一种基于多模型融合的锂电池健康状态估计方法技术

本发明专利技术提供一种基于多模型融合的锂电池健康状态估计方法，该方法涉及了对锂电池充放电过程中等采样时间间隔的电池充放电电压、充电放电电流、充放电时间进行特征提取；构建多种模型获取多元异构信息；基于训练数据对多种模型参数进行辨识，并将辨识的参数作为融合模型的输入特征。采用提取特征与多种模型预测结果作为融合算法的输入，利用条件随机场对多模型进行融合估计锂电池的健康状态SOH。本发明专利技术主要应用于估计锂电池的健康状态，对比单一的模型能够获取更高健康状态估计精度和更低的预测误差。

A health state estimation method of lithium battery based on multi model fusion

【技术实现步骤摘要】
一种基于多模型融合的锂电池健康状态估计方法
本专利技术涉及锂离子电池管理系统
，特别是一种基于多模型融合的锂电池健康状态估计方法。
技术介绍
锂离子电池由于其内部比能量高、结构体积小、无维护、环境友好等特点受到各界的青睐，同时也推动了电动汽车的迅速发展。然而，随着使用中充放电循环次数的增加，电池会出现老化和裂化现象，会影响锂离子电池的使用寿命和电动汽车的安全行驶范围。对锂离子电池的健康状态进行预测可以及时发现问题，避免可能会发生的事故。因此一个准确的SOH健康状态估计方法可以有效的帮助我们判断电池的老化程度和提高电池的使用时间。条件随机场CRF预测算法是著名的维特比算法，具有特征设计灵活、可直接对后验概率进行建模、可计算出全局最优输出节点条件概率、解决马尔科夫模型的标记偏置问题、计算标记序列联合概率分布等优点，通过给出条件随机场P(Y|X)和输入序列x，便可获得条件概率最大下的输出序列y*。锂电池的SOH无法用专门的设备进行测量，需要通过对其他物理量的测量进行表示。现阶段锂电池SOH估计方法可分为基于机理、基于特征和基于数据驱动三大类方法。基于机理是从锂电池的电化学原理角度描述，基于特征是考虑了电池在充放电过程中所表现的参数改变，基于数据驱动则是从数据中挖掘电池SOH演变规律。锂电池的健康状态可根据电池在老化过程中容量和内阻的变化来表示，常用的健康状态表示方法可分别从电池剩余电量、电池启动功率、电池容量、内阻等角度定义健康状态SOH。而现有的锂电池SOH估计方法都是进行单一预测模型，这样会出现估计不准确的问题。另外，现有技术中公开了一种“基于电压关键特性的锂电池在线健康状态快速预测方法”见公开号为：CN108549030A，公开日为：2018.9.18的中国专利，该专利为设计电池在线健康状态预测模型，基于部分电池充电数据，快速计算电池任何寿命阶段的健康状态，对电池实现准确的功能判断，该专利技术提出了基于电压关键特性的锂电池在线健康状态快速预测方法，包括以下步骤：步骤(1)、对不同寿命状态锂电池进行基于循环测试工况做循环测试，获取锂电池的全寿命数据；步骤(2)、获取电池容量以及计算差分电压，进一步预选取关键特征值；步骤(3)、基于各预选特征值，训练及测试预测模型，最终选取最优模型进行锂电池在线健康状态预测。该专利技术实现了基于较少数据在线计算电池健康状态，较为准确地判断电池性能，并提高了工作效率。但是该专利采用的技术方案与本专利并不相同。
技术实现思路
为克服上述问题，本专利技术的目的是提供一种基于多模型融合的锂电池健康状态估计方法，提高了锂电池的健康状态估计的准确性。本专利技术采用以下方案实现：一种基于多模型融合的锂电池健康状态估计方法，包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，所述锂电池的数据采集过程是对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。本专利技术的模型相对于其他多融合模型方法具有简单的模型结构，且通过拟合电压曲线获取的拟合参数这种特殊的特征提取方法，使得输入的特征具有更好的物理意义，并且进一步提高了锂电池健康状态估计的准确度。本专利技术主要涵盖了对锂电池每次充放电中恒流充电阶段特征值的提取、特征的训练、多模型融合和数据的预测四个核心过程。本专利技术采用锂电池充电过程而不采用放电过程可避免因放电端设备不同而产生的放电曲线变化情况不同，并且采用充电过程中的恒流充电阶段。同时，本方法特征提取没有覆盖整个充电过程，采用局部特征代替全局特征，即取每次循环中0％～30％SOC作为非采样区间，其余SOC区间作为局部采样区间，采用局部采样策略。进一步的，所述锂电池在充电过程中的恒流充电阶段进行特征提取，进一步具体为：步骤S1、判断锂电池的恒流充电阶段，获取恒流充电截止时间t；步骤S2、判断每次充放电0％-30％荷电状态SOC阶段，获取剩余部分到截止时间的恒流充电阶段电池容量Qcc(t)＝It*70％，即为恒流充电阶段电池电流和充电时间的乘积Qcc，通过每次循环的拟合参数获取第k次循环的拟合参数，使用商业数学软件MATLAB中cftool函数获取不同循环过程中恒流充电阶段电池容量Qcc的拟合曲线Qcc(k)＝AQk2+BQk+CQ；步骤S3、判断每次充电70％荷电状态SOC剩余阶段，获取每个充电时间间隔的恒流充电阶段电池电压，通过MATLAB中cftool函数获取电压的拟合曲线，并且获取拟合曲线中的拟合参数AQ、BQ、CQ；步骤S4、通过每次循环的拟合参数获取第k次循环的拟合参数，使用MATLAB中的约束函数optimoptions，选取约束设置为lsqnonlin参数，获取拟合曲线B(k)＝Abk2+Bbk+Cb；其中AB,BB,CB是B(k)的曲线拟合参数。进一步的，所述锂电池模型训练过程进一步具体为：将B(k)和Qcc(k)作为特征集，对输入特征集进行分类前60％作为训练数据集，后40％作为测试数据集；将训练数据集x＝(B(k),Qcc(k))分别输入到经验模型、等效电路模型、电化学模型，将三种模型输出的结果作为条件随机场模型的参数特征进行锂电池健康状态SOH预测。进一步的，通过经验模型获取条件随机场模型中位置特征的权值参数，通过等效电路模型对锂离子电池进行参数辨识，通过电化学模型对锂电池的健康状态进行初步估计，将三种模型输出的结果作为条件随机场模型的参数特征，通过条件随机场模型目标函数以及转移状态获得锂电池健康状态的估计值。进一步的，通过经验模型获取权值参数以及特征参数，权值参数w＝(w1,w1,…wk)T，T代表一个数学符号，即转置矩阵；特征参数F(y,x)＝(f1(y,x),f2(y,x),…,fk(y,x))T，式中其中，y表示输出状态序列，x表示输入观察序列，i表示循环次数。进一步的，等效电路模型该模型采用二阶RC等效电路模型分别为Re-Ce和Rct-Cct能够描述锂离子电池在充放电过程中的动态特性，模型中的RC回路体现锂离子电池在工作状态下的电化学极化和浓度差极化现象，E作为锂离子电池的电动势，V表示端电压，电阻R为欧姆电阻，电阻Re表示电化学极化电阻，电阻Rct表示浓度差极化电阻，并联的电阻Re和电容Ce表示锂离子电池在充放电过程中的极化现象，并联的电阻Rct和电容Cct表示锂离子电池本文档来自技高网...

【技术保护点】
1.一种基于多模型融合的锂电池健康状态估计方法，其特征在于：包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，/n所述锂电池的数据采集过程是对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；/n所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；/n所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；/n所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；/n所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。/n

【技术特征摘要】
1.一种基于多模型融合的锂电池健康状态估计方法，其特征在于：包括锂电池的数据采集过程、锂电池的数据预处理过程、锂电池的特征提取过程、锂电池模型训练过程、以及误差分析过程，
所述锂电池的数据采集过程是对锂电池的充放电过程中充放电电流、充放电电压、充放电时间进行采集；
所述锂电池的数据预处理过程是对锂电池采集的数据中异常值的数据进行剔除，并对剔除后的数据进行充放电阶段分类，恒流充电阶段分类；
所述锂电池的特征提取过程是锂电池在充电过程中的恒流充电阶段进行特征提取，获取恒流充电阶段在不同循环过程中的电压曲线、恒流充电时间、相邻采样点之间的电流差，及恒流充电电流值；
所述锂电池模型训练过程是对锂电池提取的特征进行训练集和测试集分类，将训练数据集通过模型进行训练；
所述误差分析过程是通过测试训练集对模型进行测试，测试后的输出值与真实值进行误差分析，以实现锂电池的健康状态估计。


2.根据权利要求1所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：所述锂电池在充电过程中的恒流充电阶段进行特征提取，进一步具体为：
步骤S1、判断锂电池的恒流充电阶段，获取恒流充电截止时间t；
步骤S2、判断每次充放电0％-30％荷电状态SOC阶段，获取剩余部分到截止时间的恒流充电阶段电池容量Qcc(t)＝It*70％，即为恒流充电阶段电池电流和充电时间的乘积Qcc，通过每次循环的拟合参数获取第k次循环的拟合参数，使用商业数学软件MATLAB中cftool函数获取不同循环过程中恒流充电阶段电池容量Qcc的拟合曲线Qcc(k)＝AQk2+BQk+CQ；
步骤S3、判断每次充电70％荷电状态SOC剩余阶段，获取每个充电时间间隔的恒流充电阶段电池电压，通过MATLAB中cftool函数获取电压的拟合曲线，并且获取拟合曲线中的拟合参数AQ、BQ、CQ；
步骤S4、通过每次循环的拟合参数获取第k次循环的拟合参数，使用MATLAB中的约束函数optimoptions，选取约束设置为lsqnonlin参数，获取拟合曲线B(k)＝Abk2+Bbk+Cb；其中AB,BB,CB是B(k)的曲线拟合参数。


3.根据权利要求2所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：所述锂电池模型训练过程进一步具体为：将B(k)和Qcc(k)作为特征集，对输入特征集进行分类前60％作为训练数据集，后40％作为测试数据集；将训练数据集x＝(B(k),Qcc(k))分别输入到经验模型、等效电路模型、电化学模型，将三种模型输出的结果作为条件随机场模型的参数特征进行锂电池健康状态SOH预测。


4.根据权利要求3所述的一种基于多模型融合的锂电池健康状态估计方法，其特征在于：通过经验模型获取条件随机场模型中位置特征的权值参数，通过等效电路模型对锂离子电池进行参数辨识，通过电化学模型对锂电池的健康状态进行初步估计，将三种模型输出的结果作...

【专利技术属性】
技术研发人员：林名强，朱利琦，戴厚德，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：福建;35