基于IC典型曲线特征值的锂离子电池SOH估计方法与流程

本发明涉及锂离子电池，特别是涉及一种基于ic典型曲线特征值的锂离子电池soh估计方法。

背景技术：

1、锂离子动力电池凭借自身高能量密度和无记忆性等优势，被广泛应用在新能源电动汽车及各种储能场景中。

2、随着使用时间的增长，锂离子电池老化将带来容量的不可逆衰减，甚至增加热失效等风险，因此，锂离子动力电池的健康状态(state ofhealth，soh)预测也成为了车用电池管理系统(battery management system，bms)和储能电池管理系统(energy managementsystem，ems)的一项重要任务。

3、基于上述原因，锂离子电池在使用过程中需要进行soh的评估预测，目前锂电池soh的预测方法主要分为三类：基于试验预估法、基于模型预估法、基于数据驱动预估法。

4、锂离子电池的soh受工作温度、充放电深度、循环次数等多种因素影响，使得soh的评估难度较大。(1)基于试验预估法，是通过电池充放电设备对电池完全放电，得到电池的放电容量即可直接预估电池soh，这也是预估soh的准确方法；但这种方法需要电池完全放电，不能广泛适用于实际场景；(2)基于模型预估法，是构建电化学和等效电路等理化模型，用于描述锂电池的动态性能和寿命特征，多数学者通过改进模型并结合多种滤波算法，用以提升soh的估算精度。但由于模型计算方法复杂，难以实现soh的在线估计。(3)基于数据驱动预估法，借助bms中电池的电流、电压、容量等反馈数据，从中提取电池老化过程中发生规律性变化的特征值，再将特征值代入大数据算法进行电池soh的估计。

5、随着锂离子电池实际工况愈发多样化和复杂化，bms监测维度和场景数据量逐步提升，基于数据驱动的soh评估方法受到越来越多的关注、如何表征电池老化过程成为数据驱动方法的关键。容量增量分析法(incremental capacity analysis，ica)作为一种非侵入的可表征活性材料损耗、锂离子损失、电化学反应强度的电池老化分析方法，仅需记录锂电池正常充电过程中的电流和端电压升压变化就可以得到有关电池状态的多个特征参数，具有计算简单、精度高的特点，对解决梯次利用、流通回收、车载实况、成组检测等多种场景下的soh评估问题具有较好应用前景。

6、目前多数研究都从电池恒流充电过程中提取容量增量(incremental capacity，ic)曲线，提取曲线的峰谷值、电压位置、峰谷宽度、峭度因子及曲线面积等来表征电池老化信息，但这样的特征提存在以下问题：(1)目前研究大多止步于ic曲线特征值与电池soh的线性相关性验证，但缺乏高维特征值挖掘、也缺乏对不同特征值之间的互相关分析，可能会导致特征信息不足或冗余；(2)ic曲线特征值会受电池充放电条件(环境温度、充放电倍率等)的影响，特征值的稳健性有待探究。

7、目前，尚未有从特征值求解、相关性分析、稳健性评价全过程提出ic曲线特征值的提取方法，用以确保特征值的典型性和稳健性、降低模型计算量。

技术实现思路

1、本发明所要解决的技术问题是：为了克服现有技术中的不足，本发明通过ic曲线典型特征值的提取，提供一种基于ic典型曲线特征值的锂离子电池soh估计方法，能够提高电池soh的评估效率和准确度。

2、本发明解决其技术问题所要采用的技术方案是：一种基于ic典型曲线特征值的锂离子电池soh估计方法，包括以下步骤：

3、s1：对于给定样品，在选定的工作温度、充放电倍率条件下开展电池循环老化测试，记录电池循环老化中电压、电流、容量试验数据，并计算soh值，其公式为：

4、

5、其中，公式(1)中i为放电电流，q0为额定容量；

6、s2：基于特定工作温度、充放电倍率条件下的电池循环老化数据，提取ic曲线的典型线性特征值和典型非线性特征值，由典型线性特征值和典型非线性特征值作为典型特征值，共同组成ic曲线的典型特征值向量l；

7、s4：锂离子电池soh值评估，以步骤s2所得的典型特征值向量l为最终特征值向量t，作为输入向量，以soh值作为输出参数，以最终特征值个数t作为输入向量节点数，以2t+1作为单隐藏层的神经元数目，构建bp神经网络模型，并对bp神经网络模型进行训练，然后采用训练后的bp神经网络模型对非试验工况下的充放电数据进行电池的soh值评估。

8、进一步的，在步骤s2和s4之间还包括步骤s3：

9、s3：对步骤s2中提取的典型特征向量l进行敏感性筛选，所述敏感性筛选包括温度敏感性筛选和充放电倍率敏感性筛选，并将敏感性筛选后的共同特征值作为最终特征值组成最终特征值向量t；以步骤s3所得的最终特征值向量t代替典型特征值向量l作为输入向量，构建bp神经网络模型。

10、作敏感性筛选是为了一方面降低bp神经网络输入向量维度，降低过拟合风险；另一方面敏感性筛选是尽可能增加特征值的识别典型性，本发明基于nasa公开数据集验证了16组电池数据，做了敏感性分析的识别误差，相比不作敏感性分析，最大平均绝对误差可降低7％。

11、具体的，步骤s1中电池循环老化测试具体包括以下步骤：

12、s1.1：选定工作温度和充放电倍率；

13、s1.2：恒流充电至充电截止电压，然后再恒压充电至电流降至0.02a以下，静置30min；

14、s1.3：静置后的电池开始放电，恒流放电至放电截止电压，静置30min；

15、s1.4：判断是否到达容量标定循环圈数，如果没有到达，则返回步骤s1.2重复充放电；当达到容量标定循环圈数，则进入步骤s1.5；

16、s1.5：按照gbt31467-2015标准对电池进行标准容量测试，并计算soh值，判断是否到达循环终止条件，如果没有达到，则返回步骤s1.2；当达到循环终止条件，则进入步骤s1.6；

17、s1.6：根据实际情况判断是否需要改变工作温度和充放电倍率，如果需要改变，则返回步骤s1.1改变工作温度和充放电倍率后再次按照步骤s1.2-s1.5进行测试，如果不需要，则结束测试。

18、上述电池循环老化测试属于本领域的常规测试。

19、进一步的，步骤s2具体包括以下步骤：

20、s2.1：等电压间隔法绘制ic曲线

21、对于某次容量标定的充电或放电试验数据，恒流段容量和开路电压的倒数即为容量增量，其计算公式如式(2)所示：

22、

23、式中，δvk表示电压间隔，一般δvk取0.01v及以下；qk,1和qk,2则为电压间隔δvk两端对应的电池容量值；

24、根据公式(2)绘制容量增量曲线，即为ic曲线，incremental capacity curve；

25、s2.2：计算ic曲线特征值

26、将ic曲线特征归为三类：点特征、线特征及面特征，其中，

27、点特征包括最高峰峰值和峰值电压，最高峰峰值为ic曲线最高值，峰值电压为ic曲线最高值对应的电压值；

28、线特征包括峭度，峭度的计算公式为：

29、

30、面特征包括ic曲线与x轴围成面积以及ic曲线与x轴围成图形的形心坐标；

31、ic曲线与x轴围成面积s的计算公式为：

32、

33、ic曲线与x轴围成图形的形心坐标的计算公式为：

34、

35、其中，n表示曲线数据点个数；v表示电池电压；q表示电池容量。

36、s2.3：典型特征值筛选

37、s2.3.1：对步骤s2.2中计算所得的特征值进行线性相关性分析，计算方法如式(6)所示，

38、

39、式中，a为某一特征值，c为该工况下的soh值，cov(a,c)为两者的协方差，σa和σc为两者的标准差。

40、筛选出|rac|≥0.9的特征值作为强线性相关特征值；

41、s2.3.2：对步骤s2.3.1中得到的强线性相关特征值进行偏相关性分析，计算方法如式(7)所示，

42、

43、其中，rab为任意两个强线性相关特征值a和b(a≠b)之间的相关系数；rac和rbc分别为强线性相关特征值a和b与soh值之间的相关系数；

44、对于任一特征值a，定义若p≥0.4，则将a作为典型线性特征值；若p＜0.4，则剔除a；k表示特征值个数；

45、s2.3.3：提取非线性特征值，对s2.3.1步骤中|rac|＜0.9的特征值，采用最小二乘法进行式(8)的多项式回归，其非线性回归多项式为：

46、y＝ax+bx2+cx3+dx4        (8)

47、其中，k0，a0，b0，c0，d0均为常数，x表示特征值，y表示soh；

48、先计算一个特征的|rac|值，若|rac|＜0.9，再进行公式8的拟合，决定系数r2用于衡量公式(8)的拟合效果；

49、若决定系数r2≥r0，则将其作为典型非线性特征值，若r2＜r0，则剔除该特征值，其中，r0＞0.8；

50、决定系数全称r-squre，是:实测数据与拟合数据之间的相关系数平方值，它在0到1之间变化。越接近1越好，这是个公用参数，通常认为>0.8就算拟合效果好。

51、决定系数r2的计算公式为：

52、

53、其中，是残差平方和，将soh的值带入该式中计算决定系数。

54、本发明是基于公开数据集的大量计算得到0.97，但并非唯一数值，因此，作为优选r0＝0.97，则若决定系数r2≥0.97，则将其作为典型非线性特征值，若r2＜0.97，则剔除该特征值；

55、由步骤s2.3.2获得的典型线性特征值和步骤s2.3.3获得的典型非线性特征值共同组成ic曲线的典型特征值向量l＝{l1,l2,...,lk}，k为典型特征值个数。

56、进一步的，步骤s3中温度敏感性筛选和充放电倍率敏感性筛选的步骤为：

57、s3.1：温度敏感性筛选

58、选择同一充放电倍率、不同工作温度的电池老化测试数据，共n个数据集，分别对其进行步骤s2中的典型特征值提取，得到不同数据集的典型特征值数组{[l11,l21,...,lk1][l12,l22,...,lk2]...[l1n,l2n,...,lkn]}，对于每个数据集中，第i个特征值，i∈[1,k]，进行工况稳健性筛选，步骤如下：

59、s3.1.1：li1,li2,...,lin特征值的上下限分别表示为[a1,b1],[a2,b2],...,[an,bn]；

60、s3.1.2：令ai＝max{a1,a2,..,an}，bi＝min{b1,b2,..,bn}，令a′i＝min{a1,a2,..,an}，b′i＝max{b1,b2,..,bn}，则[ai,bi]即为第i个特征值在不同温度下数据的重合度；

61、s3.1.3：若则认为第i个特征值温度敏感性较强，作为最终特征值；若则认为第i个特征值温度敏感性较弱，则剔除该特征值；

62、s3.2：充放电倍率敏感性筛选

63、选择同一工作温度、不同充放电倍率的电池老化测试数据，共m个数据集，分别对其进行步骤s2的典型特征值提取，得到不同数据集的典型特征值数组{[l11,l21,...,lk1][l12,l22,...,lk2]...[l1m,l2m,...,lkm]}，对于每个数据集中，第i个特征值，i∈[1,k]，进行工况稳健性筛选，步骤如下：

64、s3.2.1：li1,li2,...,lim特征值的上下限分别表示为[a1,b1],[a2,b2],...,[am,bm]；

65、s3.2.2：令ci＝max{a1,a2,..,am}，di＝min{b1,b2,..,bm}，令c′i＝min{a1,a2,..,am}，d′i＝max{b1,b2,..,bm}则[ci,di]即为第i个特征值在不同温度下数据的重合度；

66、s3.2.3：若则认为第i个特征值温度敏感性较强，作为最终特征值；若则剔除该特征值；

67、s3.3：将经过步骤s3.1和s3.2敏感性筛选后的共同特征值组成最终特征值向量t。

68、进一步的，步骤s4中锂离子电池soh值评估具体包括以下步骤：

69、s4.1：基本模型搭建

70、以步骤s3所得的最终特征值向量t作为输入向量，以soh值作为输出参数，以最终特征值个数t作为输入向量节点数，以2t+1作为单隐藏层的神经元数目，构建bp神经网络模型；

71、s4.2：模型训练

72、基于步骤s1中试验得到的充放电循环数据，根据步骤s2和s3分析得到最终特征向量t，将不同工作温度、充放电倍率、循环圈数下的最终特征向量t作为bp网络输入向量，将对应工况下的soh值作为输出参数，进行bp神经网络模型训练；

73、s4.3：soh评估

74、对于非试验工况下的充放电数据，依照步骤s2和s3的方法提取最终特征向量t，将其作为已完成训练的bp神经网络模型，将自动输出此时电池的soh评估值。

75、本方法不受电芯体系(三元、磷酸铁锂、钴酸锂等)、包装方式(软包、方壳、圆柱)等因素的影响，只要能够通过电池循环老化试验，提取到电池在恒流充放电过程中的电压、电流信息，均计算ic的特征值，并进行典型性和敏感性定量筛选，最终搭建电池soh评估模型。

76、本发明的有益效果是：本发明提供的一种基于ic典型曲线特征值的锂离子电池soh估计方法，并基于该方法提取的特征向量建立soh评估模型，可以更加精准地进行电池健康状态评估。由于目前容量增量曲线特征值提取较为随意，缺乏对不同特征值之间的互相关分析、缺乏高维特征的挖掘、缺乏对工作温度、充放电倍率的敏感性分析，导致特征信息不独立、不典型、不稳健，此外，不同的特征提取方法，导致soh预测结果差异较大；本发明可以通过清晰的步骤和量化的判断方式，在一定程度上帮助筛选典型、独立、稳健的ic曲线特征，可提高电池soh评估精度，也为容量增量分析法提供明确的应用步骤。