一种电池健康状态监测方法

测量装置的制造及其应用技术1.本发明属于动力电池管理技术领域，涉及一种电池健康状态监测方法。背景技术：2.锂离子电池是电动汽车、电子消费产品、甚至航天器等的核心动力来源。因此，在实际应用过程中，锂离子电池的可靠性和安全性是一个关键问题。3.电池的性能随着使用寿命的增加而逐渐变差，这不仅可能影响电气设备的正常运行，而且还会带来严重的后果。例如，近年来发生的三星note7电池爆炸事件、电动汽车自燃事件、部分电厂的电池储能箱爆炸事件等。为了避免此类事故，锂离子电池的soh(state ofhealth，电池健康度，即电池当前容量与出厂容量的百分比)已经成为电子产品的预测和健康管理(phm)中的一个热点和挑战课题。4.一些研究者采用间接特征来替代容量数据。它们可以很容易地实时和在线测量，包括电流、电压和温度等。文献1(a novel gaussian process regression model for state-of-health estimation oflithium-ion battery using charging curve.j.power sources 2018,384,387–395)公开了从充电曲线中提取了4个具体参数，并将其作为gpr模型的输入，而不是循环数作为输入。该方法仅考虑充电过程电压变化曲线，部分参数与容量相关性较低，导致预测精度降低。技术实现要素：5.为了克服现有技术方案的不足，本发明提供一种电池健康状态监测方法。本发明的关键点针对锂离子电池健康状态预测过程中样本少、预测精度低、适用性有限等问题，为了降低监测方法的成本，提高预测精度，本发明提出利用电压传感器、温度传感器、电流传感器等测量锂离子电池运行数据，从采集的数据中提取健康因子，并采用灰色关联分析方法，选择与容量退化曲线相关性高的健康因子作为高维输入，建立了预测锂离子电池短期soh的gpr模型，提出了不同温度条件下基于不同健康因子和wpso-gpr的锂离子电池健康状态的监测方法。6.为达到上述目的，本发明采用的方案如下：7.一种电池健康状态预测方法，首先对m个锂电子电池分别进行循环老化实验，获取充放电过程中每个锂离子电池的电压、电流、温度和容量数据，然后根据每个锂离子电池的电压、电流、温度和容量数据提取反映每个锂离子电池容量的健康因子，再通过灰色关联度分析从中选取相关度最高的3个健康因子，最后将所述3个健康因子输入到训练好的wpso-gpr模型中进行预测，输出得到soh(电池健康状态)估计值和置信区间；8.m≥3。9.作为优选的技术方案：10.如上所述的一种电池健康状态预测方法，具体步骤如下：11.(1)对m个锂离子电池分别进行循环老化实验，获取充放电过程中每个锂离子电池的电压、电流、温度和容量数据；所述m个锂离子电池属于同一型号；每次循环老化实验中控制电流恒定；每个锂离子电池的循环老化实验中环境温度是相同的，而不同锂离子电池的循环老化实验中环境温度不完全相同；12.(2)由每个锂离子电池的电压、电流、温度和容量数据得到每个锂离子电池的以下曲线：13.曲线1为每个锂离子电池的电池容量的退化曲线，横坐标为循环次数，纵坐标是电池容量；14.曲线2为不同循环次数下的锂离子电池放电过程电压曲线，横坐标为时间，纵坐标为电压；15.曲线3为不同循环次数下的锂离子电池放电过程电流曲线，横坐标为时间，纵坐标为电流；16.曲线4为不同循环次数下的锂离子电池放电过程温度曲线，横坐标为时间，纵坐标为温度；17.(3)提取每个锂离子电池的健康因子，具体过程为：从步骤(2)中的曲线2、曲线3和曲线4中，提取反映每个锂离子电池容量的健康因子，所述健康因子编号为hf1、hf2、hf3、hf4、hf5、hf6、hf7和hf8；18.hf1是指曲线2中每次循环下放电电压从开始放电达到最低放电电压所需的时间；19.hf2是指曲线4中每次循环下电池温度从开始放电时上升到最大值的时间；20.hf3是指曲线2中每次循环下放电电压从3.8v减小到3.5v所需的时间；21.hf4是指曲线2中每次循环下放电电压的初始最大斜率；初始最大斜率的计算方法为：将曲线2中每次循环下放电电压从开始放电达到最低放电电压的一段曲线分成m小段(m的值由精度确定，一般可以取10000)，分别求每一小段的斜率，并进行比较，取其中的最大值作为初始最大斜率；22.hf5是指曲线4中每次循环下电池温度的最大斜率；23.hf6是指曲线3中每次循环下的初始最大曲率(虽然是控制电流恒定，但是在刚开始放电过程中，电流是从0上升至控制的电流值，“初始”是指电流是从0上升至控制的电流值的这段时间所计算得到的)；24.hf7是指每次循环对应的放电时间；25.hf8是指曲线3中每次循环下的电流曲线下面积；26.(4)通过灰色关联度分析从hf1、hf2、hf3、hf4、hf5、hf6、hf7和hf8中选择相关度最高的3个健康因子；27.(5)以步骤(4)得到的相关度最高的3个健康因子序列(hf序列)及其对应的容量序列作为样本集合，样本集合分为训练样本(x,y)和测试样本(x*,y*)，其中，x是健康因子序列中的部分数据，y是容量序列中的部分数据，x*是作为预测的健康因子序列中的数据，y*是作为预测的未来时刻的容量估计值；28.(6)采用wpso算法对gpr模型进行优化，然后采用训练样本对gpr模型进行训练，获得训练好的wpso-gpr模型；29.(7)将测试样本输入到训练好的wpso-gpr模型中进行预测，输出得到soh估计值和置信区间。30.如上所述的一种电池健康状态预测方法，m为4，m个锂电子电池的编号分别为b0005、b0006、b0007和b0018，来自nasapcoe实验中心采集到的电池老化试验数据。31.如上所述的一种电池健康状态预测方法，训练样本与测试样本的比例为6:4。32.如上所述的一种电池健康状态预测方法，若实验为单电池实验，定义所述训练样本为训练样本i，定义所述测试样本为测试样本i；对总训练样本和总测试样本进行k折交叉验证筛选出用于单电池实验预测的训练样本i和测试样本i；33.若实验为多电池实验，定义所述训练样本为训练样本ii，定义所述测试样本为测试样本ii；在总训练样本和总测试样本中，以m个锂离子电池中的任意一个锂离子电池对应的数据作为测试样本ii，其他锂离子电池对应的数据作为训练样本ii。34.如上所述的一种电池健康状态预测方法，训练好的wpso-gpr模型的soh估计误差为3％以内。35.如上所述的一种电池健康状态预测方法，采用wpso算法对gpr模型进行优化是指采用wpso算法对gpr模型中的超参数进行自动搜索最优超参数；36.gpr模型中的均值函数的公式为：37.m(x)＝ax+b；38.gpr模型中的协方差函数的公式为：[0039][0040]所述超参数为：[0041][0042]其中，a,b为gpr模型中的均值函数的系数，为信号方差，l1,l2为方差尺度，p为周期性参数；[0043]在锂离子电池使用过程中，随着电极和电解液中副反应的进行，锂离子不断消耗，容量呈现退化趋势。然而在电池充、放电的间隙，副反应产品有可能消散，因此和前一个充放电循环相比，下一个循环周期的电池性能可能会变得更好，容量有可能会增加，这种现象称为容量再生。为了实现更精确地寿命预测分析，需将锂离子电池两种不同的容量变化行为都考虑在内。因此，对于高斯过程回归模型，仅仅单一形式的协方差函数不能满足预测需求，需考虑将多种协方差函数进行组合使用。在满足非负定性的要求下，协方差函数可以相加或相乘，以构造组合协方差函数描述复杂问题。将容量再生现象近似看作在正常容量退化趋势上的周期性变化，故可选用周期协方差核函数在此基础上选用平方指数协方差函数来描述局部性变化，将周期协方差函数和平方指数协方差函数相加作为组合协方差函数，以同时具备泛化能力和局部学习能力；[0044]wpso算法中的公式为：[0045][0046][0047]其中，w为惯性权重；m为当前迭代次数；c1和c2为学习因子，是非负常数，其中，c1是个体学习因子，c2是群体学习因子；一般取值：c1＝2，c2＝2；zi和vi分别表示第i个粒子的当前位置和速度；r1和r2是分布在[0,1]间的随机数；pi是粒子本身最优解，g是整个种群中找到的最优解。[0048]如上所述的一种电池健康状态预测方法，在wpso算法进行初始化粒子群后，用所述wpso算法中的公式更新粒子速度和位置：[0049][0050][0051]如上所述的一种电池健康状态预测方法，惯性权重w的取值范围[wmin,wmax]＝[0.4,0.9]。[0052]如上所述的一种电池健康状态预测方法，步骤(4)具体步骤如下：[0053](4.1)任意选取步骤(1)中的一个锂离子电池，并将该锂离子电池在步骤(3)中提取的8个健康因子作为8组比较序列，根据步骤(2)中曲线1中的数据确定参考序列；[0054]记第j个健康因子作为第j个比较序列的表达式为：[0055]hfj＝[hfj(1),hfj(2),…,hfj(k),…,hfj(n)]；[0056]记参考序列的表达式为：[0057]hf0＝[hf0(1),hf0(2),…,hf0(k),…,hf0(n)]；[0058]其中，hfj为第j个健康因子，j为健康因子的序号且j＝1,2,…,8，k为循环次数且k＝1,2,…,n，n为所选取的锂离子电池在循环老化实验中的最大的循环次数；hfj(k)为第j个健康因子中第k次循环时对应的数据；hf0为曲线1中锂离子电池的电池容量构成的参考序列，hf0(k)为曲线1中第k次循环时对应的电池容量；[0059]最大的循环次数是指该当锂离子电池的放电电压在循环老化实验中达到截止电压时对应的循环次数；[0060]截止电压，也称为终止电压，是指电池放电时，电压下降到电池不宜再继续放电的最低工作电压值，该数据由厂家提供；[0061](4.2)逐个计算每个比较序列与参考序列对应的位置元素的差值，确定比较序列与参考序列对应的位置元素的最小差值和最大差值；[0062]最小差值的计算公式为：[0063]最大差值的计算公式为：[0064](4.3)计算每个比较序列与参考序列在每次循环下的关联度系数，其中，第j个比较序列的关联度系数ξj(k)的计算公式如下：[0065][0066]式中，ρ为分辨系数，ρ∈[0,1]，一般取值0.5；[0067](4.4)确定每个健康因子与容量退化曲线的灰色关联度γj，灰色关联度分析用来分析比较序列和参考序列的发展趋势的相似性。即曲线的几何形状越相似，因素间的关联度越大，灰色关联度越接近1；反之，因素之间的关联度越小，灰色关联度γj的计算公式如下：[0068][0069](4.5)对灰色关联度γj的大小进行排序，以灰色关联度γj最大的3个灰色关联度所对应的健康因子作为所述相关度最高的3个健康因子。[0070]本发明的原理是：[0071]锂离子电池的放电过程对电池的老化寿命预测有重要作用。为了克服容量不可测的问题，本发明将从锂离子电池的放电过程中提取与容量退化高度相关的可测退化指标。本发明的主要贡献在于，该方法可以利用间接健康指标和gpr模型预测锂离子电池的soh。首先，为了降低预测方法的成本，提高预测精度，本发明提出从电压传感器、温度传感器、电流传感器等采集的数据中提取间接健康指标，如电压、电流和温度曲线；然后，通过灰色关联分析选择与容量退化曲线相关性高的健康因子作为高维输入，建立wpso-gpr模型预测锂离子电池的短期soh。[0072]有益效果[0073]本发明所提出的wpso-gpr模型能够较准确地给出变温度下锂离子电池的soh预测的点估计及95％的概率估计，优化算法的引入进一步提升了gpr模型的预测性能。值得一提的是，单电池及多电池实验验证了其在不同工况下的实用性及wpso-gpr可以适用小样本训练集的回归建模，显示出本发明所提的方法具有较强的鲁棒性和泛化能力。附图说明[0074]图1为b0005、b0006、b0007和b0018的电池容量的退化曲线示意图；[0075]图2为编号为b0005的锂离子电池在不同循环次数下的锂离子电池放电过程电压曲线的示意图；其中，cycle150指循环次数150次；[0076]图3为编号为b0005的锂离子电池在不同循环次数下的锂离子电池放电过程温度曲线的示意图；其中，cycle150指循环次数150次；[0077]图4为编号为b0005的锂离子电池在不同循环次数下的锂离子电池放电过程电流曲线的示意图；其中，cycle150指循环次数150次；[0078]图5为改进wpso-gpr模型预测电池soh的流程示意图；[0079]图6为算法预测结果图与误差图。具体实施方式[0080]下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。[0081]本发明中电池老化试验数据，采集自nasa pcoe实验中心。[0082]一种电池健康状态监测方法，其步骤如下：[0083](1)选取4个锂离子电池(编号为b0005、b0006、b0007和b0018)分别进行循环老化实验，获取充放电过程中每个锂离子电池的电压、电流、温度和容量数据；[0084]其中，4个锂离子电池属于同一型号；每次循环老化实验中控制电流恒定；每个锂离子电池的循环老化实验中环境温度是相同的，而不同锂离子电池的循环老化实验中环境温度不完全相同(一般建议有3种环境温度)，以获取不同温度下的样本数据；[0085](2)由每个锂离子电池的电压、电流、温度和容量数据得到每个锂离子电池的以下曲线：[0086]如图1所示，曲线1为每个锂离子电池的电池容量的退化曲线，横坐标为循环次数，纵坐标是电池容量；[0087]曲线2为不同循环次数下的锂离子电池放电过程电压曲线，横坐标为时间，纵坐标为电压，以b0005为例，b0005的不同循环次数下的锂离子电池放电过程电压曲线如图2所示；[0088]曲线3为不同循环次数下的锂离子电池放电过程电流曲线，横坐标为时间，纵坐标为电流，以b0005为例，b0005的不同循环次数下的锂离子电池放电过程电流曲线如图4所示；[0089]曲线4为不同循环次数下的锂离子电池放电过程温度曲线，横坐标为时间，纵坐标为温度，以b0005为例，b0005的不同循环次数下的锂离子电池放电过程温度曲线如图3所示；[0090](3)提取每个锂离子电池的健康因子，具体过程为：从步骤(2)中的曲线2、曲线3和曲线4中，提取反映每个锂离子电池容量的健康因子，健康因子编号为hf1、hf2、hf3、hf4、hf5、hf6、hf7和hf8；其中，[0091]hf1是指曲线2中每次循环下放电电压从开始放电达到最低放电电压所需的时间；从图2可以看出，该时间随着循环次数的增加而减小；[0092]hf2是指曲线4中每次循环下电池温度从开始放电时上升到最大值的时间；从图3中可以看出，该时间随着循环次数的增加而减少；[0093]hf3是指曲线2中每次循环下放电电压从3.8v减小到3.5v(这段时间下降的趋势比较平缓，而不是剧烈的下降趋势)所需的时间；从图2可以看出，该时间随着循环次数的增加而减小；[0094]hf4是指曲线2中每次循环下放电电压的初始最大斜率；初始最大斜率的计算方法为：将曲线2中每次循环下放电电压从开始放电达到最低放电电压的一段曲线分成m小段(m的值由精度确定，一般可以取10000)，分别求每一小段的斜率，并进行比较，取其中的最大值作为初始最大斜率。[0095]hf5是指曲线4中每次循环下电池温度的最大斜率(即电池温度上升最快的速率)；[0096]hf6是指曲线3中每次循环下的初始最大曲率(虽然是控制电流恒定，但是在刚开始放电过程中，电流是从0上升至控制的电流值，“初始”是指电流是从0上升至控制的电流值的这段时间所计算得到的)；[0097]hf7是指每次循环对应的放电时间(由循环老化实验时采用的传感器直接记录)；[0098]hf8是指曲线3中每次循环下的电流曲线下面积；[0099](4)通过灰色关联度分析从hf1、hf2、hf3、hf4、hf5、hf6、hf7和hf8中选择相关度最高的3个健康因子，具体步骤如下：[0100](4.1)任意选取步骤(1)中的一个锂离子电池，并将该锂离子电池在步骤(3)中提取的8个健康因子作为8组比较序列，根据步骤(2)中曲线1中的数据确定参考序列；[0101]8组比较序列组成如下矩阵：[0102][0103]记第j个健康因子作为第j个比较序列的表达式为：[0104]hfj＝[hfj(1),hfj(2),…,hfj(k),…,hfj(n)]；[0105]其中，hfj为第j个健康因子，j为健康因子的序号且j＝1,2,…,8，k为循环次数且k＝1,2,…,n，n为所选取的锂离子电池在循环老化实验中的最大的循环次数；hfj(k)为第j个健康因子中第k次循环时对应的数据；[0106]最大的循环次数是指该当锂离子电池的放电电压在循环老化实验中达到截止电压时对应的循环次数；[0107]截止电压，也称为终止电压，是指电池放电时，电压下降到电池不宜再继续放电的最低工作电压值，该数据由厂家提供；[0108]记参考序列的表达式为：[0109]hf0＝[hf0(1),hf0(2),…,hf0(k),…,hf0(n)]；[0110]其中，hf0为曲线1中锂离子电池的电池容量构成的参考序列，hf0(k)为曲线1中第k次循环时对应的电池容量；[0111](4.2)逐个计算每个比较序列与参考序列对应的位置元素的差值，确定比较序列与参考序列对应的位置元素的最小差值和最大差值；[0112]最小差值的计算公式为：[0113]最大差值的计算公式为：[0114](4.3)计算每个比较序列与参考序列在每次循环下的关联度系数，其中，第j个比较序列的关联度系数ξj(k)的计算公式如下：[0115][0116]式中，ρ为分辨系数，ρ∈[0,1]，一般取值0.5；[0117](4.4)确定每个健康因子与容量退化曲线的灰色关联度γj，计算公式如下：[0118][0119](4.5)对灰色关联度γj的大小进行排序，以灰色关联度γj最大的3个灰色关联度所对应的健康因子作为所述相关度最高的3个健康因子；[0120](5)以步骤(4)得到的相关度最高的3个健康因子序列(hf序列)及其对应的容量序列作为样本集合，样本集合分为训练样本(x,y)和测试样本(x*,y*)，其中，x是健康因子序列中的部分数据，y是容量序列中的部分数据，x*是作为预测的健康因子序列中的数据，y*是作为预测的未来时刻的容量估计值；[0121]训练样本与测试样本的比例为6:4；[0122](6)采用wpso算法对gpr模型进行优化，然后采用训练样本对gpr模型进行训练，获得训练好的wpso-gpr模型；[0123]采用wpso算法对gpr模型进行优化是指采用wpso算法对gpr模型中的超参数进行自动搜索最优超参数；[0124]gpr模型中的均值函数的公式为：[0125]m(x)＝ax+b；[0126]gpr模型中的协方差函数的公式为：[0127][0128]所述超参数为：[0129][0130]其中，a,b为gpr模型中的均值函数的系数，为信号方差，l1,l2为方差尺度，p为周期性参数；[0131]wpso算法中的公式为：[0132][0133][0134]其中，w为惯性权重；m为当前迭代次数；c1和c2为学习因子，是非负常数，其中，c1是个体学习因子，c2是群体学习因子；一般取值：c1＝2，c2＝2；zi和vi分别表示第i个粒子的当前位置和速度；r1和r2是分布在[0,1]间的随机数；pi是粒子本身最优解，g是整个种群中找到的最优解；[0135]在wpso算法进行初始化粒子群后，用所述wpso算法中的公式更新粒子速度和位置：[0136][0137]gm＝argminf(gm),f(pim+1)；[0138]本发明取粒子群规模为24，迭代步数为100，惯性权重w的取值范围[wmin,wmax]＝[0.4,0.9]；[0139](7)将测试样本输入到训练好的wpso-gpr模型中进行预测，输出得到soh估计值和置信区间；[0140]如图5所示，当输入训练样本和测试样本后，所述gpr模型的运行过程为：[0141](a)选择协方差函数；[0142](b)根据协方差函数，选择超参数，并设置超参数初始值；[0143](c)利用wpso算法优化后的超参数值；[0144](d)利用wpso-gpr模型训练；[0145](e)利用wpso-gpr模型的预测输出soh估计值和置信区间；[0146](f)对soh估计值进行误差分析；[0147](g)结束。[0148]使用一个电池(b0005)的循环充电/放电容量和ihf数据进行单电池实验。实验中使用60％的训练集；wpso-gpr模型选取协方差函数为有理二次协方差，使用wpso算法对其参数进行优化，各采用不同温度下一个电池的循环充放电容量与ihf数据进行单电池实验。[0149]在室温下的4折交叉验证实验60％训练集-40％测试集的实验结果和相对误差如图6所示，soh估计误差除了个别点在3％，大部分在1.5％，反映了构建的hf的有效性和wpso-gpr模型在锂离子电池soh预测中良好的回归性能。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!