一种基于休息恢复效应的锂离子电池微短路电阻估算方法

1.本发明涉及电池技术领域，更具体地，涉及一种基于休息恢复效应的锂离子电池微短路电阻估算方法。


背景技术：

2.锂离子电池广泛应用于电动汽车、储能电站等场景。锂离子电池的内短路故障会引起热失控，引发严重安全事故。锂离子电池微短路是内短路故障的早期阶段，在微短路阶段发现电池异常，将有效避免内短路引发的热失控问题。然而，锂离子电池在微短路阶段的短路电阻较大，短路特征不明显，微短路电阻估算困难。
3.目前常用的锂离子电池微短路电阻估算方法有模型法和数据驱动法。其中，模型法需要先建立较精确的电池等效电路模型，然后估算电池soc，并与安时积分法计算的电池soc进行比较，根据两种方法估算的soc差异计算电池自放电电流，并由此估算电池的微短路电阻。这类方法依赖于模型的参数辨识精度，且实时计算量大。数据驱动法依据收集的电池特征数据，使用机器学习方法辨识电池微短路故障。然而，目前基于数据驱动的微短路电阻估算方法，其在估算微短路电阻时需要一个完整充放电周期的数据，难以适应实际工况。


技术实现要素：

4.本发明为克服锂离子电池微短路电阻估算方法中模型法带来建立电池等效模型难度大和数据驱动法实用性不强的问题，提供一种基于休息恢复效应的锂离子电池微短路电阻估算方法。本发明技术方案如下：一种基于休息恢复效应的锂离子电池微短路电阻估算方法，适用于估算电池的微短路电阻，其特征在于，包括以下步骤：步骤1：选取型号和批次相同的m个锂离子电池；在1ω-1000ω范围内，按指数规律选取不同阻值的m个电阻，对应阻值分别为；将所述m个锂离子电池分别与所述m个电阻并联，形成具有不同短路程度的m个微短路模拟电池；步骤2：选取电压和电流值，对步骤1所述m个微短路模拟电池进行间歇恒流充电、间歇恒流放电实验，在每次暂停放电或充电期间，获取放电或充电电流、暂停放电或充电前秒内电压随时间变化率、暂停放电或充电期间以t秒为采样周期获取的k个电压数据；将记录数据分别形成放电数据集和充电数据集；步骤3：利用步骤2获取的数据，分别搭建、训练、测试放电工况和充电工况的电池微短路电阻bp神经网络估算模型；步骤4：对于实际运行的锂离子电池，在每次暂停放电时，采集暂停放电前的电流、暂停放电前秒内电压随时间变化率、暂停放电期间以t秒为采样周期获取的k个电压数据，输入所述已通过测试的放电工况电池微短路电阻bp神经网络估算模型，估算锂离子电池微短路电阻；在每次暂停充电时，采集暂停充电前的电流、暂停充电前秒内电压随时
间变化率、暂停充电期间以t秒为采样周期获取的k个电压数据，输入所述已通过测试的充电工况电池微短路电阻bp神经网络估算模型，估算锂离子电池微短路电阻。
5.本方案中，所述步骤2的数据获取的实验步骤如下：步骤201：在所述锂离子电池的额定电流以下，按等差方式选取n个电流值，构成电流集合，其中；在所述锂离子电池的充电截止电压和放电截止电压之间，按等差方式选取l个电压值，构成电压集合，其中；步骤202：将步骤1所述m个微短路模拟电池以恒流恒压方式充电至满充状态；从步骤201所述电流集合中选取第n个电流值（），对第m个微短路模拟电池（），使用选取的电流值进行恒流放电（），当电池电压首次下降到电压集合中第l个电压值时暂停放电（），计算暂停放电前秒内电压随时间变化率，其表达式为：
6.其中，为第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电前秒时刻的端电压值；步骤203：获取步骤202所述第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电后以t秒为采样周期获取的k个电压数据序列，其表达式如下：；步骤204：保持放电电流不变，重复步骤202和步骤203，每当电池端电压首次下降到步骤201所述电压集合中第l个电压值时，按步骤202和步骤203所述方法进行计算和记录，直至放电截止电压。
7.步骤205：对第m个微短路模拟电池（），使用选取的电流值进行恒流充电（），当电池电压首次上升到电压集合中第l个电压值时暂停充电（），计算暂停充电前秒内电压随时间变化率，其表达式为：
8.其中，为第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电前秒时刻的端电压值；步骤206：获取步骤205所述第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电后以t秒为采样周期获取的k个电压数据序列，其表达式如下：
；步骤207：保持充电电流不变，重复步骤205和步骤206，每当电池端电压首次上升到步骤3所述电压集合中第l个电压值时，按步骤205和步骤206所述方法进行计算和记录，直至充电截止电压；步骤208：从步骤201所述电流集合中依次选取电流值，循环执行步骤202至步骤207，直至遍历所述电流集合中的所有电流值；将记录的所有数据形成放电数据集和充电数据集。
9.本方案中，步骤2所述的放电数据集，其结构如下：整个放电数据集，包含所有m个电池的放电数据，其结构为：
10.其中，表示第m个电池的放电数据集，包含n
×
l条样本，其结构为：
11.其中，表示第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电数据样本，其结构为：
12.其中，样本的第一列数据为标签，其余数据均为特征。
13.本方案中，步骤2所述的充电数据集，其结构如下：整个充电数据集，包含所有m个电池的充电数据，其结构为：
14.其中，表示第m个电池的充电数据集，包含n
×
l条样本，其结构为：
15.其中，表示第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电数据样本，其结构为：其中，样本的第一列数据为标签，其余数据均为特征。
16.本方案中，步骤3所述放电工况的电池微短路电阻bp神经网络估算模型，其结构如下：所述bp神经网络估算模型包括输入层、输出层和隐藏层；所述输入层节点数量为(k 2)，各节点对应的输入变量分别为暂停放电前的电流、暂停放电前秒内电压随时间变化率、暂停放电期间以t秒为采样周期获取的k个电压数据；所述输出层节点数量为1，节点输出变量为微短路电阻估算结果；所述隐藏层节点数可调，即为，其中a可取0至10之间任一整数。
17.本方案中，步骤3所述充电工况的电池微短路电阻bp神经网络估算模型，其结构如下：所述bp神经网络估算模型包括输入层、输出层和隐藏层；所述输入层节点数量为(k 2)，各节点对应的输入变量分别为暂停充电前的电流、暂停充电前秒内电压随时间变化率、暂停充电期间以t秒为采样周期获取的k个电压数
据；所述输出层节点数量为1，节点输出变量为微短路电阻估算结果；所述隐藏层节点数可调，即为，其中a可取0至10之间任一整数。
18.本方案中，所述步骤3的电池微短路电阻bp神经网络估算模型搭建、训练、测试过程如下：步骤301：从步骤2所述放电数据集和充电数据集中，分别随机抽取80%的数据样本，作为放电数据训练集和充电数据训练集，另外20%的数据样本分别作为放电数据测试集和充电数据测试集；步骤302：采用步骤301所述放电数据训练集和充电数据训练集，分别训练放电工况和充电工况的电池微短路电阻bp神经网络估算模型；步骤303：采用步骤301所述放电数据测试集和充电数据测试集，分别测试放电工况和充电工况的电池微短路电阻bp神经网络估算模型，若估算精确度不符合要求，则调整所述bp神经网络隐藏层节点数，重新训练，直至估算精确度符合要求，即认为通过测试。
19.本发明基于电池休息恢复效应，利用暂停充放电前后的电压和电流数据估算电池微短路电阻；与基于电池等效模型的方法相比，本发明不需要建立电池等效模型计算电池的soc等参数，避免了复杂的模型计算；与基于数据驱动的方法相比，本发明可以使用电池在任何荷电状态下获得的数据进行微短路电阻的估算，不需要通过电池充放电过程的完整数据，更适用于实际运行的场景。
附图说明
20.图1为本发明提出的一种基于休息恢复效应的锂离子电池微短路电阻估算方法流程图；图2为本发明微短路模拟电池的电路原理图；图3为本发明提出的一种基于休息恢复效应的锂离子电池微短路电阻估算方法的原始数据集获取实验步骤流程图。
具体实施方式
21.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例以及实施例中的特征可以互相组合。
22.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采取其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
23.实施例1在一个具体的实施例中，如图1所示，一种基于休息恢复效应的锂离子电池微短路电阻估算方法，包括以下步骤：步骤1：选取型号和批次相同的m个锂离子电池；在1ω-1000ω范围内，按指数规律选取不同阻值的m个电阻，对应阻值分别为；将所述m个锂离子电池分别与所述m
个电阻并联，形成具有不同短路程度的m个微短路模拟电池，其原理图如图2所示；步骤2：选取电压和电流值，对步骤1所述m个微短路模拟电池进行间歇恒流充电、间歇恒流放电实验，在每次暂停放电或充电期间，获取放电或充电电流、暂停放电或充电前秒内电压随时间变化率、暂停放电或充电期间以t秒为采样周期获取的k个电压数据；将记录数据分别形成放电数据集和充电数据集；步骤3：利用步骤2获取的数据，分别搭建、训练、测试放电工况和充电工况的电池微短路电阻bp神经网络估算模型；步骤4：对于实际运行的锂离子电池，在每次暂停放电时，采集暂停放电前的电流、暂停放电前秒内电压随时间变化率、暂停放电期间以t秒为采样周期获取的k个电压数据，输入所述已通过测试的放电工况电池微短路电阻bp神经网络估算模型，估算锂离子电池微短路电阻；在每次暂停充电时，采集暂停充电前的电流、暂停充电前秒内电压随时间变化率、暂停充电期间以t秒为采样周期获取的k个电压数据，输入所述已通过测试的充电工况电池微短路电阻bp神经网络估算模型，估算锂离子电池微短路电阻。
24.本方案中，所述步骤2的数据获取的实验步骤如下，其流程图如图3所示：步骤201：在所述锂离子电池的额定电流以下，按等差方式选取n个电流值，构成电流集合，其中；在所述锂离子电池的充电截止电压和放电截止电压之间，按等差方式选取l个电压值，构成电压集合，其中；步骤202：将步骤1所述m个微短路模拟电池以恒流恒压方式充电至满充状态；从步骤201所述电流集合中选取第n个电流值（），对第m个微短路模拟电池（），使用选取的电流值进行恒流放电（），当电池电压首次下降到电压集合中第l个电压值时暂停放电（），计算暂停放电前秒内电压随时间变化率，其表达式为：
25.其中，为第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电前秒时刻的端电压值；步骤203：获取步骤202所述第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电后以t秒为采样周期获取的k个电压数据序列，其表达式如下：；步骤204：保持放电电流不变，重复步骤202和步骤203，每当电池端电压首次下降到步骤201所述电压集合中第l个电压值时，按步骤202和步骤203所述方法进行计算和记录，直至放电截止电压。
26.步骤205：对第m个微短路模拟电池（），使用选取的电流值进行恒流充电（），当电池电压首次上升到电压集合中第l个电压值时暂停充电（），计算暂停充电前秒内电压随时间变化率，其表达式为：
27.其中，为第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电前秒时刻的端电压值；步骤206：获取步骤205所述第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电后以t秒为采样周期获取的k个电压数据序列，其表达式如下：；步骤207：保持充电电流不变，重复步骤205和步骤206，每当电池端电压首次上升到步骤3所述电压集合中第l个电压值时，按步骤205和步骤206所述方法进行计算和记录，直至充电截止电压；步骤208：从步骤201所述电流集合中依次选取电流值，循环执行步骤202至步骤207，直至遍历所述电流集合中的所有电流值；将记录的所有数据形成放电数据集和充电数据集。
28.本方案中，步骤2所述的放电数据集，其结构如下：整个放电数据集，包含所有m个电池的放电数据，其结构为：
29.其中，表示第m个电池的放电数据集，包含n
×
l条样本，其结构为：
30.其中，表示第m个微短路模拟电池在以第n个电流恒流放电期间第l次暂停放电数据样本，其结构为：
31.其中，样本的第一列数据为标签，其余数据均为特征。
32.本方案中，步骤2所述的充电数据集，其结构如下：整个充电数据集，包含所有m个电池的充电数据，其结构为：
33.其中，表示第m个电池的充电数据集，包含n
×
l条样本，其结构为：
34.其中，表示第m个微短路模拟电池在以第n个电流恒流充电期间第l次暂停充电数据样本，其结构为：其中，样本的第一列数据为标签，其余数据均为特征。
35.本方案中，步骤3所述放电工况的电池微短路电阻bp神经网络估算模型，其结构如下：所述bp神经网络估算模型包括输入层、输出层和隐藏层；所述输入层节点数量为(k 2)，各节点对应的输入变量分别为暂停放电前的电流、暂停放电前秒内电压随时间变化率、暂停放电期间以t秒为采样周期获取的k个电压数据；所述输出层节点数量为1，节点输出变量为微短路电阻估算结果；所述隐藏层节点数可调，即为，其中a可取0至10之间任一整数。
36.本方案中，步骤3所述充电工况的电池微短路电阻bp神经网络估算模型，其结构如下：所述bp神经网络估算模型包括输入层、输出层和隐藏层；所述输入层节点数量为(k 2)，各节点对应的输入变量分别为暂停充电前的电流、暂停充电前秒内电压随时间变化率、暂停充电期间以t秒为采样周期获取的k个电压数据；所述输出层节点数量为1，节点输出变量为微短路电阻估算结果；所述隐藏层节点数可调，即为，其中a可取0至10之间任一整数。
37.本方案中，所述步骤3的电池微短路电阻bp神经网络估算模型搭建、训练、测试过程如下：
步骤301：从步骤2所述放电数据集和充电数据集中，分别随机抽取80%的数据样本，作为放电数据训练集和充电数据训练集，另外20%的数据样本分别作为放电数据测试集和充电数据测试集；步骤302：采用步骤301所述放电数据训练集和充电数据训练集，分别训练放电工况和充电工况的电池微短路电阻bp神经网络估算模型；步骤303：采用步骤301所述放电数据测试集和充电数据测试集，分别测试放电工况和充电工况的电池微短路电阻bp神经网络估算模型，若估算精确度不符合要求，则调整所述bp神经网络隐藏层节点数，重新训练，直至估算精确度符合要求，即认为通过测试。