基于不完整充电过程局部能量特征的电池健康预测方法

1.本发明涉及电池管理技术领域，具体涉及一种基于不完整充电过程局部能量特征的电池健康预测方法。


背景技术：

2.锂离子电池具有寿命长、自放电率低、能量密度大的特点，能够成为良好的储能设备，并使得其在电气设备中得到了广泛运用，例如纯电动汽车、插电式混合动力汽车、移动储能设备、电网等。
3.目前电动汽车动力电池健康状态估计的方法可粗略地分为基于模型的方法与基于数据驱动方法两类。其中，基于模型的方法需要一定的先验知识来构建合适的模型，这些模型能够一定程度地反映电池的电化学特性，如电化学模型和等效电路模型，然后利用卡尔曼滤波,粒子滤波等递推算法，并基于实时的电压电流估计健康状态。而基于数据驱动的方法则分析大量的电池老化实验数据，提取与电池老化相关的特征，然后利用机器学习类的工具来描述这些特征与健康状态之间的相关关系。
4.目前，存在利用电池充电阶段的容量增量曲线进行特征提取，并建立曲线峰值特征与电池健康状态的映射关系，从而进行健康状态估计的方法。但是这些方法基本上未考虑实际充电情况下容量增量曲线可能不完整，也基本未考虑温度对曲线峰值的影响，而电池的充放电容量很容易受到温度的影响，因此充电容量的增量曲线也可能受到温度影响。另外，还存在一些利用充放电片段数据进行老化特征提取并进行健康状态估计的方法，但这些方法为了在充满不确定性的实际充放电过程中应用，其训练数据的充放电片段往往十分庞大。
5.由于电动汽车实际行驶过程中的充放电行为充满不确定性，很少有彻底的放完电或完整的充满电过程，与之相关的很多老化特征会失效。因此，如何利用不完整的充放电数据进行特征提取，寻找具有抗干扰能力的老化特征是目前基于数据驱动方法的共同问题。


技术实现要素：

6.为解决上述技术问题，本发明提供一种基于不完整充电过程局部能量特征的电池健康预测方法。
7.为解决上述技术问题，本发明采用如下技术方案：
8.一种基于不完整充电过程局部能量特征的电池健康预测方法，包括以下步骤：
9.采集电动车电池的充电数据，充电数据包含恒压充电数据和恒流充电数据，并分别提取恒压充电数据和恒流充电数据的老化特征；根据不同老化状态下充电电压曲线的差异，能够将恒流充电阶段的充电电压划分特征电压区间；
10.如果充电数据包含恒压充电数据且满足条件a，则将恒压充电数据的老化特征作为输入、将电池健康度作为输出、并利用机器学习算法建立健康状态预测模型一；
11.如果充电数据仅包含恒流充电数据且满足条件b，或者充电数据包含恒压充电数
据但不满足条件a，则将恒流充电数据的老化特征作为输入、将电池健康度作为输出、利用机器学习算法建立健康状态预测模型二；
12.其中条件a为：恒压充电过程中的充电截止电流小于或者等于恒流充电过程中充电电流的x倍，x介于0.05和1之间；条件b为：恒流充电数据至少包含一个完整的特征电压区间；
13.将电动车的充电数据输入到健康状态预测模型一或者健康状态预测模型二中，得到健康状态预测值。
14.x越接近0.05，则说明电池过程越完整，而为了增强实用性，x应该在满足提取老化特征数据量的前提下取较大值，本发明中取x＝0.5。
15.具体地，恒压充电数据的老化特征包括恒压充电阶段的能量增量、充电温度、充电倍率。
16.具体地，根据不同老化状态下充电电压曲线的差异，将恒流充电阶段的充电电压划分为多个特征电压区间，各个特征电压区间内，不同老化状态对应的充电电压曲线与坐标轴所包络的面积不同；恒流充电数据的老化特征包括恒流充电阶段各个特征电压区间内的能量增量、充电温度、充电倍率作为老化特征。
17.具体地，如果充电数据既不包含恒压充电数据也不包含恒流充电数据，则将上一次的健康状态预测值作为本次的健康状态预测值。
18.与现有技术相比，本发明的有益技术效果是：
19.为了降低健康状态预测模型训练的复杂度，同时保证算法的实用性和精度，本发明考虑到电动车实际充电行为的统计特征，将可能出现的所有充电过程进行划分并提取相应过程的老化特征，并设定健康预测模型的优先级，实现针对不同充电工况调整老化特征和估计方法。另外，本发明能够利用任意充电起止点条件下的数据进行健康状态预测，这是目前大部分健康预测方法不具有的效果，这也正是本发明的主要特点。
附图说明
20.图1为本发明电池健康预测方法的流程示意图。
具体实施方式
21.下面结合附图对本发明的一种优选实施方式作详细的说明。
22.本发明对电池老化特征的提取思路。根据一汽集团对旗下电动车充放电行为的调研，约60％用户充电至荷电状态达到95％～100％，各地区用户充电启动时的荷电状态分布类似，主要分布在荷电状态为20％～80％，其中荷电状态为35％～45％占比最多。可见，用户通常趋向于一次充满电，降低里程焦虑，而充电前电池的荷电状态浮动范围很大，并且电池的放电行为充满随机性，较难提取特征。
23.考虑到锂电池通常需要完整恒流充电、以及部分恒压充电才能达到95％以上的荷电状态，所以本发明对电池充电过程进行阶段划分、优先级划分：当充电过程包括恒压阶段的充电数据时，选择恒压充电数据的老化特征作为预测模型的输入；当只存在恒流阶段的充电数据时，则选择恒流充电数据的老化特征作为预测模型的输入，具体方案如下。
24.如图1所示，一种基于不完整充电过程局部能量特征的电池健康预测方法，包括以
下步骤：
25.(1)采集电动车电池的充电数据，充电数据包含恒压充电数据和恒流充电数据，并分别提取恒压充电数据和恒流充电数据的老化特征。
26.(2)如果充电数据包含恒压充电数据且满足条件a，则将恒压充电数据的老化特征作为输入、将电池健康度作为输出、并利用机器学习算法建立健康状态预测模型一。
27.(3)如果充电数据仅包含恒流充电数据且满足条件b，或者充电数据包含恒压充电数据但不满足条件a，则将恒流充电数据的老化特征作为输入、将电池健康度作为输出、利用机器学习算法建立健康状态预测模型二。
28.其中条件a为：恒压充电过程中的充电截止电流小于或者等于恒流充电过程中充电电流的x倍，x介于0.05和1之间；条件b为：恒流充电数据至少包含一个完整的特征电压区间。x越接近0.05，则说明电池过程越完整，而为了增强实用性，x应该在满足提取老化特征数据量的前提下取较大值，本发明中取x＝0.5。充电过程如果包括恒压充电过程，且满足条件a，说明恒压充电数据足够；充电过程如果包括恒压充电过程，但不满足条件a，则说明恒压充电数据不足。
29.(4)将电动车的充电数据输入到健康状态预测模型一或者健康状态预测模型二中，得到健康状态预测值。
30.(5)如果充电数据既不包含恒压充电数据也不包含恒流充电数据，则将上一次的健康状态预测值作为本次的健康状态预测值。
31.图1虚线框i中，电池健康预测方法选择恒压充电阶段的充电能量、充电温度和充电倍率作为健康状态预测模型一的输入特征。
32.根据不同老化状态下充电电压曲线的差异，将恒流充电阶段的充电电压划分为多个特征电压区间，各个特征电压区间内，不同老化状态对应的充电电压曲线与坐标轴所包络的面积不同。
33.图1虚线框ii中，电池健康预测方法选择恒流充电阶段中包含的所有特征电压区间的能量增量、充电温度和充电倍率作为健康状态预测模型二的输入特征。
34.图1虚线框iii中，电池健康预测方法直接读取上一次的健康状态预测值作为当前的健康状态预测值，说明此时的充电过程太短，充电数据包含的老化特征不足以进行健康状态预测。
35.健康预测方法中，上述三种预测方案的优先级依次降低，并且考虑了所有可能出现的充电工况，进而根据当前充电过程所满足的条件，按照图1所示的流程选择最高一级的方法应用。能在更趋于实际过程的充放电场景下，利用动力电池不完整的充电电压、电流和温度数据进行老化特征提取，分析局部的充电能量增量与电池老化的关联性，从而预测电池当前的健康状况。显然，该方法适用于任意充电起止点条件下的电池健康状态在线估计，能够针对不同充电工况调整老化特征和估计方法。
36.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
37.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。