一种电热传感器互校正的锂电池健康状态估计方法

1.本发明涉及动力锂电池应用技术领域，尤其涉及一种电热传感器互校正的锂电池健康状态估计方法。


背景技术：

2.现今随着能源与环境危机日益加剧，锂电池作为一种灵活便捷供能元件，在电动汽车、电力储能等多个领域发挥着重要作用。然而，随着充放电次数的增加，锂电池会不断老化，导致性能下降。如果不能及时地维护或更换，不仅会对锂电池储能单元的运行状况造成影响，而且容易引起安全事故。因此，准确估计锂电池的健康状态（state of health, soh）是保障锂电池储能单元长期稳定运行的关键技术。
3.当前锂离子电池的soh预测方法主要分为三类：一是以传统模型为基础的方法，二是数据驱动法，三是模型和数据驱动融合的方法。传统模型的方法需要在实验室内进行大量实验，通过分析电池老化行为，研究电池的退化机理，建立相应的物理模型。使用传统模型为基础的方法估计soh对实验环境要求较高，同时需要研究人员充分掌握相关领域知识。但由于电池内部电化学机理的复杂性和工作条件的不确定性，建立精确的物理模型难度较大。数据驱动型法通过收集的老化数据，结合人工智能与数据挖掘方法，建立输入与输出数据之间的关系，用于预测锂电池soh。目前常用的数据驱动方法主要包括：人工神经网络(artificial neural network, ann )、支持向量机 (support vector machine, svm )等算法。数据驱动型的方法不要求研究人员深入了解电池的工作原理、电池模型等相关知识，只需要对电池充放电过程数据的检测，就能够建立准确度较高的预测模型。
4.但是目前现有的估计锂电池的健康状态方法仍存在建立精确的物理模型难度较大，且仅支持单一预测导致预估准确率较低的问题，因此，我们提出一种电热传感器互校正的锂电池健康状态估计方法用于解决上述问题。


技术实现要素：

5.本发明的目的是为了解决目前现有的锂电池健康状态估计方法仍存在建立精确的物理模型难度较大，且仅使用单一传感器预测导致在传感器故障情况下预测系统失效的问题，而提出的一种电热传感器互校正的锂电池健康状态估计方法。
6.为了实现上述目的，本发明采用了如下技术方案：一种电热传感器互校正的锂电池健康状态估计方法，包括以下步骤：s1：建立状态机模型：用于多模型的灵活选取,通过判断传感器是否失效，若电流传感器失效，则选用模型m1进行预测；若温度传感器失效，则选用模型m2进行预测;若无传感器失效，则选用模型m3进行预测；s2：建立预测模型m1：首先，从锂电池放电过程中获得电压、时间、温度等数据，计算得到差分曲线，经过
高斯滤波得到平滑的dt曲线，dt曲线为差分温度曲线。 。在此基础上，定义峰值为曲线纵轴坐标的最大值，峰值下的区域面积为曲线在横轴某一区间上的积分，计算得到dt曲线的峰值和峰值下区域面积，作为老化特征。最后，运用岭回归模型，岭回归方程可以表示为：其中，n为样本总数，为样本的特征因数，x
n1-x
nn
为训练集中第n个样本的第1个至第n个老化特征，yn为第n个样本的电池容量，为常量。
7.岭回归求解：其中为样本的特征因数，为岭系数，i是单位矩阵（对角线全为1），x是训练集中的老化特征，y是训练集中的电池容量。
8.将上一步骤中得到的dt曲线的老化特征以及电池容量作为训练集输入，得到基于温度传感器soh预测模型m1；s3：建立预测模型m2：建立电流传感器的单一预测模型m2：首先，从锂电池放电过程中获得电压、电流、时间等数据，计算得到容量q对于电压v的导数dq/dv，经过高斯滤波得到平滑的ic曲线；在此基础上，与步骤s2同理，计算得到ic曲线的峰值和峰值下区域面积，作为老化特征。最后，运用岭回归模型，岭回归代价函数，将上一步骤中得到的ic曲线的老化特征以及电池容量作为训练集输入，得到基于电流传感器的soh预测模型m2；s4：建立联合估计模型m3：通过前述步骤分别建立了预测模型m1和m2后，本发明通过权重的方式实现温度传感器和电流传感器的联合，构造所述的电热传感器互校正的锂电池soh估计方法；联合估计的权值，通过将训练集输入预测模型m1和m2，根据公式(3)分别计算得到预测结果的均方根误差（root mean squared error, rmse）rmse
m1
和rmse
m2
。
[0009] yi为第i个样本的电池容量；利用rmse对两个模型输出的预测结果进行赋权并相加，得到联合估计模型m3。
[0010]
设置m1预测结果predict
m1
的权值w1为设置m2预测结果predict
m2
的权值w2为联合估计模型m3的预测结果predict
m3
为s5：进行判断：输入待预测数据进行判断，并通过判断结果选择模型进行预测；优选的，所述s2中，对温度传感器数据进行差分曲线计算，利用锂电池充电曲线中
的电压v、温度t和时间t的数据，计算得到温度t对于时间t在采样区间l上的有限差分dtm，计算公式为，其中k为数据对应的时间，且单位为秒，l为选取的采样区间长度，v、 t、 t分别为充电阶段的电压、温度、时间；优选的，所述s2中，采用高斯滤波对曲线进行处理，其中高斯滤波是一种线性平滑滤波，零均值的一维高斯函数为，其中g(x)为概率，为标准差，同时通过高斯滤波后得到dt曲线，定义dt曲线的横轴变量为v，纵轴变量为dtm进行曲线的峰值和峰值下的区域面积的计算，并定义峰值为曲线纵轴坐标的最大值，峰值下的区域面积为曲线在横轴区间上的积分，通过计算得到dt曲线峰值peak
m1
，将峰值下的区域(a, b)面积记为area
m1
；优选的，所述s2中，输入训练集数据进行岭回归模型的训练，其中所述岭回归是一种专用于共线性数据分析的有偏估计回归方法，且岭回归方程为，其中n为样本总数，为样本的特征因数，xn
1-xnn为训练集中第n个样本的第1个至第n个的老化特征，yn为第n个样本的电池容量，为常量，通过岭回归方程进行岭回归求解，其中岭回归求解公式为，其中为样本的特征因数，为岭系数，i是单位矩阵，x是训练集中的老化特征，y是训练集中的电池容量，同时将得到的peak
m1
，area
m1
和电池容量作为训练集，并运用岭回归模型得到基于温度传感器soh预测模型m1，优选的，所述s3中，利用锂电池充电曲线中的电压v、电流i、时间t数据，计算得到容量q对于电压v的导数dq/dv，且计算公式为，其中i, v, t分别为充电阶段的电流、电压、时间，时间单位为秒，同时通过高斯滤波得到ic曲线，定义ic曲线的横轴变量为v，纵轴变量为dq/dv。在此基础上，与步骤s2中运用岭回归模型得到基于温度传感器soh预测模型m1同理，进行曲线的峰值和峰值下的区域面积的计算，通过计算得到ic曲线峰值peak
m2
将峰值下的区域(a, b)面积记为area
m2
，将peak
m2
，area
m2
和电池容量作为训练集，运用岭回归模型得到基于电流传感器的soh预测模型m2；优选的，所述s4中，建立联合估计模型m3，将获得的peak
m1
, area
m1
输入到预测模型m1得到预测结果，并计算其与真实值的均方根误差记为rmse
m1
，并将peak
m2
, area
m2
输入到预测模型m2得到预测结果，并计算其与真实值的均方根误差记为rmse
m2
，设置m1预测结果predict
m1
的权值为w1，其中，设置m2预测结果predict
m2
的权值为w2，其中，w1和w2得到联合估计模型m3，其中联合估计模型m3的预测
结果predict
m3
的计算公式为；优选的，所述s5中，输入待预测数据判断传感器是否失效，其中通过传感器数据缺失以及趋势上的异常进行判断，并定义h1代表温度传感器的状态，h2代表电流传感器的状态，0代表传感器处于失效状态，1代表传感器处于正常运行状态，且电流传感器失效则选用模型m1进行预测，温度传感器失效则选用模型m2进行预测，无传感器失效则选用模型m3进行预测，同时在电池数据集上进行验证，通过在电池正常运行、电流传感器失效、温度传感器失效三种状态下切换soh估计，并通过建立的基于电热传感器互校正的soh联合估计模型，将多个不同类型的锂电池soh预测模型进行快速切换与联合估计，通过结果验证在传感器故障情况下锂电池soh预测系统的稳定运行。
[0011]
与现有技术相比，本发明的有益效果是：1、通过一个状态机模型和多个预测模型构成锂电池soh预测系统。引入状态机模型考虑到了电流传感器或温度传感器在某些外部条件下失效的情况，通过实时感知传感器的状态变化，可以快速切换到相应的预测模型，使soh预测得以正常稳定地进行，提高了soh预测系统的鲁棒性。
[0012]
2、预测模型所使用的老化特征可从锂电池的充电过程中获得，在实际应用中容易获取。同时通过使用岭回归方法，避免繁琐的调参过程，提高联合估计模型的运行效率。
[0013]
本发明的目的是提供一种能够有效应对电流或者温度单一传感器故障的锂电池soh估计方法，使用岭回归算法分别建立电流、温度传感器对应的预测模型，提出运用状态机理论实现不同类型模型的灵活切换，并通过误差计算自适应调整多模型联合的权重系数，实现传感器故障状态下锂电池soh的准确估计。
附图说明
[0014]
图1为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的流程图；图2为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的建立soh联合估计模型及预测流程图；图3为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的状态转换图；图4为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的dt曲线或ica曲线的峰值和峰值下区域面积示意图；图5为本发明提出的一种电热传感器互校正的锂电池健康状态估计方法的数据集验证结果图。
具体实施方式
[0015]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明某一实施例，而不是全部的实施例。
[0016]
具体实施例参照图1和图3，一种电热传感器互校正的锂电池健康状态估计方法，包括以下步
骤：s1：建立状态机模型：用于多模型的灵活选取,通过判断传感器是否失效，若电流传感器失效，则选用模型m1进行预测；若温度传感器失效，则选用模型m2进行预测;若无传感器失效，则选用模型m3进行预测；s2：建立预测模型m1：首先，从锂电池放电过程中获得电压、时间、温度等数据，计算得到差分曲线，经过高斯滤波得到平滑的dt，曲线dt曲线为差分温度曲线。在此基础上，定义峰值为曲线纵轴坐标的最大值，峰值下的区域面积为曲线在横轴某一区间上的积分，计算得到dt曲线的峰值和峰值下区域面积，作为老化特征。最后，运用岭回归模型，岭回归方程可以表示为：其中，n为样本总数，为样本的特征因数，x
n1-x
nn
为训练集中第n个样本的第1个至第n个老化特征，yn为第n个样本的电池容量，为常量。
[0017]
岭回归求解：其中为样本的特征因数，为岭系数，i是单位矩阵（对角线全为1），x是训练集中的老化特征，y是训练集中的电池容量。
[0018]
将上一步骤中得到的dt曲线的老化特征以及电池容量作为训练集输入，得到基于温度传感器soh预测模型m1；s3：建立预测模型m2：建立电流传感器的单一预测模型m2：首先，从锂电池放电过程中获得电压、电流、时间等数据，计算得到差分曲线，经过高斯滤波得到平滑的ic曲线，ic曲线为增量容量曲线；在此基础上，与步骤s2同理，计算得到ic曲线的峰值和峰值下区域面积，作为老化特征。最后，运用岭回归模型，岭回归代价函数，将上一步骤中得到的ic曲线的老化特征以及电池容量作为训练集输入，得到基于电流传感器的soh预测模型m2；s4：建立联合估计模型m3：通过前述步骤分别建立了预测模型m1和m2后，本发明通过权重的方式实现温度传感器和电流传感器的联合，构造所述的电热传感器互校正的锂电池soh估计方法；联合估计的权值，通过将训练集输入预测模型m1和m2，根据公式(3)分别计算得到预测结果的均方根误差（root mean squared error, rmse）rmse
m1
和rmse
m2
。
[0019]
利用rmse对两个模型输出的预测结果进行赋权并相加，得到联合估计模型m3。
[0020]
设置m1预测结果predict
m1
的权值w1为设置m2预测结果predict
m2
的权值w2为
area
m2
输入到预测模型m2得到预测结果，并计算其与真实值的均方根误差记为rmse
m2
，设置m1预测结果predict
m1
的权值为w1，其中，设置m2预测结果predict
m2
的权值为w2，其中，w1和w2得到联合估计模型m3，其中联合估计模型m3的预测结果predict
m3
的计算公式为；参照图5，本实施例中，所述s5中，输入待预测数据判断传感器是否失效，其中通过传感器数据缺失以及趋势上的异常进行判断，并定义h1代表温度传感器的状态，h2代表电流传感器的状态，0代表传感器处于失效状态，1代表传感器处于正常运行状态，且电流传感器失效则选用模型m1进行预测，温度传感器失效则选用模型m2进行预测，无传感器失效则选用模型m3进行预测，同时在电池数据集上进行验证，通过在电池正常运行、电流传感器失效、温度传感器失效三种状态下切换soh估计，并通过建立的基于电热传感器互校正的soh联合估计模型，将多个不同类型的锂电池soh预测模型进行快速切换与联合估计，通过结果验证在传感器故障情况下锂电池soh预测系统的稳定运行。
[0021]
以上所述，仅为本发明实施例可选的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。