一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备技术方案

本发明专利技术公开了一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备，主要包括电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线SOH估计4个步骤。该方法所需的特征较少，特征获取容易，模型结构简单且调参容易，模型训练时长和SOH实际估计时长很短，而且在几乎不需要任何数据预处理的情况下也能取得很高的SOH估计精度，可代替现有真实场景下的SOH估计技术，十分易于实际应用。十分易于实际应用。十分易于实际应用。

【技术实现步骤摘要】
一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备


[0001]本专利技术属于电动汽车或机器人电池管理领域
，具体涉及一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备。

技术介绍

[0002]电池的健康状态(SOH)估计是电池管理系统的关键技术之一，电池SOH通常定义为电池当前可用容量与初始容量之间的百分比，实时准确的SOH估计对电池的安全运行至关重要。近年来，基于数据驱动的方法凭借其灵活、通用的特点，已成为SOH估计的研究热点。
[0003]然而，目前基于数据驱动估计SOH的方法都存在一些共同不足限制它们的实际应用，如选取的用于表征电池容量退化的特征较为复杂；大部分方法需要对训练数据进行繁琐的预处理步骤，而且模型结构复杂且参数调节困难；这些因素都进一步增加了模型的训练时长，给在线部署带来难度。除此之外，有些方法的应用需要对电池进行完整的充电或放电，这导致电池SOH的实际估计时间(包括测试数据采样时间)过长，在实际测试中要花费很大的代价。另外，这些方法的SOH估计准确度可以进一步提高。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备，该方法需要的特征少，特征获取容易，模型结构简单，训练时长短，获得的精度高，适于实际应用。
[0005]为了达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术公开了一种基于恒流充电时间的快速锂离子电池健康状态估计方法，包括以下步骤：
[0007]S1：电池老化数据集分析
[0008]对电池老化数据进行数据处理，提取出每个老化循环的恒流充电数据，分析等电压间隔的恒流充电时间与电池老化之间的关系，从可充容量和可充能量两个角度进行老化估计的简化与论证；
[0009]S2：最佳区间筛选与充电时间特征提取
[0010]筛选出最佳的采样电压区间，提取出最佳电压区间的恒流充电时间作为自变量，电池的健康状态SOH值作为因变量，完成数据准备工作；
[0011]S3：离线建模训练与评估
[0012]将数据集划分成训练集和测试集，选择合适的机器学习模型，建立模型、训练数据，用训练完成的模型对测试集进行预测和评价，将训练完成的离线模型和离线评估结果存入数据库中，供在线估计SOH时快速调用；
[0013]S4：数据采样与在线SOH
[0014]测量待测电池的初始端电压状态，根据初始端电压状态选择合适的SOH估计策略，
根据SOH估计策略进行相应的恒流充电操作，完成测试数据采样；
[0015]调用S3中存入数据库的离线模型，对采样的测试数据进行预测，完成在线SOH估计。
[0016]优选地，S1中，从可充容量的角度描述电池老化行为，具体操作如下：
[0017]若在电池的每个老化循环中取相同的电压变化区间，那么电池在此区间内的充入容量C
charge
等于充电电流与充电时间t
charge_time
的乘积：
[0018]C
charge
＝I
·
t
charge_time
；
[0019]其中，I是电流常数。
[0020]优选地，S1中，从可充能量的角度描述电池的老化行为，具体操作如下：
[0021]在电池充电的等电压区间内，可充入的能量E
charge
为充电曲线下方的面积与电流的乘积，根据梯形积分公式，E
charge
表示为：
[0022][0023]其中，t0、t
n
分别是充电开始和结束时刻，V0、V
n
分别是充电开始和结束电压值，I是电流常数。
[0024]优选地，S2中，具体实现包括以下操作：
[0025]2.1设定充电电压起点和区间长度，由此组合形成充电电压片段，针对每一个充电电压片段，提取出每个老化循环对应的该片段的充电时间以及循环结束的SOH值，完成数据预处理，为筛选最佳电压区间做准备；
[0026]2.2利用决策树回归模型或者相关系数法对每一个电压区间对应的数据集进行打分，筛选出效果最佳的采样电压区间；
[0027]2.3针对电池的每一个老化循环，提取出最佳电压区间对应的充电时间以及循环结束时的SOH值，分别作为自变量和因变量，由此形成待训练数据集。
[0028]优选地，S3中，具体实现包括以下操作：
[0029]3.1采用留一交叉验证的策略，将数据集划分成训练集和测试集；
[0030]3.2采用线性回归模型或者随机森林模型，对训练集进行训练；
[0031]3.3将训练完成的模型用于测试集的预测；
[0032]3.4采用评价准则来评估模型的预测效果，评价准则包括平均绝对误差、均方根误差、最大绝对误差和模型决定系数R2中的一种或多种指标；
[0033]3.5将评估结果和训练完成的离线模型保存在数据库中，方便在线估计时快速调用，离线评估结果用来指导在线估计策略，根据时间或者精度要求选择最好的估计策略；训练完成的离线模型在在线估计时能够被直接调用并进行在线预测。
[0034]优选地，S4中，具体实现包括以下操作：
[0035]4.1测量待测电池的初始端电压状态；
[0036]4.2根据电池初始端电压，基于S3的离线评估结果，结合估计要求，选择合适的SOH估计策略；
[0037]4.3根据SOH估计策略进行相应充电电压段的数据采样，即执行一段恒流充电操作并记录数据；
[0038]4.4调用S3保存的离线训练模型，对采样数据进行预测，模型输出当前被测电池的
SOH值，从而完成在线SOH估计。
[0039]本专利技术还公开了采用上述的基于恒流充电时间的快速锂离子电池健康状态估计方法的系统，包括：
[0040]电池老化数据集分析模块，用于对电池老化数据集恒流充电曲线进行分析；
[0041]最佳区间筛选与充电时间特征提取模块，用于筛选出最佳的采样电压区间，提取出自变量和因变量，完成数据准备工作；
[0042]离线建模训练与评估模块，用于划分数据集，建立合适的机器学习模型，训练数据并进行SOH估计与评价；
[0043]数据采样与在线SOH模块，用于完成数据采样和在线SOH估计。
[0044]本专利技术还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述的基于恒流充电时间的快速锂离子电池健康状态估计方法的步骤。
[0045]与现有技术相比，本专利技术具有以下有益效果：
[0046]本专利技术公开的基于恒流充电时间的快速锂离子电池健康状态估计方法，主要包括电池老化数据集分析、最佳区间筛选与特征提取、离线建模训练与评估、数据采样与在线SOH估计4个步骤。该方法所需的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，包括以下步骤：S1：电池老化数据集分析对电池老化数据进行数据处理，提取出每个老化循环的恒流充电数据，分析等电压间隔的恒流充电时间与电池老化之间的关系，从可充容量和可充能量两个角度进行老化估计的简化与论证；S2：最佳区间筛选与充电时间特征提取筛选出最佳的采样电压区间，提取出最佳电压区间的恒流充电时间作为自变量，电池的健康状态SOH值作为因变量，完成数据准备工作；S3：离线建模训练与评估将数据集划分成训练集和测试集，选择合适的机器学习模型，建立模型、训练数据，用训练完成的模型对测试集进行预测和评价，将训练完成的离线模型和离线评估结果存入数据库中，供在线估计SOH时快速调用；S4：数据采样与在线SOH测量待测电池的初始端电压状态，根据初始端电压状态选择合适的SOH估计策略，根据SOH估计策略进行相应的恒流充电操作，完成测试数据采样；调用S3中存入数据库的离线模型，对采样的测试数据进行预测，完成在线SOH估计。2.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S1中，从可充容量的角度描述电池老化行为，具体操作如下：若在电池的每个老化循环中取相同的电压变化区间，那么电池在此区间内的充入容量C
charge
等于充电电流与充电时间t
charge_time
的乘积：C
charge
＝I
·
t
charge_time
；其中，I是电流常数。3.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S1中，从可充能量的角度描述电池的老化行为，具体操作如下：在电池充电的等电压区间内，可充入的能量E
charge
为充电曲线下方的面积与电流的乘积，根据梯形积分公式，E
charge
表示为：其中，t0、t
n
分别是充电开始和结束时刻，V0、V
n
分别是充电开始和结束电压值，I是电流常数。4.根据权利要求1所述的基于恒流充电时间的快速锂离子电池健康状态估计方法，其特征在于，S2中，具体实现包括以下操作：2.1设定充电电压起点和区间长度，由此组合形成充电电压片段，针对每一个充电电压片段，提取出每...

【专利技术属性】
技术研发人员：徐俊，林川平，石明杰，梅雪松，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：