一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及系统技术方案

本发明专利技术公开了一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及系统，包括：获取电池充放电期间电压、电流及温度信息；获取电池的瞬时电压、电流及温度信息；将电池充放电期间电压、电流及温度信息和电池的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOC、SOH和RUL的预测模型中，得锂离子电池的SOC、SOH和RUL，该方法及系统能够利用统一的数据驱动模型预测电池的SOC、SOH及RUL。SOH及RUL。SOH及RUL。

【技术实现步骤摘要】
一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及系统


[0001]本专利技术涉及一种联合估计方法及系统，具体涉及一种统一的锂离子电池SOC、SOH和RUL的联合估计方法及系统。

技术介绍

[0002]电池储能系统在可再生能源发电、智能电网技术和电动汽车等方面迅速发展。准确的电池荷电状态(SOC)、健康状态(SOH)和剩余使用寿命(RUL)估计是BMS中的关键模块，用于确保电池的可靠性、耐久性和性能。
[0003]一般来说，SOC估计方法主要包括基础方法、数据驱动方法和基于模型的方法。基本方法包括查找表和安培积分法。基本方法因其计算简单、易于实现等优点，在实际工程中得到了广泛的应用。而基本方法受工作环境、休息时间和初始值精度的影响较大，随着时间的积累，积分误差会越来越大。基于模型的方法普遍具有实时反馈和闭环反馈的优点，因此得到了很大的发展。常用模型大致可归纳为三种:电化学模型(EM)，等效电路模型(ECM)和电化学阻抗模型(EIM)。数据驱动模型只依赖于历史数据，不需要复杂的等效模型或数学模型。Anton等人在“Support vector machines used to estimate the battery state of charge.IEEE Transactions on power electronics,28(12):5919
–
5926,2013”应用支持向量机(SVM)在动态应力测试周期的锂离子电池上，以电池电流、电池电压和电池温度为自变量预测SOC。Hong等人在“Online joint
‑
prediction of multi
‑
forward
‑
step battery soc using lstm neural networks and multiple linear regression for real
‑
world electric vehicles.Journal of Energy Storage,30:101459,2020.”提出了一个基于LSTM的真实电动汽车电池系统多步SOC预测方法。
[0004]电池老化，通常表现为容量衰减和电阻增长，可能还有可用电量衰减，是系统安全最具挑战性的问题之一。与SOC估计类似，SOH和RUL也可以通过数据驱动和基于模型的方法进行预测。基于模型的方法主要是基于材料性质、电化学反应、SOH阻抗变化和RUL预测等因素，分析内部降解机理的物理化学原理，建立数学模型表征容量降解过程。Ashwin等人在“Capacity fade modelling of lithium
‑
ion battery under cyclic loading conditions.Journal of Power Sources,328:586
–
598,2016.”提出了伪二维(P2D)电化学锂离子电池模型来研究循环充放电条件下的容量衰减，该模型集成了锂离子电池内部所有必要的电化学过程，证明了计算快速电池监测系统的有用工具。Eddahech等人在“Remaining useful life prediction of lithium batteries in calendar ageing for automotive applications.Microelectronics Reliability,52(9
‑
10):2438
–
2442,2012.”使用了从电化学阻抗识别的单个参数通过光谱(EIS)测试来识别电池的RUL。基于EIS检测中0.1Hz阻抗实部的监测，该方法可与等效电路模型方法相媲美，但证明了其简单性。Dong等在“Battery health prognosis using brownian motion modeling and particle filtering.IEEE Transactions on Industrial Electronics,65(11):8646
–
8655,2018.”将容量退化作为布朗粒子在给定时间区间内的运动距离，利用粒子滤波(PF)
估计布朗运动(BM)的漂移参数，其结果提供了准确、稳健的SOH和RUL预测。与基于模型的方法相比，数据驱动方法不需要明确的数学模型来描述电池的退化演化过程。数据驱动的预测依赖于历史数据，包括电流、电压、电容和阻抗等，并通过各种数据分析方法挖掘退化信息。Nuhic等人在“Health diagnosis and remaining useful life prognostics of lithium
‑
ion batteries using data
‑
driven methods.Journal of power sources,239:680
–
688,2013.”使用支持向量回归(SVR)对电池健康状况进行嵌入诊断和预测。Zhang等在“Long short
‑
term memory recurrent neural network for remaining useful life prediction of lithium
‑
ion batteries.IEEE Transactions on VehicularTechnology,67(7):5695
–
5705,2018.”利用长短期记忆(LSTM)递归神经网络(RNN)学习了锂离子电池退化容量之间的长期依赖关系。Hong等人在“Towards the swift prediction of the remaining useful life of lithium
‑
ion batteries with end
‑
to
‑
end deep learning.Applied energy,278:115646,2020.”提出了一种基于扩展CNN的神经网络结构，用于预测锂离子电池的剩余使用寿命。
[0005]随着时间的推移监测电池SOC、SOH和RUL是一个具有挑战性的目标，因为SOC和SOH与复杂的电化学过程高度耦合。细胞SOC和SOH在两个时间尺度上存在。SOC变化迅速，可以在几分钟内完成整个范围，而SOH变化缓慢。Hu等人在“Co
‑
estimation of state of charge and state of health for lithium
‑
ion batteries based on fractional
‑
order calculus.IEEE Transactions on Vehicular Technology,67(11):10319
–
10329,2018.”提出了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，包括：获取电池历史循环周期充放电期间电压、电流及温度信息；获取电池运行期间的放电瞬时电压、电流及温度信息；分别将电池历史循环周期充放电期间电压、电流及温度信息和电池运行期间的瞬时电压、电流及温度信息输入至训练后的锂离子电池SOH
‑
RUL和SOC的预测模型中，预测锂离子电池的SOH、RUL和SOC。2.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，锂离子电池SOC、SOH和RUL的预测模型包括SOH
‑
RUL预测模型及SOC预测模型。3.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，所述SOH
‑
RUL预测模型基于卷积网络、循环网络和注意力机制构建而成。4.根据权利要求1所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，还包括：建立锂离子电池SOC、SOH和RUL的预测模型；采集训练样本；利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练，得训练后的锂离子电池SOC、SOH和RUL的预测模型。5.根据权利要求4所述的统一的锂离子电池SOC、SOH和RUL的联合估计方法，其特征在于，利用所述训练样本对锂离子电池SOC、SOH和RUL的预测模型进行训练的过程中，提取SOH
‑
RUL预测模型的中间特征作为电池老化信息对SOC预测模型的电池动态状态标定及容量校正。6.一种统一的锂离子电池SOC、SOH和RUL的联合估计系统...

【专利技术属性】
技术研发人员：陈欣，蔡宁波，巩素梅，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：