基于多因子评估模型的锂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多因子评估模型的锂电池健康状态估算方法，首先建立锂离子电池的一阶RC等效电路模型；得到开路电压与荷电状态的具体函数关系，构建开路电压OCV与不同荷电状态SOC值的SOC‑OCV关系表；然后分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程；迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容；用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数，进行同类型全新电池的健康状态的评估。本发明专利技术解决了传统技术中仅采用欧姆内阻估算SOH准确度存在较大缺陷的问题，本发明专利技术利用卡尔曼滤波算法，在线估算电池的欧姆内阻、极化内阻和极化电容提高了健康状态的估算精度。

【技术实现步骤摘要】
基于多因子评估模型的锂电池健康状态估算方法
本专利技术属于锂电池健康状态估算
，具体涉及一种基于多因子评估模型的锂电池健康状态估算方法。
技术介绍
随着清洁能源的发展，锂电池在风、光储能、电动汽车等领域中获得了越来越多的应用。为了保证电池安全有效地运行，需要建立一套电池管理系统，实时监测电池的电压、电流、温度等参数，准确估算电池的荷电状态、健康状态(StateofHealth，SOH)等状态信息。其中，准确估算SOH可以实时掌握电池的使用信息，减少电能的滥用，及时更换电能利用率较低的电池。对于安全性能较高的电池管理系统，可以实现实时在线监控电池的SOH，掌握电池的安全性能，避免驾驶员因电池故障发生事故，同时提高电能利用率，达到降低出行成本的目标。目前估算SOH的方法主要有：支持向量机法、神经网络法、卡尔曼滤波法(KalmanFilter，KF)等。支持向量机和神经网络法是机器学习类算法，它们基于数据驱动来估算健康状态，不考虑电池内部特性，从测量的数据中找出与健康状态的关系，估算精度取决于训练数据的针对性与全面性，算法实现起来较为复本文档来自技高网...

【技术保护点】
1.一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，具体按照以下步骤实施：/n步骤1、建立锂离子电池的一阶RC等效电路模型；/n步骤2、通过脉冲充放电实验确定锂离子电池不同荷电状态处的开路电压，然后通过函数拟合得到开路电压与荷电状态的具体函数关系，构建开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表；/n步骤3、根据步骤1得到的锂离子电池的等效电路模型，分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程；/n步骤4、运用卡尔曼滤波算法，结合步骤2得到的开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表，在线估算电池的欧姆内阻、极化内阻和极化时间常数...

【技术特征摘要】
1.一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，具体按照以下步骤实施：
步骤1、建立锂离子电池的一阶RC等效电路模型；
步骤2、通过脉冲充放电实验确定锂离子电池不同荷电状态处的开路电压，然后通过函数拟合得到开路电压与荷电状态的具体函数关系，构建开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表；
步骤3、根据步骤1得到的锂离子电池的等效电路模型，分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程；
步骤4、运用卡尔曼滤波算法，结合步骤2得到的开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表，在线估算电池的欧姆内阻、极化内阻和极化时间常数，极化电容由时间常数计算得到，最终迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容；
步骤5、建立基于欧姆内阻、极化内阻和极化电容的锂离子电池健康状态多因子评估模型；
步骤6、使用带约束条件的最小二乘算法，训练获得锂离子电池健康状态多因子评估模型中欧姆内阻、极化内阻和极化电容分别对应的权重系数；
步骤7、用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数，进行同类型全新电池的健康状态的评估。


2.根据权利要求1所述的一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，所述步骤1中锂离子电池的一阶RC等效电路模型具体如下：
包括极化内阻Rd与极化电容Cd构成的一个RC并联电路，RC并联电路其中一端与开路电压源连接后接入电压，RC并联电路另一端串联欧姆内阻Ro后接入电压。


3.根据权利要求2所述的一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，所述步骤2中将开路电压按照充、放电方向分为两个部分，在锂电池充电或放电两个过程中因充电或放电电流方向不同而选择各自开路电压源，放电过程中开路电压为UOC，充电过程中开路电压为U’OC，由此分别得到充电过程的开路电压与荷电状态的关系，以及放电过程的开路电压与荷电状态的关系。


4.根据权利要求3所述的一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，所述步骤3具体如下：
首先根据一阶RC等效电路模型，建立锂电池回路电压方程的表达式为：



其中，Ro为电池的欧姆内阻，Rd、Cd分别为电池的电化学极化内阻和极化电容，τd代表极化时间常数，其中，τd＝RdCd，UOC为电池的开路电压，I为锂电池的工作电流，U为电池的工作电压；
根据回路电路方程进行离散化，建立锂电池回路电压离散状态方程：



其中，Ro为电池的欧姆内阻，Rd、Cd分别为电池的电化学极化内阻和极化电容，τd代表极化时间常数，其中，τd＝RdCd，v(k)为欧姆内阻、极化内阻和时间常数的测量噪声，k代表当前时刻迭代计算步数；U(k)、U(k-1)为当前时刻和前一时刻的回路电压，I(k)、I(k-1)为当前时刻和前一时刻的工作电流，UOC(k)和UOC(k-1)为当前时刻和前一时刻的开路电压，T为采样时间；
电池的模型参数在短时间内被认为保持不变，所建立的以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程为：



其中，wk为欧姆内阻、极化内阻和极化电容在估算过程噪声。


5.根据权利要求4所述的一种基于多因子评估模型的锂电池健康状态估算方法，其特征在于，所述步骤4具体如下：
步骤4.1、设置锂电池欧姆内阻、极化内阻、时间常数的初值和卡尔曼滤波算法中的状态误差协方差P的初值，选择系统噪声值为10-4；
步骤4.2、使用步骤2中开路电压与荷电状态的对应关系，得到等效电路模型不同荷电状态对应的开路电压值；对于不在对应关系表内的荷电状态值，采用左侧临近荷电状态处对应的参数值代替；
步骤4.3、由欧姆内阻、极化内阻和极化时间常数各自的状态方程，分别迭代计算欧姆内阻、极化内阻和时间常数的状态预测值和误差协方差预测值；
步骤4.4、计算欧姆内阻、极化内阻和极化时间常数的卡尔曼滤波增益Kk；
步骤4.5、将步骤4.3得到的欧姆内阻、极化内阻和极化时间常数的状态预测值代入步骤3中的状态观测方程得到观测量的预测值；
步骤4.6、由步骤4.4得到的欧姆内阻、极化内阻和时间常数各自的卡尔曼滤波增益得到当前时刻的状态估计量并更新误差协方差；
步骤4.7、调整欧姆内阻、极化内阻和极化时间常数估算的过程噪声协方差；
步骤4.8、将步骤4.3得到的状态预测值和误差...

【专利技术属性】
技术研发人员：乌江，陈猛，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61