的第三种实现方式中,所述分别将所述电化学特征向量输入朴素贝叶斯模型和极端梯度提升模型,计算得到第一概率分布区间和第二概率分布区间,包括:
18、将所述电化学特征向量输入朴素贝叶斯模型,以各健康状态离散区间的先验概率与所述电化学特征向量中各特征维度在对应健康状态离散区间下的类条件概率密度之积计算各健康状态离散区间的后验概率,并对全部健康状态离散区间的后验概率进行归一化处理,得到第一概率分布区间;
19、将所述电化学特征向量输入极端梯度提升模型,通过多棵梯度提升决策树对各健康状态离散区间进行残差拟合,得到各棵梯度提升决策树的残差分值,并基于各棵梯度提升决策树的残差分值进行归一化处理,得到第二概率分布区间。
20、可选的,在本发明第一方面的第四种实现方式中,所述基于所述端电压采样数据和所述电流采样数据,对自回归等效电路模型的参数向量进行递推最小二乘在线辨识处理,得到健康状态参考值,包括:
21、基于所述端电压采样数据和所述电流采样数据,以带遗忘因子的递推最小二乘算法对自回归等效电路模型的参数向量进行迭代辨识处理,得到自回归模型参数向量;
22、根据所述自回归模型参数向量中的瞬态响应分量和稳态直流增益分量,分别计算等效欧姆内阻和等效极化阻抗;
23、基于所述等效欧姆内阻和所述等效极化阻抗进行回归计算,得到健康状态参考值。
24、可选的,在本发明第一方面的第五种实现方式中,所述计算所述健康状态估算值与所述健康状态参考值之间的偏差值,并根据所述偏差值对所述健康状态估算值进行闭环修正,得到所述锂离子电池的目标健康状态值,包括:
25、计算所述健康状态估算值与所述健康状态参考值之间的偏差值;
26、将所述偏差值与预设修正阈值进行比较;
27、当所述偏差值大于所述预设修正阈值时,按照预设修正增益对所述偏差值进行残差加权叠加处理,得到修正后的健康状态值,将所述修正后的健康状态值作为目标健康状态值;
28、当所述偏差值小于或者等于所述预设修正阈值时,将所述健康状态估算值作为目标健康状态值。
29、第二方面,本技术实施例提供了一种基于多参数融合的电池soh在线估算装置,包括:
30、采集模块,用于采集锂离子电池充放电过程中的端电压采样数据和电流采样数据,并根据所述端电压采样数据和所述电流采样数据构建电化学特征向量;
31、第一计算模块,用于基于所述电化学特征向量进行健康状态区间概率推理,得到健康状态估算值;
32、第二计算模块,用于基于所述端电压采样数据和所述电流采样数据,对自回归等效电路模型的参数向量进行递推最小二乘在线辨识处理,得到健康状态参考值;
33、闭环修正模块,用于计算所述健康状态估算值与所述健康状态参考值之间的偏差值,并根据所述偏差值对所述健康状态估算值进行闭环修正,得到所述锂离子电池的目标健康状态值。
34、第三方面,本技术实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述基于多参数融合的电池soh在线估算方法的步骤。
35、第四方面,本技术实施例提供了一种可读存储介质,该可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述基于多参数融合的电池soh在线估算方法的步骤。
36、第五方面,本技术实施例提供了一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现上述基于多参数融合的电池soh在线估算方法的步骤。
37、上述基于多参数融合的电池soh在线估算方法及相关设备所提供的一个方案中,本发明通过对增量容量曲线特征、稀疏频点阻抗特征和开路电压弛豫特征的同步提取与融合,从电极相变热力学、界面阻抗动力学和固态扩散动力学三个相互独立的物理维度同时表征锂离子电池老化状态。其中,增量容量曲线特征通过对恒流充电阶段端电压采样数据和所述电流采样数据进行差分运算及峰值检测处理获取,其峰值高度、峰值位置和峰面积直接反映正负极活性物质的相变行为及活性锂损失程度,是电池容量衰退的热力学直接映射;稀疏频点阻抗特征通过对充放电电流脉冲信号执行稀疏频率点快速傅里叶变换并结合预标定查找表映射获取,以bms现有硬件资源替代传统专用阻抗分析仪,解决了电化学阻抗谱全频段离线扫频无法在车规级嵌入式处理器上实时执行的根本工程障碍,使界面阻抗动力学特征得以在不规则充放电工况下在线实时获取;开路电压弛豫特征通过对充放电脉冲结束后的端电压弛豫序列进行指数衰减曲线拟合处理提取弛豫时间常数获取,定量反映固态扩散阻力随循环老化的演变规律。解决了现有技术依赖单一宏观电量特征导致的老化机制感知不完整的技术问题,在宽温度区间和全荷电状态范围内均能保持稳定的特征表征能力。本发明将朴素贝叶斯模型与极端梯度提升模型统一配置为健康状态离散区间概率输出形式,朴素贝叶斯模型基于各区间先验概率与类条件概率密度之积进行后验概率推理,极端梯度提升模型通过多棵梯度提升决策树对各区间残差分值逐树累加后经softmax归一化输出区间概率分布,两路概率分布按各模型在验证集上均方根误差倒数确定的融合权重进行加权融合后,经各区间中心值加权期望还原为连续健康状态值。该融合推理机制兼顾了朴素贝叶斯模型在小样本场景下计算轻量、推理稳定的优势与极端梯度提升模型在非线性特征交互建模方面的强表达能力,两类模型的互补性使融合推理结果在不同老化阶段均优于单一模型,有效避免了单一模型在特定老化区间估算偏差偏大的问题。本发明构建了独立于机器学习推理路径的自回归等效电路模型在线辨识路径,以带遗忘因子的递推最小二乘算法对自回归等效电路模型参数向量进行逐采样点迭代辨识,从参数向量的瞬态响应分量和稳态直流增益分量中分别提取等效欧姆内阻和等效极化阻抗,并将二者代入预标定的内阻参数与健康状态映射关系获取独立的健康状态参考值。该路径以纯时域递推计算替代传统等效电路的离线参数拟合,每步迭代仅需固定阶数的矩阵向量乘法运算,计算资源占用固定可控,满足嵌入式处理器的实时部署约束。更重要的是,自回归辨识路径与机器学习融合推理路径形成物理机制相互独立的双路健康状态估算通道,通过计算两路结果的绝对偏差并与预设修正阈值比较,在偏差超过阈值时触发残差加权叠加闭环修正,将健康状态参考值对健康状态估算值的修正量按预设修正增益叠加至估算值,在无需重新训练任何模型的前提下实现对电芯一致性差异和传感器漂移引发的系统性估算偏差的在线自动修正,保证了锂离子电池全生命周期内健康状态估算结果的长期稳定性与自适应修正能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com