一种基于阻抗谱的电池健康状态估计方法及系统技术方案

本发明专利技术涉及电池管理技术领域，公开了一种基于阻抗谱的电池健康状态估计方法及系统，包括采用阻抗谱测量技术获取待估计的电池的阻抗谱；采用参数辨识算法辨识分数阶等效电路模型的参数；将辨识的参数输入到构建并训练好的电池健康状态SOH估计神经网络中，并将所述电池SOH估计神经网络的输出作为电池当前的SOH。本发明专利技术通过利用阻抗谱测量技术获取待估计的电池的阻抗谱，并利用参数辨识算法辨识分数阶等效电路模型的参数，再将参数输入到构建并训练好的电池SOH估计神经网络中，可实现对电池SOH的有效估计，具有实际工程应用前景。具有实际工程应用前景。具有实际工程应用前景。

【技术实现步骤摘要】
一种基于阻抗谱的电池健康状态估计方法及系统


[0001]本专利技术涉及电池管理
，尤其涉及一种基于阻抗谱的电池健康状态估计方法及系统。

技术介绍

[0002]电池的健康状态(State of Health，简称SOH)的定义如以下公式(1)所示：
[0003][0004]其中，Q
current
是电池当前可用最大容量(Ah)，Q
N
为电池出厂时的最大容量(Ah)。SOH是反映电池老化状态和性能的关键指标，目前，电池SOH估计方法可分为三类。
[0005](1)直接测试法：
[0006]该方法对电池进行实际恒流充放电，在满充或者满放过程中将电流对时间积分，得到电池真实的Qcurrent数值。该方法原理简单，通常可以作为电池真实SOH的基准测试。但该方法的测量条件比较苛刻，需要较长时间的恒流充放电，在电池的实际应用场景下难以应用，因此常在实验室使用，常用作其他方法估计结果的标准比对。
[0007](2)基于模型的SOH估计方法：
[0008]该方法主要通过对电池进行建模，基于电池模型仿真研究进行SOH估计，常见的模型包括等效电路模型和电化学模型。等效电路模型来表征估计电池的健康状态，该方法通常精度较低，而在使用电化学模型进行SOH估计，往往能取得较高的精度，但电化学模型参数众多且形式复杂，用于SOH估计时运算消耗巨大，难以应用于实际场景，并且该方法也需要较大深度的充放电，比较耗时。
[0009](3)基于数据驱动的SOH估计方法r/>[0010]该方法完全依赖于电池外特性历史数据，而不必考虑电池内部的反应机理和状态结构，通过建立神经网络模型、模糊逻辑模型和支持向量机模型等方式进行SOH估计。基于数据驱动的方法有着较高的估计精度和计算效率，但是需要大量的历史数据，且对不同电池和不同工况的适应性不强。
[0011]综上所述，现有电池SOH估计方法均需要对电池进行深度充放电，对于某些应急备用电池并不适用。因为应急备用电池长期处于满电浮充状态，能够监测得到的是几乎不变的电池电压和近似为0的浮充电流，无法获取SOH估计方法所需的变化的电压、电流数据。
[0012]因此，需要对现有技术进行改进。
[0013]以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。

技术实现思路

[0014]本专利技术提供一种基于阻抗谱的电池健康状态估计方法及系统，以解决现有技术中的不足。
[0015]为实现上述目的，本专利技术提供以下的技术方案：
[0016]第一方面，本专利技术提供一种基于阻抗谱的电池健康状态估计方法，所述方法包括：
[0017]采用阻抗谱测量技术获取待估计的电池的阻抗谱；
[0018]采用参数辨识算法辨识分数阶等效电路模型的参数；
[0019]将辨识的参数输入到构建并训练好的电池健康状态SOH估计神经网络中，并将所述电池SOH估计神经网络的输出作为电池当前的SOH。
[0020]进一步地，所述基于阻抗谱的电池健康状态估计方法中，所述方法还包括：
[0021]构建并训练电池SOH估计神经网络。
[0022]进一步地，所述基于阻抗谱的电池健康状态估计方法中，所述电池SOH估计神经网络的输入层为9层，输出层为1层，隐含层为10层。
[0023]进一步地，所述基于阻抗谱的电池健康状态估计方法中，所述电池SOH估计神经网络的训练次数设置为1000，期望误差为0.00001，学习速率0.01，网络输入输出归一化函数为Mapminmax()，网络仿真函数为Sim()。
[0024]第二方面，本专利技术提供一种基于阻抗谱的电池健康状态估计系统，所述系统包括：
[0025]阻抗谱获取模块，用于采用阻抗谱测量技术获取待估计的电池的阻抗谱；
[0026]参数辨识模块，用于采用参数辨识算法辨识分数阶等效电路模型的参数；
[0027]SOH估计模块，用于将辨识的参数输入到构建并训练好的电池健康状态SOH估计神经网络中，并将所述电池SOH估计神经网络的输出作为电池当前的SOH。
[0028]进一步地，所述基于阻抗谱的电池健康状态估计系统中，所述系统还包括网络构建模块，用于：
[0029]构建并训练电池SOH估计神经网络。
[0030]进一步地，所述基于阻抗谱的电池健康状态估计系统中，所述电池SOH估计神经网络的输入层为9层，输出层为1层，隐含层为10层。
[0031]进一步地，所述基于阻抗谱的电池健康状态估计系统中，所述电池SOH估计神经网络的训练次数设置为1000，期望误差为0.00001，学习速率0.01，网络输入输出归一化函数为Mapminmax()，网络仿真函数为Sim()。
[0032]第三方面，本专利技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如所述第一方面所述的基于阻抗谱的电池健康状态估计方法。
[0033]第四方面，本专利技术提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令由计算机处理器执行，以实现如上述第一方面所述的基于阻抗谱的电池健康状态估计方法。
[0034]与现有技术相比，本专利技术具有以下有益效果：
[0035]本专利技术提供的一种基于阻抗谱的电池健康状态估计方法及系统，通过利用阻抗谱测量技术获取待估计的电池的阻抗谱，并利用参数辨识算法辨识分数阶等效电路模型的参数，再将参数输入到构建并训练好的电池SOH估计神经网络中，可实现对电池SOH的有效估计，具有实际工程应用前景。
[0036]本专利技术具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行
详细陈述，这些附图和具体实施方式共同用于解释本专利技术的特定原理。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0038]图1是本专利技术实施例一提供的一种基于阻抗谱的电池健康状态估计方法的流程示意图；
[0039]图2是电池电化学阻抗谱奈奎斯特图示意图；
[0040]图3是二阶分数阶等效电路模型；
[0041]图4是电池SOH估计神经网络的示意图；
[0042]图5中的(a)是电池2在1C老化倍率下的SOH估计结果示意图，(b)是电池3在2C老化倍率下的SOH估计结果示意图；
[0043]图6中的(a)是电池2在1C老化倍率下的SOH估计误差示意图，(b)是电池3在2C老化倍率下的SOH估计误差示意图；
[0044]图7是本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阻抗谱的电池健康状态估计方法，其特征在于，所述方法包括：采用阻抗谱测量技术获取待估计的电池的阻抗谱；采用参数辨识算法辨识分数阶等效电路模型的参数；将辨识的参数输入到构建并训练好的电池健康状态SOH估计神经网络中，并将所述电池SOH估计神经网络的输出作为电池当前的SOH。2.根据权利要求1所述的基于阻抗谱的电池健康状态估计方法，其特征在于，所述方法还包括：构建并训练电池SOH估计神经网络。3.根据权利要求1所述的基于阻抗谱的电池健康状态估计方法，其特征在于，所述电池SOH估计神经网络的输入层为9层，输出层为1层，隐含层为10层。4.根据权利要求2所述的基于阻抗谱的电池健康状态估计方法，其特征在于，所述电池SOH估计神经网络的训练次数设置为1000，期望误差为0.00001，学习速率0.01，网络输入输出归一化函数为Mapminmax()，网络仿真函数为Sim()。5.一种基于阻抗谱的电池健康状态估计系统，其特征在于，所述系统包括：阻抗谱获取模块，用于采用阻抗谱测量技术获取待估计的电池的阻抗谱；参数辨识模块，用于采用参数辨识算法辨识分数阶等效电路模型的参数；SOH估计模块，用于将辨识的参数输入到构建并训练...

【专利技术属性】
技术研发人员：巫环科，简志超，孙德兴，吴汝豪，李元佳，李绍良，李崇仁，李肖莎，温志豪，欧阳玲，韦雅琳，刘健达，唐锦尧，谢龙裕，谭泳成，芦大伟，杜仕海，杨磊，温皓涌，黄小荣，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：