一种基于部分放电数据的电池最大容量的在线估计方法

本发明属于电池健康管理领域，涉及一种基于部分放电数据的电池最大容量的在线估计方法。

背景技术：

1、尽管新能源技术在过去几年取得了长足的发展，但当前仍然需要更加强有力的措施来推进清洁能源的转型。锂离子电池凭借着诸多优势，不管是在移动式储能还是在固定式储能的应用中均得到了广泛应用。然而，和其他电化学系统一样，随着不断的使用，锂离子电池也会不可避免地发生老化，当其老化到一定程度的时候，电池的安全性能将会难以得到保障，严重地，甚至有可能会造成经济损失和人员伤亡。因此，对其进行健康状态的评估是十分有必要的。增量容量(incrementalcapacity,ic)曲线方法作为一种最为先进的电池容量评估方法，其中包含的大量特征也称健康因子(healthindicator,hi)，均被证明和电池容量具有极强的相关性，但绝大部分特征的识别都离不开ic曲线峰。然而，该过程中可能会存在多种问题。首先，ic曲线的计算过程需要进行微分操作，这使其对测量噪声极为敏感，且不同电压间隔的选取也会导致ic曲线的形状有很大的不同。此外，为了方便对ic曲线中的特征进行跟踪，对ic曲线的平滑也是不可缺少的步骤。不幸的是，在电池生命周期使用同一参数的平滑窗口可能会导致ic峰在电池老化后期无法出现。因此，选择合理的电压间隔和平滑窗口是基于ic曲线容量估计过程较为突出的难点，现有的研究中也未有针对上述问题较好的解决方案。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于部分放电数据的电池最大容量的在线估计方法。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于部分放电数据的电池最大容量的在线估计方法，该方法在部分放电容量数据中进行健康因子的提取，利用高斯过程回归模型构建健康因子和最大容量之间的映射关系，利用训练好的高斯过程回归模型实现电池单体容量的准确估计，包含如下步骤：

4、s1：选定待测电池，获取电池的基本参数并进行初始容量的标定；

5、s2：对电池进行老化协议为恒流恒压充电和恒流放电的循环充放电实验，收集实验过程中的电流电压数据，并对数据进行预处理建立电池老化数据集；

6、s3：提取电池放电过程中特定电压对应的容量作为健康因子，结合高斯过程回归算法构建电池的容量估计模型；

7、s4：利用训练好的高斯过程回归模型进行电池容量的在线估计。

8、进一步，所述s1具体包括以下步骤：

9、s11：选定待测电池，获取电池的基本参数；

10、s12：将选定的电池放置于25℃的恒温箱中静置2h，使其达到热平衡状态；

11、s13：电池以0.2c的倍率(充放电电流/标称容量)进行恒流充电，当电池电压达到上截止电压3.65v，改为恒压充电，直到充电电流小于或等于0.05c停止充电，此时认为电池达到满充的状态；

12、s14：电池静置30min，使电池达到热平衡状态；

13、s15：电池以0.2c的电流恒流放电至下截止电压2.5v，此时认为电池满放，记录电池在该过程中释放的电量；

14、s16：电池静置30min，使电池达到热平衡状态；

15、s17：重复s13～s16三次，计算出三次测得的放电电量的平均值，作为电池的最终初始容量。

16、进一步，所述s2具体包括以下步骤：

17、s21：将电池放置于35℃的恒温箱中静置2h，使其达到热平衡状态；

18、s22：电池以0.3c的倍率进行恒流充电，当电池电压达到上截止电压3.65v，改为恒压充电，直到充电电流小于或等于0.05c停止充电，此时认为电池达到满充的状态；

19、s23：电池静置10min；

20、s24：电池以1c的电流恒流放电至下截止电压2.5v,此时认为电池满放；

21、s25：电池静置10min；

22、s26：重复s22～s25，直到电池容量衰减到其初始值的80％；

23、s27：对实验过程中记录到的电流电压数据进行预处理，包括统一单位，循环切片，剔除不完整循环，建立电池循环老化数据集。

24、进一步，所述s2中电池老化实验中设定的恒流恒压充放电工况是可变的，包括不同的充放电倍率以及老化温度。

25、进一步，所述s3具体包括以下步骤：

26、s31：对实验所记录的电流时间数据进行安时积分，计算出电池每个循环的最大容量；

27、s32：同样的方法计算出所有放电循环中每个电压对应的电池容量，获得每个循环中的放电容量曲线，即放电容量-电压曲线；

28、s33：从放电容量曲线中提取出特定电压对应的容量作为健康因子(该健康因子避开了一系列的预处理过程，包括微分、平滑等操作，且该健康因子可以和ic曲线下的面积近似等效)；

29、s34：对健康因子进行评估，分别计算最大容量和每一维健康因子之间的皮尔森相关系数，以确定健康因子的电压提取区间；

30、s35：将提取出的健康因子和电池最大容量作为高斯过程回归算的输入输出对其进行训练。

31、进一步，所述s34中的电池中选择的健康因子评估方法是皮尔森相关系数法，但并不局限于该评价标准，也可以是斯皮尔曼系数法、灰色关联度法等；所述s35中的电池容量估计模型选择的是高斯过程回归算法，但并不局限于该机器学习方法，也可以是多层感知机、随机森林、支持向量机等算法。

32、进一步，所述s4具体为：提取出测试集电池中和训练集电池相同的健康因子，将其输入到训练好的高斯过程回归模型中，即可对测试集中的电池进行最大容量的估计。

33、进一步，所述健康因子避免了基于ic曲线的健康因子提取过程中可能出现的问题，并有望能够在较少的训练集数据上训练出较好估计效果的gpr模型。

34、本发明的有益效果在于：

35、(1)从放电工况中进行健康因子的提取，更加符合储能电池的实际需求。

36、(2)利用原始数据即可提取出本发明提出的健康因子，不需要复杂的预处理过程，从而减小计算或存储的负担。

37、(3)提出的健康因子和ic曲线中的健康因子是同源的，但是避免了ic曲线计算过程的主观参数的选取，例如电压间隔和平滑窗口，并且能从部分的放电过程中进行提取。

38、(4)本发明提出的健康因子与电池容量有较强的相关性，利用电池前期的老化数据训练出的容量估计模型可能会有较好的容量估计表现。

39、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s1具体包括以下步骤：

3.根据权利要求1所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s2具体包括以下步骤：

4.根据权利要求3所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s2中，电池老化实验中设定的恒流恒压充放电工况是可变的，包括不同的充放电倍率以及老化温度。

5.根据权利要求1所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s3具体包括以下步骤：

6.根据权利要求5所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s34中，电池中选择的健康因子评估方法是皮尔森相关系数法、斯皮尔曼系数法或灰色关联度法；所述s35中，电池容量估计模型选择的是高斯过程回归算法、多层感知机算法、随机森林算法或支持向量机算法。

7.根据权利要求1所述的一种基于部分放电数据的电池最大容量的在线估计方法，其特征在于：所述s4具体为：提取出测试集电池中和训练集电池相同的健康因子，将其输入到训练好的高斯过程回归模型中，对测试集中的电池进行最大容量的估计。

技术总结本发明涉及一种基于部分放电数据的电池最大容量的在线估计方法，属于电池健康管理领域。该方法包括以下步骤：S1：选定待测电池，获取电池的基本参数并进行初始容量的标定；S2：对电池进行老化协议为恒流恒压充电和恒流放电的循环充放电实验，收集实验过程中的电流电压数据，并对数据进行预处理建立电池老化数据集。S3：计算出每个循环的放电容量，提取电池放电过程中特定电压对应的容量作为健康因子，结合高斯过程回归算法构建电池的容量估计模型。S4：利用训练好的高斯过程回归模型进行电池容量的在线估计。本发明利用部分放电容量数据，避免了基于IC曲线的健康因子提取过程中可能出现的问题。技术研发人员：胡晓松,彭凯乐,李佳承,张凯,邓忠伟,刘文学,陈文强,高宇翀受保护的技术使用者：重庆大学技术研发日：技术公布日：2024/9/29