一种基于电池模型参数的锂电池寿命预测方法与流程

1.本发明属于锂电池退化状态监测技术领域，主要涉及一种基于电池模型参数的锂电池寿命预测方法。


背景技术：

2.随着传统能源逐渐被新能源的取代，分布式的并网系统会从各个方面各个层次，进入人们的生活，改变人们的生活方式。与之同时储能系统的也会随着分布式的系统大范围的运用。而在不断的充放电循环下，储能系统的安全性和稳定性成为一个重要的话题，电池寿命的预测也就尤为重要。
3.在现有技术中，现有技术文件1(李建威；杨青青等人。一种基于智能网联德利电池寿命预测系统[p].中国专利:cn112630665a,2021.04.09)公开了一种基于物联网的电池寿命预测方案。使用锂电池的温度、环境温度还有电池容量参数，通过远端服务器的神经网络模型预测电池寿命，并且模型能够随着时间的推移在线更新。
[0004]
现有技术文件2(袁烨；马贵君；华丰；丁汉.一种基于特征筛选的锂电池寿命预测方法[p].中国专利:cn111832221a,2020.10.27)公开了一种基于数据驱动模型的电池寿命预测方法，使用实测电池数据进行数据处理后的数据进行预测。并且在此基础上，提出了带有ard的高斯回归模型，取得了较好的预测效果，并已申请专利。
[0005]
现有技术文件3(刘仕强；王芳等人。一种磷酸铁锂电池寿命预测方法[p]中国专利 cn1170754a,2020.09.25)公开了一种使用经验模型实现对磷酸铁锂动力电池的寿命预测。通过对充电过程中区间充电容量的分析，实现了以充电过程中区间充电容量进行预测，还包括以充电容量代替放电容量进行预测，极大地提高了磷酸铁锂动力电池寿命预测的便捷性和可推广性。
[0006]
在实际应用中常见的电池寿命预测的方案有：弹性网络，数据驱动模型，机器学习，神经网络。这些模型都常以电池的电流电压容量等变化曲线入手。并没有探究电池模型参数与电池寿命之间的联系，而随着循环次数的增加，电池等效电路模型中各个参数都有各自的变化趋势。


技术实现要素：

[0007]
为了探究电池模型参数与电池寿命之间的联系，本发明提供了一种使用拟合出指定soc 下的电池模型参数，并利用基于正则化系数的线性回归模型进行预测，达到了探究电池模型参数与电池寿命之间联系的目的。
[0008]
一种基于电池模型参数的锂电池寿命预测方法，包括以下步骤：
[0009]
步骤1.在设定的soc处以固定的时间间隔采集锂电池的电池电流、电池端电压数据并测量电池内阻；
[0010]
步骤2.对步骤一采集的电池数据进行处理，在指定的soc点处，分别拟合出电池等效电路模型中的参数；
[0011]
步骤3.在所有步骤二拟合出的数据样本中，在前100个充放电循环数据中，对每个参数都挑选不同的两个循环的参数曲线对应相减，将相减得到的结果曲线求平均值，作为每个电池模型参数的特征数据，然后将电池分为训练集和测试集两组；
[0012]
步骤4.把训练集每个电池的模型参数特征数据和电池寿命输入到使用l1和l2正则化的线性回归模型中进行模型训练；
[0013]
步骤5.将所训练模型的特征权重和特征偏移取出；
[0014]
步骤6.根据测试集中样本数据的特征进行锂电池寿命预测；
[0015]
步骤7.使用均方根误差与绝对平均误差率验证预测结果精度。
[0016]
优选的，步骤1中所述固定的时间间隔为0.1秒，数据维度为1000～2000。
[0017]
优选的，所述电池内阻测量方法为直流内阻测试法，直流内阻测试法所使用的脉冲电流时间间隔为10～50毫秒，采用放电和充电两个电流脉冲分别测量电池的放电内阻和充电内阻，计算公式如下：
[0018]
r
d
＝δu/δi＝(u2‑
u1)/i
d
[0019]
r
c
＝δu/δi＝(u4‑
u3)/i
c
[0020]
其中，r
d
表示电池放电内阻，r
c
表示电池充电内阻，i
d
表示电池放电的脉冲电流，i
c
表示电池充电的脉冲电流，u1表示电池放电前一时刻的电压，u2表示电池放电后一时刻的电压，u3表示电池充电前一时刻的电压，u4表示充电后一时刻的电压。
[0021]
优选的，步骤2中，选用的电池等效电路模型为等效电路模型。
[0022]
优选的，步骤2中，拟合电池模型参数的方法根据电池一阶rc等效电路模型的零状态响应方程，将参数求解问题转化为曲线拟合问题，当电流为零时一阶rc电路的零状态响应方程为：
[0023][0024]
其中,u
l
为电池的输出电压，u
oc
为电压源电压，u
p
为电池极化电容的初始电压，t为时间， tau为时间常数，e为自然常数。
[0025]
优选的，电池静置一段时间的开路电压可以认为是电池的电压源电压，则拟合的电池模型参数为电池极化部分初始分压u
p_init
和时间常数tau，为了让拟合结果更为精确，引入电压变化斜率参数，该参数为电池静置最后一段电池电压与时间的斜率u
slope
，并将该参数也作为电池模型参数导入到训练模型中，具体如下：
[0026][0027]
优选的，步骤3中特征维度为3个，分别是电池内阻特征，电池极化部分初始分压特征，时间常数特征；训练集中k个训练样本的方差特征和寿命分别表示为x
train
＝[x1,x2...,x
k
]， y
train
＝[y1,y2...,y
k
]，其中第i个训练样本的特征x
i
表示为：x
i
＝[x
i1
,x
i2
...,x
ik
]
t
。
[0028]
优选的，步骤4，使用训练样本的电池模型参数方差特征带入l1和l2正则化的线性回归模型中进行训练；
[0029]
[0030][0031]
其中‖β‖1是l1正则化，‖β‖2是l2正则化，λ为正则化系数，α表示l1正则化与l2正则化的比重。p
α
(β)代表正则化的部分，代表输入的特征向量即电池模型参数特征，β0代表特征的偏移，β代表每个特征的权重，y
i
代表输入的标签数据即锂电池的寿命。
[0032]
优选的，步骤6，根据锂电池训练好的权重和偏移，使用测试机的参数特征进行预测，公式如下
[0033][0034]
其中y.hat是预测出的电池寿命，代表输入的特征向量即电池模型参数特征，β0代表特征的偏移，β代表每个特征的权重。
[0035]
优选的，所述步骤7利用电池寿命实际值和电池寿命预测值的均方根误差rmse以及平均绝对百分比误差mape来评价训练模型的精度，误差越小精度越高；
[0036][0037][0038]
其中，y
i
代表电池寿命实际值，代表电池寿命预测值，n为样本个数。
[0039]
相比于现有技术，本发明能够取得以下有益的技术效果：
[0040]
1.利用电池模型参数随寿命的变化规律，实现电池寿命预诊断；
[0041]
2.本设计方案对电池进行测试时，能够通过测量数据拟合曲线，不过分强调在规定的soc 处进行测试，极大地提高了测试的便捷性和可实现性；使用电流脉冲进行充放电测试相比其他方法摆脱了使用完整的充放电循环的局限性，并且对储能系统正常工作流程的影响降到了最小。
附图说明
[0042]
图1为基于电池模型参数的电池寿命预测方法流程图
具体实施方式
[0043]
为使本发明的目的，技术方案和优点更加清楚，下面将结合本发明实例中的附图，对本发明的技术方案进行清楚、完整地描述。本技术所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0044]
本技术公开了一种利用电池模型参数的电池寿命预测方法，其流程步骤如图1所示。
[0045]
为使本领域普通技术人员能更清楚、方便的理解本发明的技术方案，详细介绍利用电池模型参数的电池寿命预测方法的技术方案，具体包括以下步骤：
[0046]
步骤1.在设定的soc处以固定的时间间隔采集锂电池数据并测量电池内阻；
[0047]
以0.1秒为时间间隔在0.1,0.2,....,0.9处soc的情况下，测量1000～2000个数据点方便电池模型参数的拟合，同时在对应的soc下，使用直流测量内阻法测量电池电阻。
[0048]
步骤2.对步骤一采集的电池数据进行处理，拟合出指定soc下电池等效电路模型参数；
[0049]
使用电池一阶等效电路的零状态响应拟合电池模型参数，得到电池极化部分初始分压，时间常数随soc变化曲线。一阶等效电路的零状态响应方程如下:
[0050][0051]
tau＝r
p
*c
p
[0052]
化简后，方程为:
[0053][0054]
其中,u
l
为电池的输出电压，u
oc
为电压源电压，i为电流，r0为电池内阻，u
p
为电池极化电容的初始电压，t为时间，tau为时间常数，e为自然常数。
[0055]
电池静置一段时间的开路电压可以认为是电池的电压源电压，则拟合的电池模型参数为电池极化部分初始分压u
p_init
和时间常数tau，为了让拟合结果更为精确，引入电压变化斜率参数，该参数为电池静置最后一段电池电压与时间的斜率u
slope
，并将该参数也作为电池模型参数导入到训练模型中，具体如下：
[0056][0057]
步骤3.在所有步骤二拟合出的数据样本中，前100个充放电循环中对应soc下电池模型参数挑选两个进行两两不重复相减，将相减结果曲线求平均值，得到每个电池模型参数的特征。将电池分为训练集和测试集两组；
[0058]
将不同两次循环次数下的soc与电池模型参数对应相减，将所得电池模型参数差曲线求方差，得到一个电池的输入特征数据向量。然后将电池集分成测试集与训练集两组。
[0059]
步骤4.把训练集每个电池的模型参数特征和电池寿命输入到使用l1和l2正则化的线性回归中进行模型训练；
[0060]
使用训练集电池的输入特征向量，以对应电池的寿命作为标签带入到使用l1与l2正则化约束的线性回归方程中进行训练。得到经过特征选择的各个特征的权重与各个特征的偏移。训练方法如下:
[0061][0062][0063]
其中‖β‖1是l1正则化，‖β‖2是l2正则化，λ为正则化系数，α表示l1正则化与l2正则化的比重。p
α
(β)代表正则化的部分，代表输入的特征向量即电池模型参数特征，β0代表特征的偏移，β代表每个特征的权重，y
i
代表输入的标签数据即锂电池的寿命。
[0064]
步骤5.将所训练模型的特征权重和特征偏移取出
[0065]
使用步骤4中模型训练后得到的β0，β。
[0066]
步骤6.根据测试集中样本数据的特征进行锂电池寿命预测
[0067]
电池寿命预测计算过程如下:
[0068][0069]
其中y.hat是预测出的电池寿命，代表输入的特征向量即电池模型参数特征，β0代表特征的偏移，β代表每个特征的权重。
[0070]
步骤7.使用均方根误差与绝对平均误差率验证预测结果精度
[0071]
利用均方根误差rmse和平均绝对百分比误差mape来评价训练模型的精度。
[0072][0073][0074]
其中，y
i
代表电池寿命实际值，代表电池寿命预测值，n为样本个数
[0075]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。