电池电化学阻抗谱在线估计方法及装置

1.本技术涉及电池管理技术领域，特别是涉及一种电池电化学阻抗谱在线估计方法及装置。


背景技术：

2.电化学阻抗谱(electrochemical impedance spectroscopy,eis)是频域内分析、表征电池电化学特性的主要手段。通过分析电池eis数据(由不同频率下的电池交流阻抗值所构成，其频率范围跨度通常从千赫兹到毫赫兹)，可以区分出电池内部具有不同时间常数的物理化学过程，进而可实现电池性能、老化和安全性等方面的先进诊断。
3.目前电池eis通常需要电池处于准平衡态下，采用电化学工作站等专用设备离线测试，而难以在电池实际运行时在线获取，导致当前基于eis的电池诊断方法主要针对电池的离线表征和诊断，而难以推广到电池实际运行下的在线诊断。因此，在线获取电池eis对于发展基于eis的电池先进诊断技术具有重要意义。传统的电池eis获取方法有在线测量法和在线估计法两类。然而，在实现本发明过程中，发明人发现传统的电池eis获取方法仍存在着电池eis估计结果准确度较低的技术问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种电池电化学阻抗谱在线估计方法以及一种电池电化学阻抗谱在线估计装置，能够大幅提高电池eis估计结果的准确度且易用性更好。
5.为了实现上述目的，本发明实施例采用以下技术方案：
6.一方面，本发明实施例提供一种电池电化学阻抗谱在线估计方法，包括步骤：
7.调用训练好的机器学习模型；机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱训练得到；
8.在线获取待估计电池的在线监测弛豫电压曲线数据；
9.根据在线监测弛豫电压曲线数据，通过机器学习模型对待估计电池进行eis 数据在线估计，得到待估计电池的在线eis数据。
10.另一方面，还提供一种电池电化学阻抗谱在线估计装置，包括：
11.模型调用模块，用于调用训练好的机器学习模型；机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱训练得到；
12.在线数据模块，用于获取待估计电池的在线监测弛豫电压曲线数据；
13.在线估计模块，用于根据在线监测弛豫电压曲线数据，通过机器学习模型对待估计电池进行eis数据在线估计，得到待估计电池的在线eis数据。
14.上述技术方案中的一个技术方案具有如下优点和有益效果：
15.上述电池电化学阻抗谱在线估计方法及装置，通过利用基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到的机器学习模型，然后在
电池实际运行过程中，通过在线监测获取待估计电池的在线监测弛豫电压曲线数据，最后基于前期离线训练得到的机器学习模型，利用前述在线监测弛豫电压曲线数据即可在线估计电池的eis数据。相较传统在线测量法，本发明无需集成专用测量电路，具有低成本、易使用的优势；而相较传统在线估计法，本发明的方法排除了电池荷电状态(soc)变化所带来的干扰，估计精度得到大幅提高，对于发展基于eis的电池先进诊断技术具有重要意义。
附图说明
16.图1为一个实施例中电池电化学阻抗谱在线估计方法的流程示意图；
17.图2为一个实施例中电池离线测试的流程示意图；
18.图3为一个实施例中弛豫电压响应与阻抗特征的对应关系示意图；
19.图4为一个实施例中某次电池eis实测数据的奈奎斯特图；
20.图5为一个实施例中本技术的方法在研发过程中的阶段流程示意图，其中， (a)为电池离线测试与模型训练部分的阶段流程，(b)为电池eis在线估计的阶段流程；
21.图6为一个实施例中电池eis在线估计方法的应用流程示意图；
22.图7为一个实施例中电池电化学阻抗谱在线估计装置的模块结构示意图。
具体实施方式
23.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
24.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
25.另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
26.通常，获取电池eis需要首先将电池置于准平衡态下，然后采用电压扰动或电流扰动的方法离线测量。而在不影响电池实际运行工况的情况下，在线获取电池eis具有较大难度。根据公开报道，目前主要有在线测量法和在线估计法两类方法。
27.第一类为在线测量法，需要采用专门的测量电路对电池实现eis在线测量。具体来说，首先使用专用电路实现对电池的小幅电流扰动，即对电池当前工作电流叠加一个小幅交流电流信号，然后同时测量与之相对应的小幅交流电压响应信号，最终根据相关信号处理方法计算得到电池eis。此类方法能够比较准确地获取电池eis，但需要在电池管理系统中集成专用电路，导致成本较高。
28.第二类为在线估计法，主要根据电池实际运行过程中产生的电压、电流信号来对电池eis进行在线估计。具体来说，目前相关学者主要采用电池在充电/ 放电过程中的电压、电流信号对电池eis进行在线估计。此类方法无需增加额外硬件设备，成本较低，但由于电池充放电过程中的电压动态响应与电池阻抗和荷电状态(state of charge,soc)的变化共同相关，而阻抗响应与soc变化所产生的响应高度耦合难以区分，导致难以从充放电动态
信号中准确估计出电池在不同频率下的阻抗值，从而难以获得准确的电池eis数据。
29.综上，虽然目前已存在一些电池eis在线测量/估计的研究成果，但其往往在实际应用中难以使用或准确度不佳，本发明人分析发现主要有两个方面的原因： 1、需要专门电路产生扰动信号，成本较高；2、采用的估计方法算法复杂且精度不高。
30.综上，本发明针对传统的电池eis获取方法仍存在着电池eis估计结果准确度较低的技术问题，本发明提供一种新的电池电化学阻抗谱(eis)在线估计方法，针对目前电池eis在线测量/估计所存在的以上缺点，本发明将以电池在卸载电流后的弛豫电压曲线作为表征电池阻抗特性的特征数据，并使用机器学习模型(例如但不限于各类卷积神经网络)来估计电池在不同频率下的阻抗值，从而获取当前电池eis数据。由于电池在卸载电流后，其soc不发生变化，故只体现了电池的极化过程或阻抗信息，从而减小了估计电池eis数据的难度，从而能大幅度提高估计结果的准确性。此外，由于电池实际在线运行时，通常会比较频繁地出现卸载电流后的静置状态，故本技术提供的方法也具有较高的易用性。
31.请参阅图1，一方面，本发明提供一种电池电化学阻抗谱在线估计方法，包括如下步骤s12至s16：
32.s12，调用训练好的机器学习模型；机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到。
33.可以理解，机器学习模型可以但不限于是现有技术中的各类神经网络模型，用于以离线测量的离线弛豫电压曲线数据为输入，以离线弛豫电压曲线数据所对应的eis数据为输出进行模型训练，从而得到训练好的机器学习模型。机器学习模型的训练过程与方式可以参照现有技术中同类模型本身的训练过程与方式同理理解，本说明书中不再展开赘述。
34.该机器学习模型应用于电池eis在线估计时，获取待估计电池的在线监测弛豫电压曲线数据输入后，即可自动输出当前电池的eis估计数据。其中用于开展相关离线测试的电池离线电化学阻抗谱数据与待估计电池为同型号电池。
35.s14，在线获取待估计电池的在线监测弛豫电压曲线数据。
36.可以理解，待估计电池为实际运行过程中在线使用的电池。在线估计电池 eis数据，需要首先获取待估计电池在实际运行过程中的弛豫电压曲线数据，也即在线监测弛豫电压曲线数据，然后基于前期离线训练得到的机器学习模型，即可在线估计前述待估计电池的eis数据。
37.在线监测弛豫电压曲线数据可以由待估计电池的电池管理系统获取。
38.s16，根据在线监测弛豫电压曲线数据，通过机器学习模型对待估计电池进行eis数据在线估计，得到待估计电池的在线eis数据。
39.可以理解，获得在线监测弛豫电压曲线数据后，将该在线监测弛豫电压曲线数据输入给训练好的机器学习模型，即可输出对应的在线eis数据，也即实现对待估计电池的eis在线估计。
40.上述电池电化学阻抗谱在线估计方法，通过利用基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到的机器学习模型，然后在电池实际运行过程中，通过在线监测获取待估计电池的在线监测弛豫电压曲线数据，最后基于前期离线训练得到的机器学习模型，利用前述在线监测弛豫电压曲线数据即可在线估计电池
的eis数据，也即待估计电池的eis 估计数据。相较传统在线测量法，本发明无需集成专用测量电路，具有低成本、易使用的优势；而相较传统在线估计法，本发明的方法排除了soc变化所带来的干扰，估计精度得到大幅提高，对于发展基于eis的电池先进诊断技术具有重要意义。
41.在一个实施例中，可以在电池处于近满电态(如一般高于90％soc)、 50％soc和10soc％三个soc状态点进行离线弛豫电压曲线数据和对应的eis 数据的离线测量，从而获取后续用于机器学习模型的训练数据。
42.如图2所示为特定温度下(如25摄氏度)电池离线测试的一种流程示意图。在进行电池离线测试时，需要考虑电池老化的情况，故可预设共进行n次充放电循环及测量，以获得电池在不同老化状态下的训练数据。n的具体取值可以根据电池循环寿命以及测试时间成本等综合选择。
43.此外，在实际应用中，还可选择更多的soc状态点，以及在充电过程中或不同的温度下进行类似的弛豫电压曲线和阻抗谱数据测试，以获取更加充分的训练数据，从而获得更高估计精度的机器学习模型。
44.在一个实施例中，电池的离线弛豫电压曲线数据的获取过程具体可以如下：
45.在离线测量条件下，对待估计电池的同型号电池在卸载充电或放电电流后的极化消退过程，采用变频采样法对同型号电池的的弛豫电压信号进行采样，得到离线弛豫电压曲线数据。
46.可以理解，电池离线测试是为了获取充分的离线弛豫电压曲线数据和与之对应的离线电化学阻抗谱数据。进而，以离线测量的离线弛豫电压曲线数据作为模型的输入、离线测量的eis数据作为模型的输出，可对机器学习模型进行训练。
47.具体的，如图2中所示的离线弛豫电压曲线数据可以是在电池卸载充/放电电流后，在其极化电压逐渐消退过程中所采集到的电池电压信号，其反映了充/放电时电池的极化程度，并且与电池eis具有密切关系。然而，目前常用的电池eis频段范围较宽(通常在1khz-0.01hz的范围)，而现有电池管理系统对电池电压信号的采样时间间隔一般固定为1秒采样间隔(或采样间隔更长)，则所获取的弛豫电压曲线数据难以反映出电池的宽频段阻抗特征。
48.在本实施例中，采用了一种变频率采样的方式，如可在卸载电流时刻到卸载电流后的第一设定时间(例如但不限于0秒-1秒之间的任意时间，其中，以电池开始卸载电流时刻为0秒的开始时刻)之内，采用第一设定频率(例如但不限于10khz)采样(此采样获得的弛豫电压数据主要反映电池的中高频段阻抗特征)，而在卸载电流第一设定时间之后，采用第二设定频率(例如但不限于1hz) 采样(此采样获得的弛豫电压数据主要反映电池的低频段阻抗特征)，具体如图3所示，即为弛豫电压响应与阻抗特征的对应关系示意图。采用第二设定频率采样的时间为第二设定时间，该时间可为1s-3600s之间的任一时间。
49.在实际操作中，具体还可选用其他不同的采样频率，只要能够更准确地反映出电池的宽频段阻抗特征均可。
50.在一个实施例中，采用如下公式对离线弛豫电压曲线数据进行预处理。
51.52.其中，v0为卸载电流前一瞬间(可设为t＝0时刻，此时电池电压还未发生突变)的电池电压，i0为卸载电流之前的电池电流(充电为正值，放电为负值)，v
t
为卸载电流后t时刻的电池电压。
53.可以理解，为了方便后续统一使用不同弛豫电压曲线数据，可使用公式(1) 对弛豫电压曲线数据进行预处理。经过公式(1)预处理后，所获得的弛豫曲线数据d
t
即可用于与电池eis建立映射关系。
54.在一个实施例中，离线弛豫电压曲线数据对应的离线电化学阻抗谱数据的频段范围为千赫兹至毫赫兹，离线电化学阻抗谱数据在频段范围内的测量频点采用等对数间隔选择。
55.可以理解，可采用电化学工作站等专用设备离线测量电池eis，测量的频段范围可根据具体需求合理设置，一般电池eis频段范围设置在千赫兹到毫赫兹之间，可使用等对数间隔选择具体测量频点，一次eis测量的频点数目一般可以不超过一百(具体频点数目可以根据测量需求进行合理调整)。如图4所示，即为某次电池eis实测数据的奈奎斯特图，图4中，z
im
表示交流阻抗的虚部， z
re
表示交流阻抗的实部。
56.在一个实施例中，机器学习模型为卷积神经网络，卷积神经网络在训练过程中采用准确度指标作为模型参数优化的目标函数。
57.可以理解，本技术的方法在研发过程中可以分为两个部分，包括电池离线测试与模型训练，以及电池eis在线估计，如图5所示即为本技术的方法在研发过程中的阶段流程示意图，其中，(a)为电池离线测试与模型训练部分的阶段流程，(b)为电池eis在线估计的阶段流程。在本实施例中可以采用本领域的卷积神经网络进行模型离线训练。
58.具体的，在模型离线训练部分，以离线测量并预处理后的弛豫曲线数据作为模型输入，以离线测量获得的相应离线电化学阻抗谱数据作为模型输出，对卷积神经网络进行离线训练。模型优化目标为使得离线预测的电池eis准确度最高，因此具体可采用本领域的准确度指标index进行评价：
[0059][0060]
其中，index越小则模型越准确，此处的n为测量阻抗的频点数，re(zi)和 im(zi)分别代表实测阻抗zi的实部和虚部，re(z
′i)和im(z
′i)代表模型预测阻抗的实部和虚部。ω为正实数，代表实际操作中虚部相较实部所赋予的权重。
[0061]
在一个实施例中，在线监测弛豫电压曲线数据的获取过程，具体可以包括如下处理过程：
[0062]
在待估计电池开始卸载电流后，采用变频采样法对待估计电池的在线弛豫电压信号进行采样，得到待估计电池的在线弛豫电压变频采样数据；
[0063]
根据在线弛豫电压变频采样数据、待估计电池开始卸载电流前的电池电压和电池电流进行数据预处理，得到在线监测弛豫电压曲线数据。
[0064]
可以理解，根据离线训练得到的卷积神经网络等机器学习模型，以及在线获取的在线监测弛豫电压曲线数据可以实现对电池eis在线估计。电池eis在线估计的具体流程如图6所示。
[0065]
具体的，首先，可以由电池管理系统在线监测待估计电池的电池电压、电流和温度
等信号。当判断电池可能卸载电流后(如恒流充电即将结束)，则采用本发明上述实施例中提出的变频采样法对待估计电池的弛豫电压信号进行在线采样；然后根据在线获取的弛豫电压变频采样数据(可记为v
t
)、开始卸载电流前的电池电压v0和电池电流i0对弛豫电压曲线进行预处理(如公式(1)所示)；最后，根据所获得的在线监测弛豫电压曲线数据，可使用离线训练好的卷积神经网络等机器学习模型对电池eis进行在线估计。
[0066]
在一个实施例中，在线弛豫电压变频采样数据包括第一在线弛豫电压采样数据和第二在线弛豫电压采样数据。关于前述步骤采用变频采样法对待估计电池的在线弛豫电压信号进行采样的过程，具体可以包括如下处理过程：
[0067]
在待估计电池开始卸载电流时刻至卸载电流后的第一设定时间之内，采用第一设定频率采样待估计电池的弛豫电压信号，得到第一在线弛豫电压采样数据；第一在线弛豫电压采样数据用于反映待估计电池的中高频段阻抗特征；
[0068]
在第一设定时间之后，采用第二设定频率采样待估计电池的弛豫电压信号，得到第二在线弛豫电压采样数据；第一设定频率高于第二设定频率，第二在线弛豫电压采样数据用于反映待估计电池的低频段阻抗特征。
[0069]
可以理解，关于本实施例中的变频率采样过程，可以参照上述电池离线测试部分实施例中关于离线弛豫电压曲线数据的采样过程同理理解，本实施例中不再重复叙述。
[0070]
在一些实施方式中，待估计电池为锂离子电池。第一设定时间可为0s-1s之间的任意时长，第一设定频率可为10khz，第二设定频率可为1hz。
[0071]
可以理解，在本实施例中针对锂离子电池进行电池eis估计，并采用了不同设定时间及频率的变频率采样方式，可以实现对锂离子电池的高精度电池eis 估计。
[0072]
应该理解的是，虽然图1和图2流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1和图2的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0073]
请参阅图7，在一个实施例中，还提供了一种电池电化学阻抗谱在线估计装置100，包括模型调用模块11、在线数据模块13和在线估计模块15。其中，模型调用模块11用于调用训练好的机器学习模型；机器学习模型基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到。在线数据模块13用于获取待估计电池的在线监测弛豫电压曲线数据。在线估计模块15用于根据在线监测弛豫电压曲线数据，通过机器学习模型对待估计电池进行eis数据在线估计，得到待估计电池的在线eis数据。
[0074]
上述电池电化学阻抗谱在线估计装置100，通过各模块的协作，利用基于电池离线测试获得的离线弛豫电压曲线数据及对应的离线电化学阻抗谱数据训练得到的机器学习模型，然后在电池实际运行过程中，在线监测获取待估计电池的在线监测弛豫电压曲线数据，最后基于前期离线训练得到的机器学习模型，利用前述在线监测弛豫电压曲线数据即可在线估计电池的eis数据，也即待估计电池的eis估计数据。相较传统在线测量法，本发明无需集成专用测量电路，具有低成本、易使用的优势；而相较传统在线估计法，本发明的方
法排除了soc 变化所带来的干扰，估计精度得到大幅提高，对于发展基于eis的电池先进诊断技术具有重要意义。
[0075]
在一个实施例中，上述在线数据模块包括：
[0076]
电压采样子模块，用于在待估计电池开始卸载电流后，采用变频采样法对待估计电池的在线弛豫电压信号进行采样，得到待估计电池的在线弛豫电压变频采样数据。预处理子模块，用于根据在线弛豫电压变频采样数据、待估计电池开始卸载电流前的电池电压和电池电流进行数据预处理，得到在线监测弛豫电压曲线数据。
[0077]
在一个实施例中，在线弛豫电压变频采样数据包括第一在线弛豫电压采样数据和第二在线弛豫电压采样数据。上述采用变频采样法对待估计电池进行在线弛豫电压数据采样的过程，包括：
[0078]
在待估计电池开始卸载电流时刻至卸载电流后的第一设定时间之内，采用第一设定频率采样待估计电池的弛豫电压信号，得到第一在线弛豫电压采样数据；第一在线弛豫电压采样数据用于反映待估计电池的中高频段阻抗特征；
[0079]
在第一设定时间之后，采用第二设定频率采样待估计电池的弛豫电压信号，得到第二在线弛豫电压采样数据；第一设定频率高于第二设定频率，第二在线弛豫电压采样数据用于反映待估计电池的低频段阻抗特征。
[0080]
在一个实施例中，待估计电池为锂离子电池，第一设定时间为0s-1s之间的任意时长，第一设定频率为10khz，第二设定频率为1hz。
[0081]
在一个实施例中，前述离线弛豫电压曲线数据的获取过程为：
[0082]
在离线测量条件下，对待估计电池的同型号电池在卸载充电或放电电流后的极化消退过程，采用变频采样法对同型号电池的弛豫电压信号进行采样，得到离线弛豫电压曲线数据。
[0083]
在一个实施例中，离线弛豫电压曲线数据对应的离线电化学阻抗谱数据的频段范围为千赫兹至毫赫兹，离线电化学阻抗谱数据在频段范围内的测量频点采用等对数间隔选择。
[0084]
在一个实施例中，机器学习模型为卷积神经网络，卷积神经网络在训练过程中采用准确度指标作为模型参数优化的目标函数。
[0085]
关于电池电化学阻抗谱在线估计装置100的具体限定，可以参见上文中电池电化学阻抗谱在线估计方法的相应限定，在此不再赘述。上述电池电化学阻抗谱在线估计装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于本领域的各型计算机设备、电池管理设备或监控设备。
[0086]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程 rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括
随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限， ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步 dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram (esdram)、同步链路(synchlink)dram(sldram)、存储器总线式动态随机存储器(rambus dram，简称rdram)以及接口动态随机存储器(drdram)等。
[0087]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0088]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可做出若干变形和改进，都属于本技术保护范围。因此本技术专利的保护范围应以所附权利要求为准。