数据驱动与电化学机理结合的电池SOH自动估计方法及设备与流程

数据驱动与电化学机理结合的电池soh自动估计方法及设备
技术领域
1.本发明涉及电池soh估计技术领域，尤其是涉及一种数据驱动与电化学机理结合的电池soh自动估计方法及设备。


背景技术：

2.电池老化过程中复杂的电化学机理使得soh(state of health，指蓄电池容量、健康度、性能状态)在线监测技术的发展更具挑战性。虽然可以通过离线测试和在线识别算法来评估电阻增长问题，但容量衰减的检测仍在很大程度上依赖于实验室测量和离线分析。电池单体的soh已经形成一些有效方法，主要分为以下几种：
3.(1)从soh的定义出发，直接测量法通过测量电池容量、循环次数的方式估算，这种方法可以获得准确的soh估计，但很难在线应用。
4.(2)确定电池容量衰减的一种传统且最常用的方法是基于ocv-soc曲线。但是，它需要在低速率下对蓄电池进行完全充电或放电，或在整个范围内的soc水平下经过长时间的松弛后测量开路电压。这两种方法都需要耗时的测试，因此不适用于现场操作数据的实现。基于ocv直接对电池单体进行soh诊断存在困难。锂离子的嵌入和脱嵌仅在很窄的电压范围内发生。所有电压平台都位于临界电压范围内并重叠，而电压容易受到测量噪声的影响。所有这些因素导致了大多数锂电池化学的ocv曲线的特征难以直接观察。当前很多在线soh估计方法综合利用或者单独提取ic、dv、dt曲线的关键特征点，如峰值、面积、斜率来构建健康因子(集合)，利用离线寿命试验获取的soh数据，建立离线soh估计模型。然后，在线进行单个循环的使用的健康因子的提取，利用建立好的离线soh估计模型计算得到在线的soh估计值。这些方法建立在被观测电池单体与离线模型所使用的单体性能一致的假设前提下，然而，虽然ic、dv、dt被证明是分析电池容量衰减的有效工具，但由于这些曲线上的所有峰值都位于v-q曲线的电压平台区相对平坦，对测量噪声比较敏感，较小的测量误差会引起峰值极大的变化。此外，由于电池工艺一致性的差异，使得单纯依赖离线模型来进行在线soh估计往往并不可靠。
5.(3)估计容量损失的另一种方法是基于计算的分析方法，包括增量容量分析(ica)、差分电压分析法(differential voltage analysis，dva)和差分温度(differential temperature，dt)分析法。通过区分蓄电池充电容量(q)和终端电压(v)，ica转换充电/放电电压(v-q)曲线上的电压平台，该平台将石墨阳极分段，形成增量容量(ic)曲线上清晰可识别的dq/dv峰值。ica的概念来源于对嵌锂过程和相应阶段现象的研究。ica的优势在于检测生命周期试验期间电池行为的逐渐变化，其灵敏度高于基于传统充放电曲线的灵敏度，并产生与电化学特性相关的电池行为的关键信息。dva方法通过离线构建电池外特征(主要是差分电压曲线中的关键特征点)与老化之间的关系，建立回归模型，以在线估计其老化信息。这些技术需要进行离线的寿命实验，建立不同电芯、不同充放电模式和工况下的老化库，并建立健康因子与soh的回归模型，在线使用时找到对应的回归模型进行在线soh的估计。
6.(4)以卡尔曼滤波、粒子滤波及其改进算法为代表的自适应滤波算法对于解决电池非线性复杂系统状态估计问题非常适用，但需要建立电化学模型来拟合电化学过程，模型中的各种参数的辨识决定了模型能力。但卡尔曼滤波、粒子滤波等滤波方法过于依赖电池状态模型，而恰当的电池退化状态空间模型在实际中往往不易得到。
7.(6)以支持向量机、神经网络等机器学习方法利用相关样本数据进行黑箱建模，其优势在于不需要建立数学模型和先验知识，从数据中直接学习特征与soh的映射关系。但基于机器学习的黑箱模型，需要采集老化样本数据和对应的真实标签，其收集耗费时间，在很多实际应用场景中并不可行，同时由于电池一致性无法保证，使其很难在实际领域进行较好的应用。
8.(7)基于thevenin模型的电池寿命数学模型，然后通过离线的参数辨识得到soh模型，实现soh在线估算。优点在于采用bms实时监测的过程数据估算soh，对设备要求较低且不会使电池产生不必要的损耗，更加符合在线应用的实际情况。但基于thevenin模型的算法为简化模型推导做出了几个假设，不符合工程实际且引入一定误差，造成估算精度下降。
9.此外，当前一般评价电池单体的健康状态，很难直接得到电池簇的健康状态。现有文献中也有考虑单体soh的不均匀性，给出一种电池组的soh评价方法，但其采用了固定的不均匀性度量方法，这对于不同的应用场景来讲偏于刻板。


技术实现要素：

10.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效、准确的数据驱动与电化学机理结合的电池soh自动估计方法及设备，通过离线训练得到的多特征soh估计模型，可根据bms系统的监测数据在线提取电池单体和簇的衰减特性。
11.本发明的目的可以通过以下技术方案来实现：
12.一种数据驱动与电化学机理结合的电池soh自动估计方法，包括以下步骤：
13.获取每个电池单体的电流、端电压和温度信息，计算每次充电周期内的ic曲线、dv曲线、电压曲线和温度差分曲线；
14.在相同充放电模式的循环周期内，分别提取各曲线的关键点序列；
15.基于各曲线的关键点序列及对时间序列的回归，获得soh相关指标组(soh
ic_i
,soh
dv_i
,soh
v_i
,soh
dt_i
)，其中，soh
ic_i
、soh
dv_i
、soh
v_i
、soh
dt_i
分别为由ic曲线、dv曲线、电压曲线和温度差分曲线在线时间序列预测获得的soh；
16.基于预先离线获取的指标权重(ω
ic_i
,ω
dv_i
,ω
v_i
,ω
dt_i
)及所述soh相关指标组，得到各电池单体的最终soh估计sohi，其中，ω
ic_i
、ω
dv_i
、ω
v_i
、ω
dt_i
分别为各曲线的权重；
17.根据各电池单体的sohi，结合单体的soh平均水平和分布差异，获得整个电池簇的最终soh估计。
18.进一步地，对于ic曲线，所述关键点提取具体为：利用高斯回归拟合充电数据，获取ic曲线，进行微分处理，提取ic曲线的多个峰值作为ic曲线的关键点。
19.进一步地，对于dv曲线，所述关键点提取具体为：以测量的电压、电流数据采用数值导数法计算得到dv曲线，采用二阶多项式拟合，对dv曲线进行平滑处理，从平滑后的dv曲线提取多个峰值，作为dv曲线的关键点。
20.进一步地，对于电压曲线，所述关键点提取具体为：识别电压曲线的拐点，获取拐
点曲率的数学定义连续函数，以所述连续函数对应的标准闭形式的多个局部最小值作为电压曲线的关键点。
21.进一步地，对于温度差分曲线，所述关键点提取具体为：计算电芯温度t相对于时间的梯度，获得温度差分曲线，采用去噪平滑方法对dt-v曲线进行预处理，提取温度差分曲线上的峰值和谷值作为关键点。
22.进一步地，采用时间序列预测方法进行对时间序列的回归，所述时间序列预测方法包括传统机器学习回归模型、时序建模方法或深度学习回归模型。
23.进一步地，所述指标权重采用经离线训练的支持向量回归svr进行回归得到。
24.进一步地，所述整个电池簇的最终soh估计的计算公式为：
[0025][0026]
其中，soh为整个电池簇的最终soh估计，μ为离散系数，n为簇中电芯数。
[0027]
进一步地，所述离散系数包括离散度松弛系数、全距系数、平均差系数或标准差系数。
[0028]
本发明还提供一种电子设备，包括：
[0029]
一个或多个处理器；
[0030]
存储器；和
[0031]
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述数据驱动与电化学机理结合的电池soh自动估计方法的指令。
[0032]
与现有技术相比，本发明具有以下有益效果：
[0033]
1)本发明在对实际工况中运行的电池簇的在线soh估算问题的特殊需求下，提出了一种更能符合工程实际的在线动态估计soh技术。通过建立电池容量和ic峰值、dv峰值、表面温度差分峰值、电压特征点之间的定量关系，开发了在线soh监测框架。与其他在线单体soh估计方法相比，本发明结合了老化试验建立的离线模型和在线特征时间序列预测得到soh估计，改善了单纯依赖离线模型受电池工艺一致性影响较大的问题。同时，多种健康因子的综合使用降低了估计模型对测量误差的敏感程度，因此更具有实际应用的可靠性。
[0034]
2)本发明给出了簇的soh评价方法，利用带有松弛系数的离散度来度量簇中单体的soh差异，同时反映了簇的soh的平均水平，与现有簇的soh评价方法相比，对单体的差异的表达更为灵活和全面。
[0035]
3)本发明综合考虑多种测量曲线，并进行去噪处理，对测量噪声不敏感，soh估计精度高。
[0036]
4)本发明可以有效地提取电池soh相关的关键特征，进一步提高估计精度，可靠性高。
[0037]
5)本发明综合利用多种健康因子来联合估计soh，提高算法的实用性，使其更符合工程实际。
[0038]
6)本发明利用构造的健康因子时间序列回归来获取本地电芯的实际特性，综合了
离线模型和本地特性，降低离线模型因电芯不一致导致的估计误差。
[0039]
7)本发明以单体soh估计为基础，同时度量了单体间soh的不一致性，从整体分布和差异两个角度来联合度量簇的soh，能够能为准确、合理的评估簇的soh，为基于簇的整体应用提供更为可靠的性能估计，簇soh估计准确度更高、评估更为全面。
附图说明
[0040]
图1为本发明的流程示意图。
具体实施方式
[0041]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0042]
发明人发现对于单体的soh估计的技术不能直接应用于簇的soh估计。深入研究其原因可知，单体构成簇时，簇的整体健康状态不仅受组成簇的所有单体的个体健康状态决定，也受单体之间健康状态的差异影响。故创造性地提出本发明数据驱动与电化学机理结合的电池soh自动估计方法，可精确、在线提取电池单体和簇的衰减特性。
[0043]
实施例1
[0044]
参考图1所示，本实施例提供一种数据驱动与电化学机理结合的电池soh自动估计方法，包括以下步骤：
[0045]
获取每个电池单体的电流、端电压和温度信息，计算每次充电周期内的ic曲线、dv曲线、电压曲线和温度差分曲线；
[0046]
对各曲线进行预处理，包括去噪、平滑等，在相同充放电模式的循环周期内，分别提取各曲线的关键点序列；
[0047]
基于各曲线的关键点序列及对时间序列的回归，获得soh相关指标组(soh
ic_i
,soh
dv_i
,soh
v_i
,soh
dt_i
)，其中，soh
ic_i
、soh
dv_i
、soh
v_i
、soh
dt_i
分别为由ic曲线、dv曲线、电压曲线和温度差分曲线在线时间序列预测获得的soh；
[0048]
基于预先离线获取的指标权重(ω
ic_i
,ω
dv_i
,ω
v_i
,ω
dt_i
)及所述soh相关指标组，得到各电池单体的最终soh估计sohi，其中，ω
ic_i
、ω
dv_i
、ω
v_i
、ω
dt_i
分别为各曲线的权重；
[0049]
根据各电池单体的sohi，结合单体的soh平均水平和分布差异，获得整个电池簇的最终soh估计。
[0050]
各曲线的关键点通过以下方式提取：
[0051]
1)ic曲线
[0052]
ic曲线表示为dq/dv，其中q是瞬时充电容量，v是电池的端电压。ic曲线中存在多个峰值，而每个峰值代表特定电压平台。峰值特征与电极材料的相变直接相关，并且对电池的老化表现出高灵敏度。本实施例利用高斯回归拟合充电数据，获取ic曲线，进行微分处理，提取ic曲线的多个峰值作为ic曲线的关键点。本实施例中提取三个峰值为特征关键点。
[0053]
2)电压曲线
[0054]
在完整的充放电曲线中，电压因电芯的电化学反应过程所在阶段不同，呈现阶段性变化。本发明采用拐点识别算法来提取单个充放电周期中的电压关键特征点。使用曲率
的数学定义作为电压关键特征点定义基础的连续函数。为了任何连续函数f，都存在一个标准闭形式kf(x)，它将f在任意点的曲率定义为一个函数一阶和二阶导数。关键点定义为kf(x)的局部最小值，提取多个局部最小值作为电压曲线的关键点。本实施例中提取三个局部最小值为特征关键点。
[0055]
标准闭形式kf(x)的表达式为：
[0056][0057]
3)dv曲线
[0058]
dv曲线计算为v相对于q的梯度：dv/dq，以测量的电压、电流数据采用数值导数法，得到微分曲线。测量数据可以表示为：
[0059][0060]
为了去除测量噪声的影响，采用二阶多项式拟合，然后移动窗口对dv曲线进行平滑，得到新的dv曲线。在dv曲线上提取多个峰值，构成dv曲线的特征关键点。本实施例中提取两个峰值为特征关键点。
[0061]
4)温度差分曲线(dt曲线)
[0062]
dt曲线计算温度t相对于时间的梯度：构成dt-v曲线，采用去噪平滑方法对dt-v曲线进行预处理，然后提取dt曲线上的峰值和谷值作为特征关键点。
[0063]
上述各曲线的去噪、平滑方式可采用现有技术中任一去噪平滑方法。
[0064]
在电芯运行监测数据中提取相同充放电模式的循环周期，标注对应的充放电特性和循环周期序号，将提取后的电压特征点按照循环周期标注和特征点在单个充放电循环中的顺序进行重构，即得到电压关键特征点序列{v
11
，v
12
,
…v1n
},{v
21
，v
22
,
…v2n
},{v
31
，v
32
,
…v3n
}，ic曲线关键点序列ic
1：n
＝{ic
11
，ic
12
,
…
ic
1n
},{ic
21
，ic
22
,
…
ic
2n
},{ic
31
，ic
32
,
…
ic
3n
}，dv曲线关键点序列dv
1：n
＝{dv
11
，dv
12
,
…
dv
1n
},{dv
21
，dv
22
,
…
dv
2n
},{dv
31
，dv
32
,
…
dv
3n
}，dt曲线关键点序列dt
1：n
＝{dt
11
，dt
12
,
…
dt
1n
},{dt
21
，dt
22
,
…
dt
2n
}。
[0065]
在获取各曲线的关键点序列后通过在线时间序列预测方法估计每一电芯单体在当前循环周期的soh估计值，具体地：
[0066]
对ic曲线关键点序列ic
1：n
＝{ic
11
，ic
12
,
…
ic
1n
},{ic
21
，ic
22
,
…
ic
2n
},{ic
31
，ic
32
,
…
ic
3n
}进行去噪平滑，得到ic曲线关键点序列ic’1：n
＝{ic’11
，ic’12
,
…
ic’1n
},{ic’21
，ic’22
,
…
ic’2n
},{ic’31
，ic’32
,
…
ic’3n
}。采用传统机器学习回归模型(如线性回归)，时序建模方法arma/arima，或深度学习回归模型rnn、lstm等等时间序列预测方法建立时间序列预测模型f
ic
，则电芯i在当前循环周期的soh估计值为soh
ic_i
＝f
ic
(ic’n
)；
[0067]
对dv曲线关键点序列dv
1：n
＝{dv
11
，dv
12
,
…
dv
1n
},{dv
21
，dv
22
,
…
dv
2n
},{dv
31
，dv
32
,
…
dv
3n
}进行去噪平滑，得到dv曲线关键点序列dv’1：n
＝{dv’11
，dv’12
,
…
dv’1n
},{dv’21
，dv’22
,
…
dv’2n
},{dv’31
，dv’32
,
…
dv’3n
}。采用逻辑回归、ar、lstm等时间序列预测方法建立时间序列预测模型f
dv
，则电芯i在当前循环周期的soh
dv_i
＝f
dv
(dv’n
)；
[0068]
对电压曲线关键点序列v
1：n
＝{v
11
，v
12
,
…v1n
},{v
21
，v
22
,
…v2n
},{v
31
，v
32
,
…v3n
}进行去噪平滑，得到v曲线关键点序列v’1：n
＝{v’11
，v’12
,
…v’
1n
},{v’21
，’22
,
…v’
2n
},{v’31
，v’32
,
…v’
3n
}。采用逻辑回归、ar、lstm等时间序列预测方法建立时间序列预测模型fv，则电
芯i在当前循环周期的soh
v_i
＝fv(v’n
)；
[0069]
对dt曲线关键点序列dv
1：n
＝{dt
11
，dt
12
,
…
dt
1n
},{dt
21
，dt
22
,
…
dt
2n
}进行去噪平滑，得到dt曲线关键点序列dt’1：n
＝{dt’11
，dt’12
,
…
dt’1n
},{dt’21
，dt’22
,
…
dt’2n
}。采用逻辑回归、ar、lstm等时间序列预测方法建立时间序列预测模型f
dt
，则电芯i在当前循环周期的soh
dt_i
＝f
dt
(dt’n
)；
[0070]
基于上述过程获得soh相关指标组(soh
ic_i
,soh
dv_i
,soh
v_i
,soh
dt_i
)，结合预先离线获取的指标权重(ω
ic_i
,ω
dv_i
,ω
v_i
,ω
dt_i
)，即可计算获得电芯i的sohi估计。本实施例中将指标权重表示为ω1、ω2、ω3、ω4，则电芯i的sohi估计表示为：
[0071][0072]
其中，ωi采用经离线训练的支持向量回归svr进行回归得到，也可替换为其他机器学习模型(如各类集成学习模型、决策树、神经网络)、svr的改进模型。
[0073]
本实施例中，svr回归模型如下：
[0074]
假设样本集{xi,yi}，xi∈rn，i＝1,2,
…
,n，xi为特征集合；yi为相对应样本，那么最优分类平面的方程为：
[0075]
y＝ω
t
φ(x) b
ꢀꢀꢀꢀꢀꢀ
(4)
[0076]
式中ω为权向量；b为偏移向量。
[0077]
为此采用松弛因子对其进行变换，得到如下的等价问题：
[0078][0079]
式中c为惩罚参数。
[0080]
为了简化问题求解过程，加快求解速度，引入lagrange乘子αi得到如下偶问题：
[0081][0082]
根据上式可以得到ω的计算公式为：
[0083]
ω＝∑αiyiφ(xi)
·
φ(x)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0084]
那么可以得到svm的分类方式为：
[0085]
f(x)＝sgn(αiyiφ(xi)
·
φ(x) b)
ꢀꢀꢀꢀꢀꢀ
(8)
[0086]
φ(xi)
·
φ(x)是点积运算，易出现“维数灾难”问题，为此采用核函数k(x,xi)代替φ(xi)
·
φ(x)，这样变为：
[0087]
f(x)＝sgn(αiyik(x,xi) b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0088]
选择径向基核函数，这样上式变为：
[0089][0090]
假设簇由n个电芯串联构成，电芯i的健康状态sohi则簇的soh按照公式(11)计算：
[0091]
[0092]
其中，soh为整个电池簇的最终soh估计，μ为离散系数，n为簇中电芯数。离散系数可为离散度松弛系数、全距系数、平均差系数或标准差系数。本实施例中，μ为离散度松弛系数，μ∈[0,1]。
[0093]
在其他实施方式中，关键点时间序列回归过程也可替换为其他机器学习回归模型(如各类集成学习模型、神经网络、svr等)。
[0094]
在其他实施方式中，不同充电深度区间的关键特征点特征组合方法，可替换为多种充电区间关键点的集合，只需保证集合中至少包含上述发明中至少一个关键点，至多包含所有关键点，视充电深度和起止充电状态而定。
[0095]
在其他实施方式中，簇的soh计算公式中方差项可以由其他值域为[1，n]的单调函数代替。
[0096]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0097]
实施例2
[0098]
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述数据驱动与电化学机理结合的电池soh自动估计方法的指令。
[0099]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。