本發(fā)明涉及動力電池技術(shù)領(lǐng)域，具體涉及一種動力電池健康狀態(tài)估計方法。

背景技術(shù)：

鋰離子動力電池廣泛用于電動汽車、電動工具、基站備用電源等領(lǐng)域。電池健康狀態(tài)(soh)作為電池管理系統(tǒng)中最重要的參數(shù)之一，反映了電池因環(huán)境溫度、充放電截止電壓、充放電倍率、充放電深度、擱置狀況和運(yùn)行工況導(dǎo)致的老化情況。電動汽車自燃、爆炸等一系列事故都是因為對電池健康狀態(tài)監(jiān)測不到位。因此，精確掌握電池組soh，可以保證電池組的充放電性能，提高電池荷電狀態(tài)估計精度，為其自身的檢測與診斷提供依據(jù)，避免一些不必要的故障和事故。

針對電池健康狀態(tài)檢測，目前常用的方法有：

(1)電池健康狀態(tài)定義法：該方法根據(jù)電池健康狀態(tài)的一種定義中，電池當(dāng)前容量比上標(biāo)稱容量為電池健康狀態(tài)，在電池充滿電后放電至截止電壓，從而準(zhǔn)確計算出電池的當(dāng)前容量，其缺點(diǎn)是實驗周期長，且額外的放電過程降低了電池的使用壽命。

(2)電池阻抗分析法:阻抗分析法采用單一頻率的交流信號來測量鋰電池的soh，需設(shè)計信號發(fā)生電路對鋰電池輸入不同頻率的信號，采集反饋信號并計算電池內(nèi)阻大小，根據(jù)電池容量的內(nèi)電阻與電池健康狀態(tài)關(guān)系求解電池健康狀態(tài)，該方法準(zhǔn)確，其缺點(diǎn)是需要增加信號發(fā)生電路的硬件檢測電路，信號的注入會對電池產(chǎn)生噪聲影響；

(3)循環(huán)次數(shù)折算法：根據(jù)電池循環(huán)次數(shù)估計電池壽命的方法，建立電池滿充滿放循環(huán)次數(shù)與電池健康狀態(tài)的對應(yīng)關(guān)系，其缺點(diǎn)是電池在汽車上使用的時候每次充放電深度都不一樣，難以建立循環(huán)次數(shù)與電池健康狀態(tài)的對應(yīng)關(guān)系，難以在實際中應(yīng)用。

(4)基于電池等效電路模型的估計算法：該算法在得到電池等效電路模型的基礎(chǔ)上，利用卡爾曼濾波、粒子濾波等方法估算電池健康狀態(tài)，其缺點(diǎn)是電動汽車中電池組內(nèi)單體電池數(shù)量較多，且串并聯(lián)在一起，導(dǎo)致電池組的等效電路模型復(fù)雜，難以建立準(zhǔn)確的等效模型。

為了克服上述方法的缺點(diǎn)，公告號為cn106569136a“一種電池健康狀態(tài)在線估計方法及系統(tǒng)”發(fā)明專利提出一種電池健康狀態(tài)在線估計方法及系統(tǒng)，該方法選取電池充放電過程中電池內(nèi)電量變化與開路電壓變化的比值的最大值處的電壓點(diǎn)作為參考點(diǎn)，參考電壓點(diǎn)附近選取兩個電壓v1+和v1-，獲取電池在開路電壓或恒流工況下的端電壓從v1+變化到v1-這一過程電池內(nèi)容量的變化值，然后對獲取的變化值進(jìn)行濾波，并將濾波后的變化值記錄為ct，將電池的實際容量記錄為ca，建立電池容量的線性模型，表達(dá)式為：ca＝a*ct+b。雖然該方法可以實現(xiàn)在線估計電池健康狀態(tài)，但是實際的容量模型是非線性的，所以此方法的估計結(jié)果會出現(xiàn)較大誤差。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的是現(xiàn)有電動汽車動力電池健康狀態(tài)估計難以實現(xiàn)和精度不高的問題，提供一種動力電池健康狀態(tài)估計方法。

為解決上述問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

一種動力電池健康狀態(tài)估計方法，包括步驟如下：

步驟1、對電池樣本進(jìn)行循環(huán)充放電試驗，采集每一次循環(huán)的電壓、電流和時間數(shù)據(jù)；

步驟2、建立充電過程電池電壓與電池荷電狀態(tài)的關(guān)系曲線，通過對電池電壓與電池荷電狀態(tài)的關(guān)系曲線求導(dǎo)得到容量增量曲線，并根據(jù)容量增量曲線得到曲線的峰值及峰值位置數(shù)據(jù)；

步驟3、將容量增量曲線的峰值和峰值位置作為輸入特征，電池健康狀態(tài)作為輸出，建立rbf神經(jīng)網(wǎng)絡(luò)模型；

步驟4、將所有循環(huán)充放電試驗得到的峰值、峰值位置和電池健康狀態(tài)矩陣作為訓(xùn)練數(shù)據(jù)集，并利用粒子群算法訓(xùn)練步驟3所建立的rbf神經(jīng)網(wǎng)絡(luò)模型，得到結(jié)構(gòu)和參數(shù)都確定的rbf神經(jīng)網(wǎng)絡(luò)模型；

步驟5、在實際使用中，采集待估計電池當(dāng)前充電數(shù)據(jù)，即電壓、電流和時間數(shù)據(jù)，并在此基礎(chǔ)上得到待估計電池當(dāng)前峰值及峰值位置數(shù)據(jù)；將待估計電池當(dāng)前峰值及峰值位置作為輸入，并利用步驟3所確定的rbf神經(jīng)網(wǎng)絡(luò)模型即可在線估計電池健康狀態(tài)。

上述步驟1中，以恒流方式對電池進(jìn)行循環(huán)充。

上述步驟2中，需要對求導(dǎo)得到增量曲線進(jìn)行濾波后得到平滑的容量增量曲線，并在平滑的容量增量曲線上通過比較得到峰值和峰值位置數(shù)據(jù)。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下特點(diǎn)：

1、通過實驗所得數(shù)據(jù)離線建立soh估計的rbf神經(jīng)網(wǎng)絡(luò)模型，實車上可以利用所得模型實現(xiàn)soh在線估計；神經(jīng)網(wǎng)絡(luò)擬合性能強(qiáng)，估計電池健康狀態(tài)精度較高；

2、不需要建立電池等效電路等效模型，解決難以建立整體電池組等效電路模型的問題，可以對單體健康狀態(tài)進(jìn)行估計，在均衡效果較好的電池管理系統(tǒng)中也可以實現(xiàn)電池組健康狀態(tài)整體估計。

附圖說明

圖1為一種動力電池健康狀態(tài)估計方法的整體流程圖。

圖2為電池恒流充電過程中電壓平臺v-q關(guān)系曲線示意圖。

圖3為電池恒流充電過程中容量增量曲線示意圖。

圖4為rbf神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。

一種動力電池健康狀態(tài)估計方法，如圖1所示，其具體包括步驟如下：

步驟1：采集電池循環(huán)充放電老化實驗電壓、電流、時間。所述電池循環(huán)充放電老化實驗以恒流方式進(jìn)行充放電。

對電池進(jìn)行循環(huán)充放電試驗，采集每一次循環(huán)的電壓v、電流i、時間t數(shù)據(jù),直至循環(huán)結(jié)束。電池循環(huán)充放電停止條件是：以容量定義的電池健康狀態(tài)低于80％。所述以容量定義的電池健康狀態(tài)表達(dá)式為：

soh＝ci/c0*100％

式中，ci為動力電池當(dāng)前最大可用容量，c0為動力電池標(biāo)稱容量。

步驟2：選用充電過程的數(shù)據(jù)估計電池健康狀態(tài)，建立充電過程電池電壓v與充電容量q的關(guān)系曲線，在此基礎(chǔ)上，求出容量增量曲線峰值及峰值位置數(shù)據(jù)。

步驟2-1：利用恒流充電過程采集的數(shù)據(jù)計算電池充電容量q，建立電池電壓v與q的對應(yīng)關(guān)系曲線，如圖2所示。

電池充電容量為：

qk+1＝qk+ikδt

式中，qk+1為當(dāng)前電池容量，qk為前一次電池容量，ik為前一次采樣的電流，δt為采樣時間間隔。

步驟2-2：從建立的v-q關(guān)系曲線中，選取q/ci范圍為0.3～0.8區(qū)間的曲線作為求解容量增量曲線的原曲線，通常情況下，電動汽車充電過程中，很容易得到這個范圍的數(shù)據(jù)。

步驟2-3：對步驟2-2得到的v-q曲線求導(dǎo)，即由dq/dv得出容量增量曲線。容量增量曲線能夠?qū)囯x子動力電池充電過程中不明顯的電壓平臺凸現(xiàn)出來，其峰值會隨著電池的健康狀態(tài)降低而變小且向電壓增大方向移動，所以峰值(pvmax)和峰值位置(ppmax)可以當(dāng)做估計鋰離子動力電池健康狀態(tài)的特征參數(shù)。

由于上述步驟求得的容量增量曲線有較大噪聲，經(jīng)過濾波算法得到平滑的容量增量曲線(該濾波算法不限于均值、低通、卡爾曼、小波等濾波算法)，如圖3所示。之后，在平滑的容量增量曲線上，通過比較可以得到峰值pvmax(即縱坐標(biāo)最大值)和峰值位置ppmax(即峰值所對應(yīng)的橫坐標(biāo))作為表征電池健康狀態(tài)的特征因素。

步驟3：將容量增量曲線峰值pvmax和峰值位置ppmax作為輸入特征，電池健康狀態(tài)soh輸出，建立容量增量曲線峰值、峰值位置與soh的rbf神經(jīng)網(wǎng)絡(luò)模型。所述的rbf神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)已經(jīng)確定，權(quán)值參數(shù)尚未確定。

rbf神經(jīng)網(wǎng)絡(luò)是一種具有輸入層、單隱含層、輸出層的三層前饋網(wǎng)絡(luò)，其模型如圖4所示，映射關(guān)系為，：

其中，x＝[x1,x2,...,xn]t是輸入樣本；f(x)是輸出向量；φi(x)是第i個隱層基函數(shù)；ω0為常量1的權(quán)值，ωi為第i個基函數(shù)權(quán)值；k是隱層基函數(shù)的中心個數(shù)；zi是第i個一層高斯函數(shù)的中心；δi是第i個基函數(shù)的寬度。

步驟4：粒子群算法訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)模型，通過最優(yōu)化方法確定神經(jīng)網(wǎng)絡(luò)模型中未定的權(quán)值參數(shù)，得到結(jié)構(gòu)和參數(shù)都確定的rbf神經(jīng)網(wǎng)絡(luò)模型。所述rbf神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)集為所有循環(huán)充放電試驗得到的峰值、峰值位置矩陣以及soh矩陣。

粒子群算法是一種優(yōu)化算法，為求解rbf神經(jīng)網(wǎng)絡(luò)模型參數(shù)提供最優(yōu)解，具體實現(xiàn)方法是：隨機(jī)初始化一群粒子，根據(jù)對個體和群體的飛行經(jīng)驗的綜合分析來動態(tài)調(diào)整粒子群的速度，在解空間中進(jìn)行搜索，通過迭代找到最優(yōu)解。迭代過程中，粒子通過跟蹤個體極值pbest和全局極值gbest來更新自己。假設(shè)在d目標(biāo)維搜索空間中，有m個粒子組成一個群，第i個粒子位置表示為xi＝(xi1,xi2,...,xid),1≦i≦m，其相應(yīng)的速度表示為vi＝(vi1,vi2,...,vid)。則各粒子的速度和位置的更新公式如下：

其中，k為當(dāng)前迭代次數(shù)，是第i個粒子d維分量在第次迭代的速度位置，為第i個粒子d維分量在第k次迭代的位置，pid是第i個粒子在第k次迭代中第d維的個體極值點(diǎn)的位置，pgd是整個群體d維的全局極值點(diǎn)的位置；c1和c2為非負(fù)常數(shù)加速因子，ω(k)為慣性權(quán)重，調(diào)節(jié)對解空間的搜索能力，rand()為隨機(jī)函數(shù)，取值范圍是[0，1]，增加搜索隨機(jī)性。

步驟5：在實際使用中，采集電池當(dāng)前充電數(shù)據(jù)，如步驟2計算容量增量曲線峰值、峰值位置作為輸入，利用已經(jīng)確定的rbf神經(jīng)網(wǎng)絡(luò)模型即可在線估計電池健康狀態(tài)。

本發(fā)明公開一種粒子群rbf神經(jīng)網(wǎng)絡(luò)的電動汽車動力電池健康狀態(tài)估計方法，由采集電池恒流充電的電池電壓v、電流i、時間t求得充電容量q，建立v-q關(guān)系曲線、容量增量曲線峰值及峰值位置信息獲取、rbf神經(jīng)網(wǎng)絡(luò)建立、粒子群算法訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)模型、利用已經(jīng)生成的rbf神經(jīng)網(wǎng)絡(luò)估計電池健康狀態(tài)幾個步驟組成。本發(fā)明在不需要建立電動汽車動力電池等效電路的情況下，通過數(shù)據(jù)驅(qū)動的方式建立恒流充電的容量增量曲線峰值、峰值位置與電池健康狀態(tài)的映射關(guān)系，提高估計精度，實現(xiàn)在線實時估計，可以實現(xiàn)電池組整體估計。

需要說明的是，盡管以上本發(fā)明所述的實施例是說明性的，但這并非是對本發(fā)明的限制，因此本發(fā)明并不局限于上述具體實施方式中。在不脫離本發(fā)明原理的情況下，凡是本領(lǐng)域技術(shù)人員在本發(fā)明的啟示下獲得的其它實施方式，均視為在本發(fā)明的保護(hù)之內(nèi)。

相關(guān)知識

電動汽車動力電池健康狀態(tài)評估方法與流程
用于估計電池健康狀態(tài)的方法與流程
一種在線評估電池健康狀態(tài)的方法與流程
電池健康狀態(tài)的評估方法與流程
一種電池健康狀態(tài)評估方法
評估電池健康狀態(tài)的方法與流程
一種電池健康狀態(tài)獲取方法和裝置與流程
電池的健康狀態(tài)(SOH)估算方法與流程
一種快速的動力蓄電池SOH（健康狀態(tài)）測量方法與流程
鋰離子動力電池荷電狀態(tài)與健康狀態(tài)聯(lián)合估計算法研究

網(wǎng)址: 一種動力電池健康狀態(tài)估計方法與流程 http://m.gysdgmq.cn/newsview1654418.html