一种基于时频域联合特征的电池健康状态快速评估方法与流程

本发明涉及锂电池状态评估，具体为一种基于时频域联合特征的电池健康状态快速评估方法。

背景技术：

1、新能源电池领域中常通过研究电池的电化学动力反应机理表征特征，推出利用等效电路ecm模拟电池内部化学反应，通过在模拟系统中施加交流电信号，并测量系统的电压和电流响应，模拟电池的电学特性和界面过程的电化学阻抗谱技术eis以及通过获取电池在较短soc区间充放电过程的电池电压、电流、内阻、温度等状态信息，通过上述在频率和时域方式呈现电池内部状态，一般利用上述方式提取电池健康因子，构建电池老化模型，但是往往在实际应用中电池内部表现出更复杂的形态，上述方式提取出的健康因子，很少将两者结合考虑，这使得无法构建全面的表征电池内部状态的评估模型。

2、电池健康因子探索方面，频域特征是利用原始阻抗谱的高精度、无损(非侵入性)优点来表征电池特性，根据弛豫时间分布(drt)原理将eis频域特征进行时域变换，进一步提取电池欧姆电阻、gamma等阻抗特征；drt方法能够更好地区分出电池的电化学过程的主要时间常数，加速阻抗分析过程，并提升了时间尺度动力学的可解释性和准确性；时域特征是研究电压相关特征，其主要分为三类：电压、增量容量、温度相关等特性，电压特性分析电压变化、电压曲线斜率、初始和最终充电电压以及恒流、恒压步长的容量值；增量容量特征是依据电压与容量在充放电过程中的前后时刻(可以是相邻时刻也可以是多时刻间隔)的差分关系放大在电池稳定工作中电压与容量的变化特性，增量容量曲线的波峰位移(电压位置)、波峰峰值与电池容量衰减相关；电池工作温度也会影响电池的健康状态，电池温度过高会加速电池化学反应生成，加速电池材料损耗。

3、相关技术应用方面，近年来关于电化学阻抗谱技术(eis)的应用情况不同以往集成在复杂设备或者高成本的电化学工作站中，这种情况下往往存在高成本、设备体积庞导致大不便携带、技术不易推广和大规模行应用问题，因此该技术在电池行业的应用普及程度偏低。

技术实现思路

1、本发明的目的在于提供一种基于时频域联合特征的电池健康状态快速评估方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于时频域联合特征的电池健康状态快速评估方法，包括步骤一，设计测试流程；步骤二，时频域数据获取；步骤三，联合特征提取；步骤四，构建评估模型；步骤五，部署应用；

3、其中在上述步骤一中，根据电池类型、容量大小等参数信息，设置调压实验、静置、eis测试实验详细内容，设计电池健康状态评估测试流程；

4、其中在上述步骤二中，通过分容柜对电池进行20％soc充电获取调压数据，即时域数据，通过电化学交流快速阻抗谱分析设备以宽频电流测试电池，获取eis数据，即频域数据；

5、其中在上述步骤三中，提取电压、eis、drt的间接和直接特征，构建电池预备健康因子列表，利用相关系数法剔除列表中的杂质元素，更新列表，作为模型输入的时频域联合特征；

6、其中在上述步骤四中，采用机器学习回归估计器作为学习模型，将构建好的时频域特征作为输入学习电池老化规律，建立基于时频域联合特征的残值估计模型；

7、其中在上述步骤五中，将构建时频域联合特征方法和容量估计算法部署在快速阻抗谱分析仪的数据分析模块中，以便利用学习好的模型快速评估电池健康状态。

8、作为本发明的进一步技术方案，所述步骤一中，整个评估测试流程由充放电阶段、静置阶段、eis测试阶段三部分组成，在充放电阶段，首先放空电池电量确保处于0％soc，静置后充电至电池20％soc，充电完毕需静置1h让电池内部状态稳定，静置结束再进行eis测试，整个测试流程相对单一电池耗时1h24min。

9、作为本发明的进一步技术方案，所述步骤二中，通过充放电设备电池充电至20％soc，工步信息：恒流放电1-静置2-恒流放电3-静置4-恒流充电5-静置6，其中静置2的静置时间为5min，静置4的静置时间为1min，静置6的静置时间为30s，恒流放电1电流为1c，恒流放电3电流为0.1c，充电电流0.6c，预充容量＝额定容量*20％soc，该部分操作与梯度电池出厂要求的电池荷电状态重合，因此不需将该部分作为增加部分，快速阻抗谱设备设定10khz-0.1hz频率范围利用设定电流激励，激励电流设定5a，通过对不同老化程度的梯度电池进行测试获取不同老化状态下的频域数据。

10、作为本发明的进一步技术方案，所述步骤三中，通过dbscan聚类算法将训练样本进行分组，组内样本数小于3条样本的聚类结果进行剔除，视聚类组内数量小于阈值的样本为异常样本，将剔除后的样本进行时频域特征提取表征电池的健康因子，采用步骤二中的调压充放电工步作为时域特征提取方式，利用扫频方式获取10khz-0.1hz频率范围内复数阻抗信息，取频率对数分布，每对数尺度取10个频率点，共计51组，时频域最终组合特征为300-0.1hz实部阻抗、3.2-3.35v间的充电时长、电压均值、电压方差、ic容量增量峰值。

11、作为本发明的进一步技术方案，所述步骤三中，时频域特征选择方式利用皮尔森相关系数方式获取各特征与容量之间的正负相关程度，利用特征与容量进行可视化查看相关程度，剔除相关程度低的特征，皮尔森相关系数计算公式为：

12、

13、式中和分别表示两者的样本均值。

14、作为本发明的进一步技术方案，所述步骤三中，根据电池等效电路ecm先验知识与利用皮尔森相关系数方式得到的相关性分析结果对时频域特征进行剔除和缩减范围，剔除前预备健康因子特征列表由电化学阻抗谱的实部虚部阻抗、利用弛豫时间分布方法计算出的drt特征中的γ、调压曲线的充电时长、电压均值、电压方差、ic增量容量峰值组成，根据皮尔森方式计算出各健康因子与容量的相关性得分，相关性得分为[-1，1]，负数为与容量负相关，正数为与容量正相关，进一步筛选出更优特征。

15、作为本发明的进一步技术方案，所述步骤四中，利用多种特征组合，构建特征列表后，数据划分为训练集和验证集，划分比例为7:3，数据较少时可用留一法和k折交叉验证方式划分，并构建极端梯度回归树xgboost模型，学习电池老化规律并输出电池现有的容量残值，将验证估计结果通过多种模型评估指标表明模型学习程度，这里所用评估指标为：模型精度r2、相对均方根百分比误差rrmse、平均绝对百分比误差mape、最大相对误差。

16、作为本发明的进一步技术方案，所述步骤四中，模型精度决定系数的计算公式为：

17、

18、相对均方根百分比误差计算公式为：

19、

20、平均绝对百分比误差计算公式为：

21、

22、最大相对误差计算公式为：

23、

24、作为本发明的进一步技术方案，所述步骤四中，电池容量估计算法部分，xgboost回归模型是通过串行连接多个弱学习器(即回归树)进行训练，每个学习器会在前一个学习器的学习残差结果基础上进行进一步修正学习，逐步提升模型的估计能力，每一轮迭代通过优化目标函数构建新的回归树模型，构建过程中使用贪婪优化方式最小化目标函数，并利用正则化避免过拟合。

25、作为本发明的进一步技术方案，所述步骤五中，在线应用部分流程是由采样、数据处理、算法估计、结果可视化输出组成，对应软硬件部分实现是由电化学阻抗谱激励采样模块、树莓派：数据保存、传输和算法部署以及可视化结果上位机组成，选定最佳模型并通过pickle库函数保存为pkl格式文件，将模型部署在边缘设备树莓派，通过构建fastapi接口调用模型，并在线测试算法评估电池容量，收集大量该电池信息，持续进行模型再训练和优化。

26、与现有技术相比，本发明的有益效果是：本发明通过充放电设备和炙云电芯交流阻抗分析仪分别进行调压曲线测试和电化学交流阻抗谱测试采集电池的表征内部状态的时频域数据，通过截取电池调压曲线区间的3.2-3.3v较明显斜率变化阶段数据的电压均值、充电时长、电压方差的间接健康因子以及增量容量ic，由皮尔森相关系数方法计算与容量相关性，进一步剔除干扰因子，优化健康因子列表，并采用融合时频域特征方式构建电池残值估计模型，模型能学习到更全面的状态信息，采用xgboost集成回归树作为电池老化模型，该算法的集成特性、损失继承特性使得模型预测结果更鲁棒、精度高、训练速度快、非线性特征适应性更好，且将学习好的老化模型部署在炙云电芯交流阻抗分析仪的树莓派中，实现设备实时采集电池数据并通过上位机调用数据和模型api接口，快速估计电池容量残值，相对传统分容方式获取电池容量残值，通过交流阻抗设备大大节省了时间和人力成本。