一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法与流程

本发明涉及电池健康状态估计，尤其涉及一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法。

背景技术：

1、锂离子电池因其体积小、寿命长、效率高、功率密度大、动态响应快和环境友好等优点，已成为电动汽车、电网储能系统和其他便携式设备的重要组成部分。然而，老化引起的容量损失和内阻增大将导致锂离子电池在其全生命周期内不可避免地出现性能下降。这种性能退化通常由健康状态（soh）这一指标来体现，电池soh衰退将造成不可恢复的容量和功率性能衰退，造成系统运行性能衰退和安全性下降等问题。为了保障设备的安全运行，在电池运行过程中准确估计电池健康状态成为了电池管理系统必不可少的一部分，这也有助于快速评估其电池寿命，制定运行策略。

2、现有soh估计方法大多通过电压、电流和温度等外特性检测实现，容易受到环境温度和工况等因素的影响，难以实现soh的准确估计。此外，现有方法多数针对数据本身的变化规律建立与soh之间的关联，往往忽略了其本征老化机理。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法，解决了通过电流电压等外特性估计soh易受环境温度和工况等因素的影响，难以实现soh的准确估计等技术问题。

2、为了实现上述目的，本发明采用了如下技术方案：一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法，包括以下步骤：

3、步骤1：对锂离子电池进行循环充放电操作，并记录电池在不同健康状态下的电化学阻抗谱曲线；

4、步骤2：对不同健康状态下的锂离子电池eis曲线进行相关性分析，提取7个能够有效表征电池健康状态的特征因子；

5、步骤3：构建eis特征与电池健康状态的映射关系，进行超参数寻优，获得锂离子电池健康状态估计模型；

6、步骤4：将实时测量得到的eis曲线中的7个特征因子，输入到训练完成的健康状态估计模型中，实现对锂离子电池的健康状态估计。

7、进一步的，所述步骤2中，对不同健康状态下的锂离子电池eis曲线进行相关性分析，采用斯皮尔曼相关系数法从eis曲线中提取7个能够有效表征电池健康状态的特征因子。

8、进一步的，所述步骤3中，采用正则化极限学习机算法构建eis特征与电池健康状态的映射关系，并采用投影迭代优化算法进行超参数寻优，通过训练获得锂离子电池健康状态估计模型。

9、进一步的，所述步骤2中，通过对不同健康状态下的eis曲线进行相关性分析，采用scc法从eis曲线中提取7个能够有效表征电池健康状态的特征因子，采用pimo-relm算法构建eis特征与电池健康状态的映射关系进而实现锂离子电池健康状态的估计。

10、进一步的，所述步骤1中，对锂离子电池进行循环充放电操作，并记录电池在不同健康状态下的电化学阻抗谱曲线，包括以下步骤：

11、步骤1-1：将电池在25℃的环境下静置2小时；

12、步骤1-2：电池单体以1c倍率电流将电池以先恒流再恒压的方式充满，截止电流为0.05c；

13、步骤1-3：静置10分钟，以1/2c倍率对电池进行放电，直至电池电压降至下限截止电压；

14、步骤1-4：每经过25次充放电循环，测量电池从上限截止电压放电至下限截止电压时提供的电量（ah），以获取健康状态信息，其中健康状态定义为，其中qcurrent为可用放电量，qnew为标称放电量；

15、步骤1-5：电池单体以1c倍率电流将电池以先恒流再恒压的方式充满，截止电流为0.05c，电池荷电状态（健康状态）为100%；

16、步骤1-6：静置4小时，使用电化学工作站测量电池eis，测量范围为0.01-100khz，每10倍频10个频率点。

17、进一步的，所述步骤2中，对不同健康状态下的锂离子电池eis曲线进行相关性分析，提取7个能够有效表征电池健康状态的特征因子，包括以下步骤：

18、步骤2-1：分析电池在不同健康状态下eis特征的变化趋势，包括eis曲线的实部、虚部、相位以及模值特征；

19、步骤2-2：使用斯皮尔曼相关系数定量分析各个特征点的数据与电池健康状态的相关程度，其中，斯皮尔曼相关系数取值范围为[-1, 1]，值越接近1或-1，表明相关性1越强；值越接近0，表明相关性越弱，计算公式为：，其中，d为两个变量(x,y)秩之间的差，

n为数据序列的长度；

20、步骤2-3：比较各特征对应的斯皮尔曼相关系数，选取了7个能够有效表征电池健康状态的eis特征因子作为特征向量[

z

real1

, z

imag1

, z

real2

, z

imag2

, z

real3

, z

imag3

, z

real4]，其中

z

real1

、z

imag1分别为eis曲线中频峰值点阻抗的实部值与虚部值；

z

real2

、z

imag2分别为eis曲线低频拐点阻抗的实部值与虚部值；

z

real3

、z

imag3分别为eis曲线0.01hz处阻抗的实部值与虚部值；

z

real4代表eis曲线过零点的实部阻抗值，即欧姆阻抗值。

21、进一步的所述步骤3中，构建eis特征与电池健康状态的映射关系，进行超参数寻优，获得锂离子电池健康状态估计模型，包括以下步骤：

22、步骤3-1：根据已有信息和经验进行relm算法参数初始化，假设给定训练样本的输入序列为，输出序列为，其中表示模型输入序列中第

n个输入数据，表示模型输出序列中第

m个输出数据，隐藏层的神经元个数为

k，输入层和隐藏层之间的连接权重矩阵以及隐藏层和输出层之间的连接权重矩阵被表示为：

23、   （1.24）

24、其中，表示输入层中第

n个神经元与隐藏层中第

k个神经元之间的权重，表示隐藏层中第

k个神经元与输出层中第

m个神经元之间的权重，隐藏层中的阈值序列是，假设有p个样本的输入和输出，则它的输入特征矩阵和输出矩阵分别为：

25、   （1.25）

26、激活函数为，网络的输出矩阵可以表示为：

27、   （1.26）

28、   （1.27）

29、其中表示为，表示为，输入权向量和阈值随机生成，隐藏层的输出矩阵h可以具体表示为：

30、   （1.28）

31、步骤3-2：求解输出权值：

32、  （1.29）

33、其中为结构风险的平衡参数，即正则化系数，其解表示如下：

34、   （1.30）

35、其中p是样本的数量，k是隐藏层中节点的数量，在获得之后，可以确定所有模型参数，进而确定完成了一轮模型训练；

36、步骤3-3：采用投影迭代优化（pimo）算法对正则化极限学习机（relm）算法中的隐藏节点、正则化系数以及激活函数进行超参数寻优，适应度函数设置为relm估计健康状态的rmse，算法初始化生成初始种群：

37、   （1.31）

38、式中表示第i个个体的第j维位置，为[0,1]之间的随机数，和表示第j维变量的上界和下界；

39、步骤3-4：进行残差引导投影（rgp），随机选取两个残差适应度较小的解样本和作为引导代理，并基于这些代理计算梯度，以指导投影方向；

40、   （1.32）

41、式中表示当前个体的适应度值；表示当前全局的最优适应度值；和表示[0,1]的随机数，用于决定选择策略；

42、计算梯度方向向量：

43、   （1.33）

44、式中,,表示[0,1]的随机数，计算雅可比矩阵；

45、   （1.34）

46、式中是目标函数的第个分量，是标准基向量，第位置为1，其他位置为0，是一个小扰动值；

47、进行位置更新：

48、   （1.35）

49、式中表示rgp更新后的位置，表示当前的位置，用于调整基于梯度的投影更新的方向，表示为当前迭代次数，表示为最大迭代次数，是一个随迭代而变化的动态参数，其表达式如下所示：

50、（1.36）

51、步骤3-5：进行双随机投影（drp），通过引入双随机性来增强算法的全局搜索能力，算法首先从种群中随机选择两个索引和作为投影更新的参考点；

52、   （1.37）

53、根据粒子当前位置、与当前最佳位置之间的差异计算更新方向，当时采用“随机”策略：

54、   （1.38）

55、式中表示和与最优解之间的梯度方向向量，表示drp更新后的位置；

56、当时采用“最优”策略，drp更新后的梯度方向向量和位置为：

57、   （1.39）

58、步骤3-6：进行加权随机投影更新（wrpu），生成随机因子，随机因子和确定粒子位置更新过程各分量的加权权重，为投影过程提供随机性和灵活性

59、   （1.40）

60、粒子的位置更新是基于两条不同的投影路径，每条路径代表一种投影策略，路径1为随机加权投影，更新后的位置为：

61、   （1.41）

62、当前粒子位置是基础，目标位置是向导，两者通过随机加权进行平衡，增加的扰动项增强了投影路径的灵活性，允许粒子跳出局部最优区域；

63、路径2为自适应校正投影，更新后的位置为：

64、   （1.42）

65、步骤3-7：进行lévy飞行引导投影（lfgp），lévy飞行引导投影通过模拟自然界中生物的随机运动实现高效的全局搜索和局部寻优，在每次迭代中对粒子的位置进行引导投影，并动态适应粒子与最优解之间的关系，计算lévy飞行引导投影被触发的概率：

66、   （1.43）

67、计算lévy步长：

68、   （1.44）

69、式中代表飞行步长，代表lévy分布参数，是[0,2]之间的随机数，和是服从正态分布的随机变量，代表gamma函数；

70、计算lfgp更新后的位置：

71、   （1.45）

72、式中为[0,1]之间的随机数代表前三种操作后的最优解，即；

73、步骤3-8：经过步骤3-3~3-7的迭代寻优，算法获得一组相对适宜的超参数组合，作为relm算法的最终参数配置，通过训练获得锂离子电池健康状态估计模型。

74、进一步的，所述步骤4中，将实时测量得到的eis曲线中的7个特征因子，输入到训练完成的健康状态估计模型中，实现对锂离子电池的健康状态估计，包括以下步骤：

75、步骤4-1：实时测量电池的eis曲线，并提取步骤2所选择的能够有效表征电池健康状态的7个特征因子；

76、步骤4-2：将提取的特征因子输入到步骤3训练完成的健康状态估计模型中，实时估计电池健康状态。

77、与现有技术相比，本发明的优点和积极效果在于，

78、本发明提供了一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法，（1）本发明提供了一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法，通过测量锂离子电池的eis曲线获取7个能够有效表征电池soh的特征因子，结合投影迭代优化-正则化极限学习机（pimo-relm）算法构建特征因子与电池soh的映射关系，实现对电池soh的准确估计。（2）本发明所提出的一种基于电化学阻抗谱特征提取的锂离子电池健康状态估计方法，考虑了电池本征老化的机理，提高了电池soh估计的准确性。