基于机器学习的锂电池健康状态及荷电状态联合估算方法技术

本发明专利技术涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，确定电池型号，根据充放电过程的明细数据，拟合V‑SOC曲线；建立锂电池等效电路模型；对一个充放电周期内的电压回弹特性曲线的曲线进行参数辨识，得到机器学习模型；开机时进行一次初始化测试操作；对该周期内的电压回弹曲线进行拟合，得到当前电池欧姆电阻和极化电阻，同时测量环境温度、在存储芯片中读取电池充放电循环数据，计算其电池健康状态SOH；以辨识得到的欧姆电阻、极化电阻、极化电容和最大可用容量更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录SOC值。本发明专利技术具有状态方程参数即时更新、对寿命影响因素考虑全面、参数多次使用、节省计算资源等特点。

【技术实现步骤摘要】
基于机器学习的锂电池健康状态及荷电状态联合估算方法
本专利技术属于锂电池管理系统状态估算
，具体涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。
技术介绍
随着全球不可再生能源逐渐告急和全球温室效应逐渐加重，各国都在寻求可持续发展且节能环保的新能源技术。新能源汽车作为一种节能环保的交通工具，得到人们的关注，电动汽车上的动力电池对电池管理系统有着高能量密度、高安全性、充电快等特性等要求；风电光伏产业在发电市场中逐渐占有更高的比重，而由于其消纳问题较为突出，需要配置容量大、效率高的电池储能系统。以上两种锂电池的应用场景都对电池储能系统的管理系统性能提出较高的要求：不仅需要对电池组的电量进行及时精确的估算及均衡，避免电池单体过充过放现象出现，保证电池安全可靠地工作，还需要对达到报废标准的电池即时进行提示，帮助工作人员进行精准的更换工作而不是整组报废，使电池组的电池能力充分发挥并延长寿命。电池管理系统是锂电池储能系统开发中最重要的环节。电池荷电状态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，该变量不能直接从电池本身获得，只能通过测量电池的外特性参数(如电压、电流等)间接估计得到。但由于锂电池内部复杂的电化学反应导致电池特性呈现为非线性，使电池荷电状态的计算难度很大。电池的健康状态定义为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，涉及到的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。在现有方法中，扩展卡尔滤波、无迹卡尔曼滤波等用于处理非线性问题的非线性卡尔曼滤波被广泛使用。在使用这些算法时，会事先对同型号新电池进行测试实验，在每次以一定充放电速率对电池进行充电后静置半小时以上，然后测量其开路电压，以此得到SOC与开路电压的关系曲线；目前的方法中，在仅估算荷电状态时认为容量不变，而进行健康及荷电状态联合估算时认为其容量仅与等效内阻有关。但是实际上，随着电池的循环使用次数和环境因素的不同，电池容量与其内阻的关系会发生变化，电池的最大可用容量也在发生变化。如果不及时对这些变化作出参数的调整，电池荷电状态和健康状态的估算误差会变的越来越大。
技术实现思路
为解决现有技术中存在的问题，本专利技术的目的在于提供一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。本专利技术对电池的荷电状态及电池健康状态进行联合估算，建立并训练BP神经网络，兼顾循环使用次数、环境温度、电池欧姆内阻、极化内阻等参数对电池容量的影响，并实时对电池荷电状态估算中的状态方程参数进行实时更新。该专利技术对于整个电池状态的全面、精确预测具有重大意义。本专利技术采用以下技术方案，一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，具体步骤如下：(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值(单位为mΩ)，对RΩ、R1、R2、温度T、循环次数n、电池可用容量Ccap进行归一化处理，得到归一化欧姆电阻RΩ：、归一化第一极化电阻R1：、归一化第二极化电阻R2：、归一化循环次数n：、归一化温度T：、归一化可用容量Ccap：，将RΩ：、R1：、R2：、n：、T：作为输入量；Ccap：作为输出量对神经网络进行训练，最终得到以循环次数n、温度T、欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2为输入，Ccap为输出的机器学习模型；(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池欧姆电阻RΩ、第一极化电阻R1和第二极化电阻R2，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n及上次关机时的剩余电量SOC1，将以上参数归一化后输入到机器模型，得到最大可用容量Ccap：，反归一化后计算其电池健康状态SOH；(5)以步骤(4)中计算得到的欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、第一极化电容C1、第二极化电容C2和最大可用容量Ccap更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录初始化测试后首次计算的SOC值；(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，一般取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。本专利技术中，步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光。每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试。如此重复进行实验，直到可用容量为原容量的80％时停止。本专利技术中，步骤(1)中，所述电池的出厂参数包括标称容量C、充电截止电压Vc和放电截止电压Vd。本专利技术中，步骤(1)中，所述充放电和老化过程的明细数据为每次充放电循环的已循环次数n、最大可用容量Ccap、环境温度T、开路电压V和对应剩余电量SOC等数据。本专利技术中，步骤(1)中，测量锂电池当前最大容量Ccap的步骤为：在标准电流下，以恒流恒压方式将锂离子电池充满电，即开路电压达到充电截止电压Vc，稳定一段时间后，对锂电进行恒流Is(单位mA)放电，直至锂电池的开路电压下降至放电截止电压Vd，计算放电总时长Vt(单位s)，则当前最大容量Ccap＝Vt×Is(单位mAs)。本专利技术中，步骤(1)中，拟合V-SOC曲线采用三段拟合方法，以10％和90％为分界点进行拟合：式中，g11、g12、g13、g14、g15、g21、g22、g23、g24、g25、g31、g32、g33、g34、g35为拟合计算求得的目标参数值，SOC为V-SOC曲线中剩余电量SOC的值，V为V-SOC曲线中SOC对应的开路电压V的值；拟合计算完成后，即可得到电压稳定后的情况下，开路电压V与电池剩余电量SOC的函数关系。本专利技术中，步骤(2)中，选用的锂电池等效电路模型为二阶RC等效电路模型，二本文档来自技高网...

【技术保护点】
1.一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于是具体步骤如下：/n(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；/n(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；/n(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻R

【技术特征摘要】
1.一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于是具体步骤如下：
(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；
(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；
(3)用带有遗忘因子的递推最小二乘法(FFLS)对一个充放电周期内的电压回弹特性曲线进行参数辨识，得到欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2的值(单位为mΩ)，对RΩ、R1、R2、温度T、循环次数n、电池可用容量Ccap进行归一化处理，得到归一化欧姆电阻RΩ：、归一化第一极化电阻R1：、归一化第二极化电阻R2：、归一化循环次数n：、归一化温度T：、归一化可用容量Ccap：，将RΩ：、R1：、R2：、n：、T：作为输入量；Ccap：作为输出量对神经网络进行训练，最终得到以循环次数n、温度T、欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2为输入，Ccap为输出的机器学习模型；
(4)在实际应用中，开机时首先进行一次初始化测试操作，记录其电压数据，对该周期内的电压回弹曲线进行拟合，用带有遗忘因子的递推最小二乘法(FFLS)辨识参数，得到当前电池欧姆电阻RΩ、第一极化电阻R1和第二极化电阻R2，同时测量环境温度T、在存储芯片中读取电池充放电循环数据n及上次关机时的剩余电量SOC1，将以上参数归一化后输入到机器模型，得到最大可用容量Ccap：，反归一化后计算其电池健康状态SOH；
(5)以步骤(4)中计算得到的欧姆电阻RΩ、第一极化电阻R1、第二极化电阻R2、第一极化电容C1、第二极化电容C2和最大可用容量Ccap更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录初始化测试后首次计算的SOC值；
(6)基于步骤(5)得到的当前锂电池的SOC，计算出上次初始化测试后首次估算的SOC到现在的电量变化ΔSOC；预先设定好剩余电量SOC变化的一个百分比值，该值根据精度要求和芯片计算能力来决定，一般取2％或5％，当变化量ΔSOC大于该值时，对当前电池进行一次初始化测试操作，执行步骤(4)、步骤(5)并更新储存芯片中记录的SOC值；如果ΔSOC不大于该值，则直接执行下一次SOC估算。


2.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，循环充放电实验步骤为：在设定温度的环境下采用周期性等倍率电流对全新的锂电池单体进行间歇性放电测试，为获得较为完整的特性曲线和高测试效率，电池由满电状态开始特性测试，直到电量完全放光。每周期放电量为容量的5％，然后静置30min；再以1C恒流放电10s，静置40s，再以1C恒流充电10s，静置40s；如此放电5％-静置-放电10s-静置-充电10s-静置-放电5％的流程循环，直至电池容量完全放出；再次恒压-恒流充满电，充电循环次数变量加一，执行下一循环的间歇性放电测试。如此重复进行实验，直到可用容量为原容量的80％时停止。


3.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，所述电池的出厂参数包括标称容量C、充电截止电压Vc和放电截止电压Vd；所述充放电和老化过程的明细数据为每次充放电循环的已循环次数n、最大可用容量Ccap、环境温度T、开路电压V和对应剩余电量SOC；
测量锂电池当前最大容量Ccap的步骤为：在标准电流下，以恒流恒压方式将锂离子电池充满电，即开路电压达到充电截止电压Vc，稳定一段时间后，对锂电进行恒流Is(单位mA)放电，直至锂电池的开路电压下降至放电截止电压Vd，计算放电总时长Vt(单位s)，则当前最大容量Ccap＝Vt×Is(单位mAs)。


4.根据权利要求1所述的一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，其特征在于步骤(1)中，拟合V-SOC曲线采用三段拟合方法，以10％和90％为分界点进行拟合：
式中，g11、g12、g13、g14、g15、g21、g22、g23、g24、g25、g31、g32、g33、g34、g35为拟合计算求得的目标参数值，SOC为V-SOC曲线中剩余电量SOC的值，V为V-SOC曲线中...

【专利技术属性】
技术研发人员：张怀，
申请(专利权)人：芜湖楚睿智能科技有限公司，
类型：发明
国别省市：安徽;34