一种考虑不一致性的电池组SOH估计方法技术

本发明专利技术公开了一种考虑不一致性的电池组SOH估计方法，所述方法包括：对选定电池组进行循环充放电测试，采集满充后30分钟的所有电池单体的弛豫电压数据，构建原始数据集D

【技术实现步骤摘要】
一种考虑不一致性的电池组SOH估计方法


[0001]本专利技术涉及电池储能
，具体涉及一种考虑不一致性的电池组SOH估计方法。

技术介绍

[0002]锂离子电池具有使用寿命长、自放电率低和能量效率高的优点，近年来在电动汽车和储能电站中得到广泛应用。由于锂离子电池单体电压和容量较低，需要通过串联和并联的方式组成电池组才能满足使用要求。然而，受限于现有制造工艺与材料问题，串联电池组中的电池单体之间不可避免存在参数不一致性，导致电池组中电池单体之间的老化速率不一致。目前，一般是将电池单体SOH估计方法直接应用于电池组的SOH估计，因此估计精度受到电池参数不一致性的影响。
[0003]此外，现有数据驱动的电池组SOH估计方法，常用特征一般为恒流充电阶段的部分电压区间时间变化量、容量增量曲线多个峰点的位置与大小。在实际应用中，电动汽车和储能电站的充电起始电压通常具有随机性，当充电过程未完全包含特征电压区间时，会严重影响估计精度。而且，容量增量曲线需要通过较小的充电电流获取，当充电电流较大时无法通过容量增量曲线提取特征信息。

技术实现思路

[0004]本专利技术为克服上述现有串联电池组SOH估计方法存在的问题，提出了一种考虑不一致性的电池组SOH估计方法。
[0005]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0006]S1：对选定的K个串联电池组进行循环充放电测试，在每次循环中，所述电池组完成充电后均搁置30分钟，期间采集所述电池组中每一个电池单体在搁置过程中的端电压数据，记为弛豫电压数据，构建原始数据集D
raw
，并根据每次循环的总放电容量计算所述电池组的SOH值，直到所述电池组SOH值达到70％时停止循环测试；
[0007]S2：根据步骤S1所构建的原始数据集D
raw
，计算所述电池组中每一个电池单体弛豫电压数据的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，然后，针对每一个串联电池组中所有电池单体弛豫电压的6类统计变量，计算组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6
×
6)类统计变量，并将步骤S1所获得的电池组SOH值作为标签值，共同构建二次统计变量数据集D
sta
；
[0008]S3：对步骤S2所获得的二次统计变量数据集D
sta
进行归一化处理，采用结合交叉验证的递归特征消除方法对(6
×
6)类统计变量进行筛选，将被保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D
f
；
[0009]S4：对步骤S3所获得的特征数据集D
f
，将其中部分电池组的特征数据设为训练集，将剩余电池组的特征数据设为测试集；
[0010]S5：搭建神经网络模型，具体可以采用长短期记忆神经网络模型、卷积神经网络模
型或全连接神经网络模型，将步骤S3获得的特征数据集D
f
中的特征作为所搭建神经网络模型的输入，将对应的电池组SOH值作为所搭建神经网络模型的输出；
[0011]S6：将步骤S4获得的训练集输入到所搭建神经网络模型进行训练迭代，将步骤S4获得的测试集输入到所搭建神经网络模型进行性能评估，将评估完成并且性能符合要求的神经网络模型导入到电池管理系统中；
[0012]S7：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D
f
对应的特征，输入到步骤S6所导入电池管理系统的神经网络模型中，估计该电池组的SOH值。
[0013]步骤S1所述的原始数据集D
raw
构建方法如下：
[0014]S1
‑
1：针对选定的K个串联电池组，对每个电池组都进行循环充放电测试，在每次循环中，所述电池组完成充电后搁置30分钟，并采集所述电池组中每一个电池单体的弛豫电压数据，其中第k个电池组的第m次循环采集到的弛豫电压数据集具体形式如下：
[0015]V
k,m
＝[V
k,m,1
,V
k,m,2
,
…
,V
k,m,n
,
…
,V
k,m,N
][0016]其中，V
k,m,n
表示第k个电池组的第m次循环中第n个电池单体的弛豫电压数据，其具体形式如下：
[0017]V
k,m,n
＝[V
k,m,n,1
,V
k,m,n,2
,
…
,V
k,m,n,T
][0018]其中，下标T代表第T个采样时刻；
[0019]S1
‑
2：根据每次循环的总放电容量计算所述电池组的SOH值，每个电池组均在SOH达到70％时停止循环测试，构建原始数据集D
raw
，具体形式如下：
[0020][0021]其中，D
k
表示第k个电池组对应的原始数据集，共包含M次循环，其具体形式如下：
[0022][0023]步骤S2所述的二次统计变量数据集D
sta
构建方法如下：
[0024]S2
‑
1：针对选定的K个串联电池组，根据步骤S1所获得的原始数据集D
raw
，计算所述电池组中每一个电池单体弛豫电压的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，对于第k个电池组在第m次循环中第n个电池单体的弛豫电压数据集，将最大值记为V
k,m,n,max
，将最小值记为V
k,m,n,min
，将平均值记为V
k,m,n,mean
，标准差、峰度和偏度的计算
公式分别如下：
[0025][0026]其中，V
k,m,n,std
表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的标准差，V
k,m,n,kur
表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的峰度，V
k,m,n,skew
表示第k个电池组在第m次循环中第n个电池单体的弛豫电压的偏度；
[0027]S2
‑
2：根据步骤S2
‑
1计算得到的所述电池组中每一个电池单体弛豫电压的6类统计变量数据，构建一次统计变量数据集d
sta
，具体形式如下：
[0028][0029]其中，第k个电池组在第m次循环的一次统计变量数据d
sta,k,m
，具体形式如下：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑不一致性的电池组SOH估计方法，其特征在于，具体步骤如下：S1：对选定的K个串联电池组进行循环充放电测试，在每次循环中，所述电池组完成充电后均搁置30分钟，期间采集所述电池组中每一个电池单体在搁置过程中的端电压数据，记为弛豫电压数据，构建原始数据集D
raw
，并根据每次循环的总放电容量计算所述电池组的SOH值，直到所述电池组SOH值达到70％时停止循环测试；S2：根据步骤S1所构建的原始数据集D
raw
，计算所述电池组中每一个电池单体弛豫电压数据的6类统计变量，包括最大值、最小值、平均值、标准差、峰度和偏度，然后，针对每一个串联电池组中所有电池单体弛豫电压的6类统计变量，计算组内不同电池单体之间同类型统计变量的最大值、最小值、平均值、标准差、峰度和偏度，共获得(6
×
6)类统计变量，并将步骤S1所获得的电池组SOH值作为标签值，共同构建二次统计变量数据集D
sta
；S3：对步骤S2所获得的二次统计变量数据集D
sta
进行归一化处理，采用结合交叉验证的递归特征消除方法对(6
×
6)类统计变量进行筛选，将被保留的统计变量作为特征，将步骤S1所获得的电池组SOH值作为标签值，构成特征数据集D
f
；S4：对步骤S3所获得的特征数据集D
f
，将其中部分电池组的特征数据设为训练集，将剩余电池组的特征数据设为测试集；S5：搭建神经网络模型，具体可以采用长短期记忆神经网络模型、卷积神经网络模型或全连接神经网络模型，将步骤S3获得的特征数据集D
f
中的特征作为所搭建神经网络模型的输入，将对应的电池组SOH值作为所搭建神经网络模型的输出；S6：将步骤S4获得的训练集输入到所搭建神经网络模型进行训练迭代，将步骤S4获得的测试集输入到所搭建神经网络模型进行性能评估，将评估完成并且性能符合要求的神经网络模型导入到电池管理系统中；S7：电池管理系统运行期间，对串联电池组进行实时监控，当所述串联电池组完成充电时，根据步骤S1所述方法采集该电池组中所有电池单体的弛豫电压数据，根据步骤S2至步骤S3所述方法对所采集到的弛豫电压数据进行数据处理和特征筛选，获得步骤S3所述特征数据集D
f
对应的特征，输入到步骤S6所导入电池管理系统的神经网络模型中，估计该电池组的SOH值。2.一种考虑不一致性的电池组SOH估计方法，其特征在于，步骤S1所述的原始数据集D
raw
构建方法如下：S1
‑
1：针对选定的K个串联电池组，对每个电池组都进行循环充放电测试，在每次循环中，所述电池组完成充电后搁置30分钟，并采集所述电池组中每一个电池单体的弛豫电压数据，其中第k个电池组的第m次循环采集到的弛豫电压数据集具体形式如下：V
k,m
＝[V
k,m,1
,V
k,m,2
,
…
,V
k,m,n
,
…
,V
k,m,N
]其中，V
k,m,n
表示第k个电池组的第m次循环中第n个电池单体的弛豫电压数据，其具体形式如下：V
k,m,n
＝[V
k,m,n,1
,V
k,m,n,2
,
…
,V
k,m,n,T
]其中，下标T代表第T个采样时刻；S1
‑
2：根据每次循环的总放电容量计算所述电池组的SOH值，每个电池组均在SOH达到70％时停止循环测试，构建原始数据集D
raw
，具体形式如下：
其中，D
k
表示第k个电池组对应的原始数据集，共包含M次循环，其具体形式如下：3....

【专利技术属性】
技术研发人员：陈思哲，梁子康，杨苓，许方圆，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：