基于锂电池在线电化学阻抗谱测量的SOH估算系统和方法与流程

基于锂电池在线电化学阻抗谱测量的soh估算系统和方法
技术领域
1.本发明涉及锂电池技术领域，具体涉及一种基于锂电池在线电化学阻抗谱测量的soh估算系统和方法。


背景技术：

2.新能源汽车的发展受到人们的瞩目，而电池的性能优劣则是制约或驱动其发展的关键因素。随着充放电循环次数的增加和使用环境的变化，电池内部容量的下降和内阻的升高将导致其性能退化。电池健康状态(state of health，soh)是一个能直接反映电池当前性能状况的指标，精确的soh估算对于电池荷电状态(state of charge，soc)估算、剩余寿命预测以及电池安全性评估都有着重要的意义。
3.如今电化学阻抗谱(electrochemical impedance spectroscopy，eis)正在被越来越多的应用于锂电池soh估算上，其通过对电化学阻抗谱数据进行处理和分析，就能对电池soh进行估算。通常电化学阻抗谱的数据处理思路有两种：
①
根据测量得到的eis谱图，确定eis的等效电路或数学模型，与其它电化学方法相结合，推测电池系统中包含的动力学过程及其机理；
②
基于现有合理的数学模型或等效电路，确定数学模型中有关参数或等效电路中有关元件的参数值。
4.现有名称为《一种基于电化学阻抗谱的锂离子电池soh的估计方法》，公告号为cn109143108的发明专利，公开了一种基于电化学阻抗谱的soh估算方法。该方法主要包括以下步骤：测量电池电化学阻抗谱；建立等效电路模型；测量不同soc以及不同循环次数下的电化学阻抗谱；利用电化学阻抗谱进行参数辨识；训练机器学习模型用于soh评估。此专利虽然可以在不破坏电池结构下辨识等效电路参数来估算soh，但是由于电池内部固液界面上所发生的异相电荷转移过程并不能由简单的电路基本元件所表示，这种方法的准确度较低，并且进行参数辨识计算量较大。


技术实现要素：

5.本发明所要解决的是现有使用电化学阻抗谱估算锂电池soh的方法存在准确度不高、辨识等效电路模型参数计算量大的问题，提供一种基于锂电池在线电化学阻抗谱测量的soh估算系统和方法。
6.为解决上述问题，本发明是通过以下技术方案实现的：
7.基于锂电池在线电化学阻抗谱测量的soh估算方法，包括步骤如下：
8.步骤1、对电池样本进行循环老化实验，并采集电池样本在不同电池健康状态下的电化学阻抗谱和开路电压；
9.步骤2、将每个电化学阻抗谱的整个频段划分为三个频段即低频段、中频段和高频段；
10.步骤3、对每个电化学阻抗谱与对应的电池健康状态进行灰色关联度分析，筛选特征参数，即：
11.将低频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为低频段实部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为低频段实部特征参数；
12.将低频段的各个频率点的电化学阻抗值的虚部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为低频段虚部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的虚部记为低频段虚部特征参数；
13.将中频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为中频段实部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为中频段实部特征参数；
14.将中频段的各个频率点的电化学阻抗值的虚部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为中频段虚部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的虚部记为中频段虚部特征参数；
15.将高频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为高频段关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为高频段特征参数；
16.步骤4、将电池样本的特征参数，即低频段实部特征参数、低频段虚部特征参数、中频段实部特征参数、中频段虚部特征参数、高频段特征参数、开路电压和电池健康状态，一并送入到基于循环神经网络的机器学习模型中进行训练，得到训练好的机器学习模型；
17.步骤5、测量被测电池在低频段实部关联度最大频率点阻抗值的实部即低频段实部特征参数、低频段虚部关联度最大频率点阻抗值的虚部即低频段虚部特征参数、中频段实部关联度最大频率点阻抗值的实部即中频段实部特征参数、中频段虚部关联度最大频率点阻抗值的虚部即中频段虚部特征参数、高频段关联度最大频率点阻抗值的实部即高频段特征参数、以及当前开路电压；
18.步骤6、将被测电池的特征参数，即低频段实部特征参数、低频段虚部特征参数、中频段实部特征参数、中频段虚部特征参数、高频段特征参数和当前开路电压，一并送入到训练好的机器学习模型中，得到被测电池的电池健康状态。
19.上述步骤1中，电池健康状态的计算公式如下：
[0020][0021]
式中，soh表示电池健康状态，c
real
表示电池的当前实际容量，c
new
表示电池的额定容量。
[0022]
低频段为测试频段的前10％，中频段为测试频段的中10％
‑
70％，高频段为测试频段的后70％
‑
100％。
[0023]
基于基于锂电池在线电化学阻抗谱测量的soh估算系统，其特征是，由激励放大器、多路复用模块、电流采集电阻、运算放大器、信号处理模块、微控制器和上位机组成；测
试电池的一路输出端与多路复用模块的电压采样端连接，测试电池的另一路输出端经由电流采集电阻与多路复用模块的电流采样端连接，测试电池的又一路输出端与微控制器的开路电压采样端连接；多路复用模块的输出端经由运算放大器与信号处理模块的输入端连接；信号处理模块的输出端经由激励放大器与测试电池的输入端连接；微控制器与信号处理模块相连；微控制器与上位机相连。
[0024]
与现有技术相比，本发明具有如下特点：
[0025]
1、通过对电池电化学阻抗谱进行分析，得到相关度高的频率特征，避免了复杂等效电路模型的参数辨识，同时经过相关度分析后得到的特征参数能够更有效地表征电池健康状态的变化趋势；
[0026]
2、融合了电化学阻抗谱测量和soh估算，提高了系统的集成度和可靠性。
附图说明
[0027]
图1为一种基于锂电池在线电化学阻抗谱测量的soh估算方法的流程图。
[0028]
图2为电化学阻抗谱和等效电路模型示意图。
[0029]
图3为循环神经网络的结构图及其对应的时序展开图；(a)循环神经网络的结构图，(b)时间序列的展开图。
[0030]
图4为一种基于锂电池在线电化学阻抗谱测量的soh估算系统的结构示意图。
具体实施方式
[0031]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。
[0032]
一种基于锂电池在线电化学阻抗谱测量的soh估算方法，如图1所示，其主要包括步骤如下：
[0033]
步骤1：对电池样本分别进行循环老化实验，并采集各个电池样本在不同电池健康状态下的电化学阻抗谱和开路电压。
[0034]
对每个电池样本进行循环老化实验的具体步骤如下：首先，进行cc
‑
cv(恒流
‑
恒压)充电：先以1c恒流充电至充电截止电压，然后在此电压下恒压充电，直至电流下降到0.05c，之后静置30min。然后，进行放电：放电过程以1c恒流放电至截止电压，之后静置30min。每到充电和放电的次数均达到20次时，记录此时即本轮循环下该电池样本的电池健康状态、开路电压和电化学阻抗谱。其中，开路电压和电化学阻抗谱通过本发明所设计的测量电路所获得，电池健康状态通过计算所获得。
[0035]
以容量作为指标来反映电池的健康状态是目前电池行业较为认可的标准，在本实施例中，电池健康状态的计算公式如下：
[0036][0037]
式中，soh表示电池健康状态，c
real
表示电池的当前实际容量即本轮循环的总放电量(通过安时积分计算得出)，c
new
表示电池的额定容量。
[0038]
步骤2：将各个电化学阻抗谱的整个频段划分为三个频段即低频段、中频段和高频段。
[0039]
参见图2，由于电池的电化学阻抗谱和等效电路存在对应关系，其中r0表示锂电池的欧姆电阻，对应电化学阻抗谱中的高频段；r
ct
和c
dt
并联表示锂电池的活化极化现象，对应电化学阻抗谱中的中频段；z
w
为韦伯阻抗表示浓差极化效应，对应电化学阻抗谱的低频段。因此从低频段电化学阻抗值的实部和虚部、中频段电化学阻抗值的实部和虚部、高频段电化学阻抗值的实部选择特征。
[0040]
在本实施例中，阻抗谱测试频段为0.1hz
‑
10khz，其中低频段为测试频段的前10％，中频段为测试频段的中10％
‑
70％，高频段为测试频段的后70％
‑
100％。
[0041]
步骤3：对各个电化学阻抗谱与对应的电池健康状态进行灰色关联度分析，筛选特征参数。
[0042]
对于锂电池的soh估算来说，特征参数的选择决定了整个电池soh估算结果的准确度。在本发明中，选择以下5个特征参数：
[0043]
将低频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为低频段实部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为低频段实部特征参数re(z
l1
)；
[0044]
将低频段的各个频率点的电化学阻抗值的虚部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为低频段虚部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的虚部记为低频段虚部特征参数im(z
l2
)；
[0045]
将中频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为中频段实部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为中频段实部特征参数re(z
m1
)；
[0046]
将中频段的各个频率点的电化学阻抗值的虚部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为中频段虚部关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的虚部记为中频段虚部特征参数im(z
m2
)；
[0047]
将高频段的各个频率点的电化学阻抗值的实部与对应的电池健康状态进行灰色关联度分析，并找出关联度最大的频率点；将该关联度最大的频率点记为高频段关联度最大频率点，将该关联度最大的频率点所对应的电化学阻抗值的实部记为高频段特征参数re(z
h
)。
[0048]
在进行灰色关联度分析时，关联系数ξ
i
(k)计算公式如下：
[0049][0050]
式中，x0为参考序列，x
i
为比较序列，|x0(k)
‑
x
i
(k)|表示序列x0与x
i
在k点的绝对值，min
i mix
k
|x0(k)
‑
x
i
(k)|表示两序列两级最小绝对值，max
i max
k
|x0(k)
‑
x
i
(k)|表示两序列两级最大绝对值，ρ为分辨系数，通常取0.5。
[0051]
由(2)式可得比较序列与参考序列的关联度r
i
的计算公式如下：
[0052]
[0053]
式中，n为采集的数据数量，本实施例中为电池样本阻抗谱采集的次数。
[0054]
步骤4：将所有电池样本的各组特征参数，即低频段实部特征参数、低频段虚部特征参数、中频段实部特征参数、中频段虚部特征参数、高频段特征参数、开路电压和电池健康状态，一并送入到机器学习模型中进行训练，得到训练好的机器学习模型。
[0055]
在本实施例中，使用上述五个频率对应的特征参数、开路电压和电池健康状态作为特征，对基于循环神经网络(rnn)的机器学习模型进行训练，其中输入层特征参数为re(z
l1
)、im(z
l2
)、re(z
m1
)、im(z
m2
)、re(z
h
)和ocv，输出层特征参数为电池soh。
[0056]
如图3(a)所示，该神经网络的输入和输出均为时间序列，其输出不仅与当前状态的输入有关，还与前一时刻的输出相关，因此能够用来处理时间序列数据。其中输入序列为x
t
＝{x1，x2，
…
，x
n
}，输入数据维度为n。隐含层为h
t
＝{h1，h2，
…
，h
m
}，其中m表示隐含层的节点数。输出层y
t
＝{y1，y2，
…
，y
k
}，节点数为k。如图3(b)所示，rnn所有时刻的训练参数h
t
是共享的，这将有利于信息的传递。在t时刻隐含层h
t
的计算公式如下：
[0057]
o
t
＝w
ih
x
t
w
hh
h
t
‑1 b
h
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0058]
h
t
＝f
h
(o
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0059]
式中，o
t
为t时刻隐含层的输入，w
ih
表示输入层到隐含层的连接权矩阵，w
hh
为上一时刻隐含层到当前时刻隐含层的连接权矩阵，f
h
为rnn隐含层的激活函数，b
h
为隐含层的偏置矩阵。
[0060]
由公式(4)和公式(5)可得，t时刻输出层y
t
的计算公式如下：
[0061]
y
t
＝f
o
(w
ho
h
t
b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0062]
式中，f
o
表示rnn输出层的非线性激活函数，w
ho
表示隐含层到输出层的连接权矩阵。
[0063]
步骤5：测量被测电池在低频段实部关联度最大频率点阻抗值的实部即低频段实部特征参数、低频段虚部关联度最大频率点阻抗值的虚部即低频段虚部特征参数、中频段实部关联度最大频率点阻抗值的实部即中频段实部特征参数、中频段虚部关联度最大频率点阻抗值的虚部即中频段虚部特征参数、高频段关联度最大频率点阻抗值的实部即高频段特征参数、以及当前开路电压。
[0064]
步骤6：将被测电池的特征参数，即低频段实部特征参数、低频段虚部特征参数、中频段实部特征参数、中频段虚部特征参数、高频段特征参数和当前开路电压，一并送入到训练好的机器学习模型中，得到被测电池的电池健康状态。
[0065]
实现上述方法的一种基于锂电池在线电化学阻抗谱测量的soh估算系统，如图4所示，由激励放大器、多路复用模块、电流采集电阻、运算放大器、信号处理模块、微控制器和上位机组成。测试电池可以为电池样本，也可以为被测电池。测试电池采用开尔文四线接法：测试电池的一路输出端与多路复用模块的电压采样端连接，测试电池的另一路输出端经由电流采集电阻与多路复用模块的电流采样端连接，测试电池的又一路输出端与微控制器的开路电压采样端连接。多路复用模块的输出端经由运算放大器与信号处理模块的输入端连接。信号处理模块的输出端经由激励放大器与测试电池的输入端连接。微控制器与信号处理模块相连。微控制器与上位机相连。
[0066]
激励放大器对信号处理模块所输出的激励电压进行比例放大处理，在本实施例中，激励放大器的放大倍数设置为0.1，因此通过该模块可对激励电压进行比例缩小处理，
以减小在线测量时激励电压对电池的影响。电流采集电阻对测试电池的电流信号进行采集并转化为电压信号后送入多路复用模块，其可以使测量时不受直流电流的影响，也使电池可以在正常使用时进行测量。多路复用模块对测试电池直接输出的响应电压和电流采集电阻所采集的电压进行分别采样，以实现使用一个通道采集两个电压信号。运算放大器对多路复用模块所输出的采样信号进行滤波和放大处理，提高信号的辨识度。信号处理模块主要由高精度阻抗测量芯片组成，用于产生所需的激励正弦波和响应信号的采集，通过对该模块的配置生成不同频率的激励电压，同时对采集到的电压和电流信号进行处理和计算，将得到的阻抗数据发送给微控制器。微控制器根据设置的正弦波的频率和幅值控制信号处理模块，信号处理模块所输出的数据为电化学阻抗谱，同时测量测试电池的开路电压，并将测试电池的电化学阻抗谱和开路电压上传到上位机。上位机用于实现上述soh估算方法，即根据测试电池的电化学阻抗谱和开路电压得到测试电池的电池健康状态。
[0067]
上述于锂电池在线阻抗谱测量的soh估算系统的工作过程如下：
[0068]
步骤1)通过微控制器控制信号处理模块产生交流信号。微控制器设置扫频的初始频率、最大频率、扫频点的个数和激励电压的幅值，并通过spi通讯控制信号处理模块施加激励信号。
[0069]
步骤2)激励信号通过电池和电流采集电阻，微控制器控制多路复用器分别采集电池响应电压信号和电流采集电阻的电压响应信号。电流采集电阻的电压信号通过计算得到测量回路的电流信号。
[0070]
步骤3)信号处理模块通过离散傅里叶变换，对输入响应电压电流信号的计算得到相应频率的电化学阻抗值，并将该值上传至微控制器。离散傅里叶变换公式如下：
[0071][0072]
式中，f(n)为有限长离散序列，n为采样点总数。
[0073]
对采样的离散信号电池电压u1(n)和电流采样电阻电压u2(n)进行离散的傅甲叶变换得：
[0074][0075][0076]
故电池阻抗z
f
为：
[0077][0078]
式中，r
i
为电流采集电阻的阻值。
[0079]
步骤4)计算下一个扫频点，如果小于设置的最大扫描频率，就重新设置激励信号的频率进行扫频，重复上述步骤1)
‑
步骤3)。
[0080]
步骤5)当计算结果大于设置的最大频率停止测量，微控制器测量当前电池的开路电压，并将所有接收的阻抗数据和测量的开路电压数据上传到上位机。
[0081]
本发明测量电池不同老化循环次数下的电化学阻抗谱和电池开路电压；使用灰色关联度对电化学阻抗谱进行特征选择；建立并训练机器学习模型；采集被测电池数据进行soh估算。本发明通过对电池电化学阻抗谱进行分析，得到相关的特征参数，避免了复杂等
效电路模型的参数辨识。所设计的锂电池电化学阻抗谱在线测量和soh估算系统，可完成对电池的电化学阻抗谱测量和电池soh的估算，提高了系统的集成度和可靠性。
[0082]
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。