一种锂离子电池健康估计方法技术

本发明专利技术提供了一种锂离子电池健康估计方法，使用车载BMS存储的历史电池数据对编码器

【技术实现步骤摘要】
一种锂离子电池健康估计方法


[0001]本专利技术涉及电动汽车电池管理系统领域，具体地，涉及一种锂离子电池健康估 计方法。

技术介绍

[0002]在当今社会能源问题和环境问题日益严重的背景下，混合动力汽车和纯电动汽 车等新能源汽车正在逐渐成为汽车行业的行业主流。锂离子电池是电动汽车重要的 核心组件。电池管理系统(BMS)的作用就是为了保障电池的安全稳定运行。由于 电池的状态量，如电池的容量、内阻等，并不能由车载传感器直接测得。所以，BMS 为了实现对电池的管理和监控，就只能通过车载传感器能够直接测量的信号，如电 池的端电压、电池的负载电流以及电池表面的温度，对电池的状态进行间接估计。 另外，我国即将迎来车载锂离子动力电池退役高峰，届时将有大量的锂离子电池被 梯次利用。锂离子电池容量损失量不同，其被二次利用的场合也不同。所以，在对 退役锂电池进行梯度利用前，需要对电池进行容量测试和内阻测试。
[0003]国内外估算电池SOH的方法主要有实验分析法和基于电池模型的方法。实验分 析法通过对电池进行标准的测试实验来估计SOH。基于模型的方法会建立一个锂离 子电池的动态模型，基于这个模型进行参数辨识和状态辨识。锂电池动态模型有等 效电路模型和电化学模型。锂电池的等效电路参数多使用最小二乘法进行辨识。而 电化学模型的参数辨识多使用粒子群算法和遗传算法等适合于优化高度非线性目 标函数的优化算法。
[0004]使用实验分析法来估计SOH，相对直接，精度较高，但需要化学工作站等专业 实验设备价格昂贵，且测试所需时间较长。在即将有大量锂电池退役，有待进行测 试的背景下，会极大影响锂离子电池梯次利用的效率。等效电路模型较为简单，计 算效率高，但其是对电池动态特性的近似刻画，模型精度相对较低。电化学模型能 对电池的动态响应特性进行精确的描述，但其计算涉及多个偏微分方程，计算量较 大，在车载BMS系统上难以实现。
[0005]在公开号为CN111832220A的中国专利技术专利申请文件中，公开了一种基于编解 码器模型的锂离子电池健康状态估算方法，包括以下步骤：(1)采集电池充放电周 期数据，包括端电压、电流数据和每个充放电周期内的最大放电容量；(2)根据所 采集数据的特性，构建注意力机制的编解码器模型，包含编码器和解码器两部分。 电压、电流值作为编码器输入，得到电池的SOH估算值作为解码器输出，并确定各 层节点数；(3)将步骤(1)采集的数据预处理、归一化，输入到权重随机初始化后的 编解码器模型中，并通过Adam算法训练，最小化编解码器模型输出误差；(4)将新 的测试样本输入到步骤(3)中训练好的编解码器模型，计算预测误差，以评估模型 预测的准确性。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种锂离子电池健康估计方法。
[0007]根据本专利技术提供的一种锂离子电池健康估计方法，包括以下步骤：
输出门和记忆单元；编码器LSTM网络和解码器LSTM网络内部的三个门控单元的输 入输出函数关系为：
[0030]i
t
＝f(W
i,x
x
t
+W
i,h
h
t
‑1+b
i
)
[0031]f
t
＝f(W
f,x
x
t
+W
f,h
h
t
‑1+b
f
)
[0032]o
t
＝f(W
o,x
x
t
+W
o,h
h
t
‑1+b
o
)
[0033]式中i
t
为输入门的输出，f
t
为遗忘门的输出，o
t
为输出门的输出；W
i,x
，W
f,x
和W
o,x
分别为输入门、遗忘门和输出门对当前时刻输入量x
t
的权重矩阵；W
i,h
，W
f,h
和W
o,h
分 别为输入门、遗忘门和输出门对上一个时刻的网络输出向量h
t
‑1的权重向量；f表示 Sigmoid激活函数，其表达式为：
[0034][0035]记忆单元中存储的值的更新量为：
[0036][0037]当前时刻记忆单元中存储的值将更新为：
[0038][0039]上式中c
t
表示t时刻记忆单元中存储的值，c
t
‑1表示t
‑
1时刻记忆单元中存储的值， 更新记忆单元中存储的值后，根据下面这个式子获得LSTM网络当前时刻的输出：
[0040]h
t
＝o
t
tanh(c
t
)。
[0041]优选的，所述步骤S4中的确定网络的输入输出和计算网络输出误差包括以下步骤：
[0042]步骤S4.1：编码器的输入为步骤S3.2中所述的当前子序列前k
·
c个时刻的电压、 电流、温度和SOC；
[0043]步骤S4.2：编码器在上述k
·
c个时刻上完成前向传播之后，将k
·
c时刻的编码器网 络的输出和记忆单元值记录下来；
[0044]步骤S4.3：解码器的输入为步骤S3.2中所述的当前子序列后k(1
‑
c)个时刻的电流、 温度和SOC；
[0045]步骤S4.4:：将解码器t＝1时刻记忆单元中存储的值初始化为编码器k
·
c时刻的记忆 单元值
[0046]步骤S4.5：解码器在t＝1时刻输入到各个门控单元的上一个时刻的解码器网络输出 初始化为编码器在第k
·
c时刻的网络输出
[0047]步骤S4.6：解码器在当前子序列后k(1
‑
c)个时刻上前向传播，获得解码器网络的 输出序列为：
[0048][0049]步骤S4.7：使用一个线性全连接层，将解码器每一个时刻的输出向量转化为一个 标量，计算表达式为：
[0050]表示解码器预测的电池1C放电电压曲线在电池SOC为p％时的电压值；
[0069]步骤S7.3：解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压 曲线之间的相似度使用均方误差(Mean Square Error,MSE)的倒数来描述，计算公式为：
[0070][0071]式中ρ
i
表示解码器预测的电池1C放电电压曲线和第i次老化循环电池1C放电电压 曲线之间的相似度；
[0072]步骤S7.4：如果解码器预测的电池1C放电电压曲线和第m次老化循环电池1C放 电电压曲线之间的相似度最大，即ρ
m
的值最大，那么对SOH的估计值就等于循环老化 实验中经历m次老本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池健康估计方法，其特征在于，包括以下步骤：步骤S1：收集BMS系统记录的锂离子电池近期的负载电流、端电压、温度、SOC数据序列；步骤S2：对收集到的数据进行异常点剔除、数据缺失点补充和最大最小化预处理；步骤S3：利用滑动窗口法将步骤S2中处理好的数据划分为若干个子序列，然后将各个子序列划分为供编码器使用的部分和供解码器使用的部分；步骤S4：对编码器
‑
解码器神经网络的结构进行设计，确定网络的输入输出、网络层数以及每层的神经元数；首先计算网络的前向传播结果，将网络输出与期望输出进行对比，计算网络输出误差，然后使用误差反传算法，对编码器
‑
解码器神经网络的参数进行训练；步骤S5：对训练好的编码器
‑
解码器模型进行虚拟容量测试，获得编码器
‑
解码器模型预测的电池端电压响应曲线；步骤S6：收集与步骤S1中电池型号相同的电池的循环老化实验数据，并计算数据中每一条电压曲线所对应的电池容量值；步骤S7：依次计算步骤S5中获得曲线和步骤S6中收集到的电池循环老化实验中的各条电池电压响应曲线之间的相似度，确定步骤S5中获得曲线与步骤S6哪一条曲线最相近，把最相近的步骤S6中的那条曲线对应的容量值作为当前电池SOH的估计值。2.根据权利要求1所述的一种锂离子电池健康估计方法，其特征在于：所述步骤S1包括以下子步骤：步骤S1.1：BMS系统上传最近一个月的电池运行数据至T
‑
BOX；步骤S1.2：T
‑
BOX将电池运行数据传输至云端大数据中心；步骤S1.3：云端服务器实现对SOH进行离线估算。3.根据权利要求1所述的一种锂离子电池健康估计方法，其特征在于：所述步骤S2包括以下子步骤：步骤S2.1：进行数据清洗，将数据序列中严重偏离的数据点删除，该点处数据值由前后两个时刻的数据值进行线性插值得到；步骤S2.2：删除重复的冗余数据，对于冗余数据和缺失数据，均使用前一时刻和后一时刻的数据值的线性插值结果进行补齐；步骤S2.3：将数据集进行归一化处理，采用最大最小归一化方法：式中X指当前样本某一特征分量的取值，X
min
是所有样本的该特征分量的最小值，X
max
是所有样本的该特征分量的最大值。4.根据权利要求1所述的一种锂离子电池健康估计方法，其特征在于：所述步骤S3包括以下子步骤：步骤S3.1：对收集到的每一条完整的电池动态放电数据施加一个长度为k的滑动窗口，该窗口以步长s沿着整条序列向前滑动，进而将完整的放电序列划分为若干个长度为k的子序列；步骤S3.2：对于每一个子序列，按照比例系数c，将每一个子序列前面k
·
c个时刻的作为供编码器使用的部分，将后面k(1
‑
c)个时刻作为供解码器使用的部分。5.根据权利要求1所述的一种锂离子电池健康估计方法，其特征在于：所述步骤S4中的
编码器和解码器均为LSTM网络，编码器和解码器的网络层数均为单层LSTM网络，且神经元节点数均为10个。6.根据权利要求5所述的一种锂离子电池健康估计方法，其特征在于：所述编码器和解码器中的每个LSTM层均包含四个组件：输入门、遗忘门、输出门和记忆单元；编码器LSTM网络和解码器LSTM网络内部的三个门控单元的输入输出函数关系为：i
t
＝f(W
i,x
x
t
+W
i,h
h
t
‑1+b
i
)f
t
＝f(W
f,x
x
t
+W
f,h
h
t
‑1+b
f
)o
t
＝f(W
o,x
x
t
+W
o,h
h
t
‑1+b
o
)式中i
t
为输入门的输出，f
t
为遗忘门的输出，o
t
为输出门的输出；W
i,x
，W
f,x
和W
o,x
分别为输入门、遗忘门和输出门对当前时刻输入量x
t
的权重矩阵；W
i,h
，W
f,h
和W
o,h
分别为输入门、遗忘门和输出门对上一个时刻的网络输出向量h
...

【专利技术属性】
技术研发人员：张希，刘良俊，郭邦军，朱景哲，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：