一种基于机器学习的锂离子动力电池健康状态估算方法技术

本发明专利技术公开了一种基于机器学习的锂离子动力电池健康状态估算方法，用于实时估算动力电池的荷电状态和健康状态。通过建立锂离子电池的等效电路模型，对其进行参数辨识，再建立Uoc‑SOC模型，并估算SOC。使用大量离线数据训练得到以Uoc‑SOC模型参数为输入，最大可用容量为输出的神经网络模型。对同一时刻的Uoc与SOC进行曲线拟合，得到模型中的待辨识参数，将其输入到训练得到的神经网络模型，得到最大可用容量，并将得到的Uoc‑SOC模型参数及最大可用容量返回到SOC估算步骤，更新其状态方程和观测方程的参数。本发明专利技术提出一种锂离子电池健康状态估算方法，对电池健康状态进行在线估算，并对SOC估算进行了参数更新，提高了其估算精度。

A machine learning based health state estimation method for Li-ion power battery

【技术实现步骤摘要】
一种基于机器学习的锂离子动力电池健康状态估算方法
本专利技术涉及电动汽车动力电池管理系统状态估算
，具体涉及动力电池荷电状态和健康状态联合估算。
技术介绍
随着全球石油资源的日趋枯竭，环境污染的日益严重，电动汽车作为一种节能、环保、且可持续发展的交通工具，得到了人们的关注。动力电池组作为电动汽车的动力来源，其性能一直是研究的重点。电动汽车的电池在使用时，需要使其工作在合理的电压、电流、温度范围内。因此，需要对电动汽车上电动电池的使用进行有效管理。电动汽车上对电池实施管理的具体设备就是电池管理系(BatteryManagementSystem,BMS)。其不仅要保证电池安全可靠地使用，而且要使电池的能力充分发挥并延长其寿命，作为电池整车控制器以及驾驶者之间沟通的桥梁，控制电池组的充放电，并向整车控制器上报动力电池系统的基本参数及故障信息。电池管理系统的水平在很大程度上决定了动力电池组的性能。因此，一个实时、高效的电池管理系统是非常重要的。电池管理系统(BMS)是新能源汽车动力系统总成与大规模储能系统开发的重要环节。电池荷电状态(SOC)用来表征电池的剩余电量，即剩余电量与额定容量的百分比。电池荷电状态(SOC)不能直接从电池本身获得，只能通过测量电池组的外特性参数(如电压、电流等)间接估计得到。电动汽车动力电池在使用过程中，由于内部复杂的电化学反应，导致电池特性体现出高度的非线性，使准确估计电池荷电状态(SOC)具有很大难度。用于处理非线性问题的非线性卡尔曼滤波(如扩展卡尔滤波、无迹卡尔曼滤波等)被考虑用来估算SOC。在使用这些算法时，会涉及到SOC与Uoc的关系式，以及电池的最大可用容量，目前的方法一般不考虑其变化，默认其为定值。但是实际上，随着电池的老化，SOC与Uoc的关系会发生变化，电池的最大可用容量也在发生变化。如果不及时更新这些变化，SOC的估算误差会变的越来越大。SOH是指电池的健康状态，即当前最大可用容量与初始最大可用容量的比值。随着电池使用时间增加，电池会逐渐衰老，出现内阻增大、电池容量衰减等现象。电池容量衰减的原因复杂，涉及到因素较多，且变化缓慢。目前尚没有一个精确的衰退物理模型。在使用机器学习建立模型时，健康因子的选择对其最终精度有较大影响，因此选择合适的健康因子十分重要。
技术实现思路
为解决现有技术中存在的问题，本专利技术对电池的荷电状态(SOC)与健康状态(SOH)进行联合估算，通过实时更新Uoc与SOC关系式的系数及最大可能容量，提高SOC估算精度，减少估算误差；并将Uoc与SOC关系式的系数作为健康因子，作为BP神经网络模型的输入。该专利技术对于整个电池状态的估算与控制，提高电池的使用寿命和充分发挥电池的容量具有重大意义。本专利技术是采用以下技术方案，实现上述技术目的的。一种基于机器学习的锂离子动力电池健康状态估算方法，包括以下步骤：步骤(1)，建立锂离子动力电池的等效电路模型，并辨识模型中的未知参数；步骤(2)，建立Uoc-SOC模型：其中ai、bi、ci.为模型中待辨识的参数,UOC表示电池的开路电压，SOC为电池荷电状态；步骤(3)，对荷电状态SOC进行估算；步骤(4)，将离线数据通过曲线拟合，得到ai、bi、ci的值；步骤(5)，对ai、bi、ci及最大可用容量C进行归一化处理，得到a'i、b'i、c'i作为输入、C'作为输出，采用机器学习算法对a'i、b'i、c'i及对应的C'进行训练，最终得到以a'i、b'i、c'i为输入与C'为输出的机器学习模型；步骤(6)，对同一时刻的Uoc与SOC进行曲线拟合得到输入值ai、bi、ci，归一化后输入到机器模型，得到最大可用容量C；步骤(7)，将步骤(6)中得到的ai、bi、ci及C值返回到步骤(3)，更新状态方程和观测方程中对应的参数。进一步，所述等效电路模型选用Thevenin等效电路模型或二阶RC等效电路模型。进一步，所述Uoc-SOC模型用UOC＝K0+K1z+K2z2+K3z3+K4z4+K5z5+K6z6或或或替换，其中z为荷电状态SOC，K0、K1、K2K3、K4、K5、K6、α1、α2为模型中待辨识的参数。进一步，所述荷电状态SOC利用扩展卡尔曼滤波算法进行估算，电池的极化电压和荷电状态的状态方程为其中Up、Rp、Cp表示电池极化电压、电阻、电容，η为库伦效率，ΔT为采样时间间隔，IL为电池充放电流，ωk为系统噪声；端电压的观测方程为其中υk为量测噪声。本专利技术的有益效果是：本专利技术提出的基于机器学习的锂离子动力电池健康状态估算方法，可以实时更新采用模型法估算荷电状态时Uoc-SOC模型中的参数和当前电池的最大可用容量，提高SOC的估算精度。另外，本专利技术以Uoc-SOC模型中的参数作为数据驱动的健康状态估算方法的健康因子，有较高的估算精度；并在联合估算时，在更新估算SOC中的Uoc-SOC模型中参数的同时，将更新的参数作为SOH估算的输入，SOC估算、SOH估算共用同一组参数，减少了计算量。附图说明图1是锂离子动力电池模型等效电路图；图2是本专利技术基于机器学习的锂离子动力电池健康状态估算方法的流程图。具体实施方式下面给将结合附图对本专利技术的具体技术方案作进一步的说明，但是本专利技术的保护范围并不限于此。一种基于机器学习的锂离子动力电池健康状态估算方法，包括以下步骤：步骤(1)，建立锂离子动力电池的等效电路模型，可以选用Thevenin等效电路模型，或二阶RC等效电路模型，本实施例以Thevenin等效电路为例(如图1)，其中，UOC表示电池的开路电压，Ut表示电池的端电压，R0为电池的欧姆内阻，Up、Rp、Cp表示电池极化电压、电阻、电容；IL为电池充放电流。根据图1中电路原理图，利用电工学理论分析以上等效电路模型，建立电池模型的连续时间方程：Ut＝Uoc-ILR0-Up(1)通过拉普拉斯变换得到传递函数：双线性变换，令得令公式(4)可简化为：UL，k＝a1UL，k-1+UOC，k-a1UOC，k-1+a2IL，k+a3IL，k-1(5)又因为采样时间T很短，则：ΔUOC，k＝UOC，k-UOC，k-1≈0(6)则公式(6)可简化为：Ut，k＝(1-a1)UOC，k+a1Ut，k-1+a2IL，k+a3IL，k-1(7)然后使用递推最小二乘法进行参数辨识，公式(7)可写成：其中ΦLs，k是系统的数据矩阵，θLs，k是参数矩阵。步骤(2)，建立Uoc-SOC模型：采用电池测试柜，对某18650型锂离子电池进行循环寿命试验，得到不同循环次数下对应的SOC与Uoc的值，对得到的数据进行曲线拟合，得到Uoc-SOC的关系：其中ai、bi、ci为模型中待辨识的参数，这些待辨识的参数随着电池健康状态的变化而发生变化，进而可以作为表征健康状态的健康因子。Uoc-SOC模型还可以采用以下模型：UOC＝K0+K1z+K2z2+K3z3+K4z4+K5z5+K6z6(11)其中z为荷电状态SOC，K0、K1、K2K3、K4、K5、K6、α1、α2为模型中待辨识的参数，这些辨识的参数随着电池健康状态的变化而发生变化，也可以作为表征健康状态的健康因子。下面以公式(9)为例，取n＝3，对其进行拟合，得到不同循环次数下的参数如下：循环次数a1b1本文档来自技高网...

【技术保护点】
1.一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，包括以下步骤：步骤(1)，建立锂离子动力电池的等效电路模型，并辨识模型中的未知参数；步骤(2)，建立Uoc‑SOC模型：

【技术特征摘要】
1.一种基于机器学习的锂离子动力电池健康状态估算方法，其特征在于，包括以下步骤：步骤(1)，建立锂离子动力电池的等效电路模型，并辨识模型中的未知参数；步骤(2)，建立Uoc-SOC模型：其中ai、bi、ci.为模型中待辨识的参数,UOC表示电池的开路电压，SOC为电池荷电状态；步骤(3)，对荷电状态SOC进行估算；步骤(4)，将离线数据通过曲线拟合，得到ai、bi、ci的值；步骤(5)，对ai、bi、ci及最大可用容量C进行归一化处理，得到a′i、b′i、c′i作为输入、C'作为输出，采用机器学习算法对a′i、b′i、c′i及对应的C'进行训练，最终得到以a′i、b′i、c′i为输入与C'为输出的机器学习模型；步骤(6)，对同一时刻的Uoc与SOC进行曲线拟合得到输入值ai、bi、ci，归一化后输入到机器模型，得到最大可用容量C；步骤(7)，将步骤(6)中得到的ai、bi、ci及C值返回到步骤(3)，...

【专利技术属性】
技术研发人员：何志刚，李尧太，盘朝奉，周洪剑，魏涛，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32