一种对电池的健康状态进行估计的方法技术

本发明专利技术公开了一种对电池的健康状态进行估计的方法，具体步骤如下：步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案；步骤二，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合。本发明专利技术的混合模型可以对电池的SOH和RUL进行实时的精确预测，避免因电池过度使用引发的事故灾难，利用改进的带有自适应噪声的互补集合经验模态分解算法对容量数据进行分解，可以避免数据中噪声的干扰。

【技术实现步骤摘要】
一种对电池的健康状态进行估计的方法
本专利技术涉及电池管理系统领域，特别涉及一种对电池的健康状态进行估计的方法。
技术介绍
面对全球环境的日趋加剧以及可再生能源的枯竭问题，各国政府提倡研发新能源汽车来替代传统燃油车来解决这两大难题。其中电动汽车作为新能源汽车的主力已经受到了广泛的关注。由于锂电池具有能量密度和功率承受力高、标称电压高、自放电率低、周期长和没有记忆效应等特点，现在已经被广泛应用在电动自行车、纯电动或混合动力汽车、卫星和飞机等电力辅助系统。随着充放电次数的增加和工作条件的不断变化，电池内部的化学反应会变得非常缓慢，最终会造成电池老化，使得电池的实际容量远远低于其额定容量，从而导致其性能下降。老化的电池会直接导致汽车或者卫星电力系统出现故障，影响整个机器的正常使用。因此，电池健康状况(stateofhealth，SOH)和剩余使用寿命(remainingusefullife，RUL)的预测是电池监控系统的一项主要任务，可以减少由电池老化而引起的一些重大灾难事故。近些年，电池SOH和RUL的预测已经成为故障预测和健康管理工程领域的一个热点和挑战性问题，引起了研究人员的广泛关注与研究，并取得了一些出色的效果。这些研究的方法主要分为基于模型的方法和数据驱动的方法两大类。基于模型的方法主要是利用一些经验数学公式来描述电池历史容量衰减的趋势，然后利用粒子滤波(particlefilter，PF)相关的技术来预测电池的SOH和RUL。虽然基于模型的方法在电池RUL的预测方面取得了一些成功，但是没有一个通用和精确的数学模型来描述不同型号电池的退化现象。此外，一些改进的PF算法并不能完全消除粒子退化现象，而且在仿真过程中受到噪声值的影响较大，仿真结果容易出现较大的偏差。和基于模型的方法相比，数据驱动的方法不需要一个确定的数学模型来描述电池退化现象，更适用于不同型号的电池数据预测。其主要是从电池退化数据中提取典型特征(如容量、电流、电压、阻抗和温度等)，然后利用机器学习和深度学习的方法将这些历史特征和当前的SOH建立某种映射关系，通过训练大量的数据得到一个模型来预测电池的SOH和RUL。这些方法主要包括人工神经网络(artificialneuralnetwork,ANN)、支持向量回归(supportvectorregression,SVR)、相关向量机(relevancevectormachine，RVM)、高斯过程回归(Gaussianprocessregression，GPR)、长短时记忆神经网络(longshort-termmemorynetwork，LSTM)等。为了提高SVR算法的预测精度，一些优化算法，如粒子群优化算法、人工蜂群优化算法和差分进化算法等被提出用于寻找SVR算法中最佳惩罚系数c和核函数半径g。随着计算机硬件设备的发展，一些复杂网络的深度学习技术，如LSTM算法和卷积神经网络(Convolutionneuralnetwork，CNN)算法被应用在电池数据领域的估算上。但是在工作过程中，电池容易受到自身的物理特性和外部工作环境的影响，电池寿命的退化是一个复杂的非线性过程，容易出现短暂的容量再生现象，且伴随着大量的噪声。为了减少这种随机的噪声干扰，一些信号处理的方法，如小波分解技术和带有自适应噪声的互补集合经验模态分解算法(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，CEEMDAN)被提出。通过以上分析可知，数据驱动的方法都能够实现对电池的SOH和RUL精确估算，但是每种算法也都有一些自身的缺点。如一些元启发式优化算法在寻优过程中容易陷入局部最优，从而找不到最优值。一些结构复杂的深度学习网络将耗费巨大的计算量，而且网络中的一些参数不一定为最佳值。CEEMDAN信号处理方法存在噪声残留和分解早期出现的假模式的问题。
技术实现思路
本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种对电池的健康状态进行估计的方法。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术一种对电池的健康状态进行估计的方法，具体步骤如下：步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒流恒压(constantcurrentconstantvoltage，CC-CV)充电实验、恒流(constantcurrent，CC)放电实验和阻抗测量实验，在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A，直到达到放电截止电压2.7V；得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若干个高频信号和一个低频部分，并将容量数据进行分解；步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合，即Cn*＝IMF1*+IMF2*+IMF3*+IMF4*+Residual*，并对电池SOH和电池RUL进行评估验证。作为本专利技术的一种优选技术方案，所述步骤一当中，在ICEEMDAN分解技术中，Ek()为通过EMD算法分解得到的第k个IMF分量，H()用于计算信号局部平均值，<>用于计算信号的总体平均值，ω(i)为零均值和单位方差的高斯白噪声，噪声标准差为0.2，Std()为计算标准差的函数，最大迭代次数为5000，实现次数为500。作为本专利技术的一种优选技术方案，所述ICEEMDAN信号分解算法步骤如下：(1)对原始容量信号Cn添加噪声式中，β0＝ε0std(Cn)/std(E1(ω(i)))，ε0为表示第一个附加噪声和分析信号之间的期望信噪比的倒数。(2)通过EMD算法对加入噪声的信号进行分解，获得第一个IMF1分量和第一残余分量R1R1＝＜H(ζ(i))＞式(2)IMF1＝ζ-R1式(3)(3)计算R1+β1E2(ω(i))的局部均值，将其作为第二个残余分量R2，并计算第二个IMF2IMF2＝R1-R2＝R1-＜H(R1+β1E2(ω(i)))＞式(4)(4)当k＝3,…,K时，依次计算第k个残余分量Rk＝＜H(Rk-1+βk-1Ek(ω(i)))＞式(5)(5)计算第k个IMFk分量IMFk＝Rk-1-Rk式(6)(6)重复步骤本文档来自技高网...

【技术保护点】
1.一种对电池的健康状态进行估计的方法，其特征在于，具体步骤如下：/n步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒流恒压(constant current constant voltage，CC-CV)充电实验、恒流(constant current，CC)放电实验和阻抗测量实验，在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A，直到达到放电截止电压2.7V；/n得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若干个高频信号和一个低频部分，并将容量数据进行分解；/n步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；/n步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合，即C...

【技术特征摘要】
1.一种对电池的健康状态进行估计的方法，其特征在于，具体步骤如下：
步骤一，在25℃温度下，对锂离子电池进行三种不同的测试方案，即恒流恒压(constantcurrentconstantvoltage，CC-CV)充电实验、恒流(constantcurrent，CC)放电实验和阻抗测量实验，在充电阶段，开始以CC模式充电，其电流大小为1.5A，直到电压达到充电截止电压4.2V，然后将充电模式转化成CV模式对电池进行充电，即电压保持在4.2V，直到电流下降到充电截止电流20mA，在放电阶段，以CC的模式放电，其电流大小为2A，直到达到放电截止电压2.7V；
得到电池容量数据时，首先利用ICEEMDAN信号分解算法将其分解成若干个高频信号和一个低频部分，并将容量数据进行分解；
步骤二，利用SVR算法对分解后高频信号进行预测，然后利用LSTM算法对低频信号进行预测，在模型预测过程中，引入SSA优化算法对SVR算法的两个参数寻找SVR的最佳惩罚系数c和核函数半径g，达到SVR算法的最佳预测性能，将容量数据或分解后的各分量设定为训练集，剩余的容量数据或分解后的各分量设定为测试集，通过对各个分量的预测，得出预测结果IMF1*、IMF2*、IMF3*、IMF4*和Residual*以及相对应的各个分量预测误差；
步骤三，重构步骤二中每一个分量信号的预测结果，最终的容量预测结果为各个分量预测相加之合，即Cn*＝IMF1*+IMF2*+IMF3*+IMF4*+Residual*，并对电池SOH和电池RUL进行评估验证。


2.根据权利要求1所述的一种对电池的健康状态进行估计的方法，其特征在于，步骤一当中，在ICEEMDAN分解技术中，Ek()为通过EMD算法分解得到的第k个IMF分量，H()用于计算信号局部平均值，<>用于计算信号的总体平均值，ω(i)为零均值和单位方差的高斯白噪声，噪声标准差为0.2，Std()为计算标准差的函数，最大迭代次数为5000，...

【专利技术属性】
技术研发人员：肖峰，彭思仑，段文献，宋世欣，宋传学，王达，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22