一种适用于不同类型锂电池的数据驱动健康状态估计方法

1.本发明涉及一种电池状态估计方法，尤其是一种适用于不同类型锂电池的数据驱动健康状态估计方法，属于锂离子电池性能评估技术领域。


背景技术：

2.锂离子电池因其良好的性能已成为电动汽车的主要电源，然而，随着电池的持续使用和老化，电池的性能和健康状况也会恶化，严重时甚至会导致安全事故。因此，准确估计健康状态(state ofhealth，soh)对电动汽车的安全驾驶和电池的性能发挥具有重要意义。目前基于数据驱动的soh估计方法因无需考虑电池内部复杂的反应机理而受到广泛关注，然而基于数据驱动的soh估计方法需要构造有效的老化特征并使用数据驱动算法建立有效的soh估计模型。
3.目前，老化特征的构造主要包括基于增量容量(incremental capacity，ic)分析的方法和基于充电电压曲线(v～q曲线)的方法，需要基于完整的充电过程和完整的充电电压区间来构造老化特征。对于基于ic分析的方法，通过构造ic曲线来构造老化特征，包括峰值和峰值包围的面积等。如公开号为cn111398837a的中国发明专利，其基于ic曲线选择了多个健康因子，包括不同峰值/谷值之间距离、峰值面积等；再如公告号为cn109031153b的中国发明专利，其将ic曲线主峰峰值对应电压作为用于soh估计的老化特征。然而，基于ic曲线的老化特征构造方法需合适的滤波算法对曲线进行处理，易受噪声等因素的影响。基于充电电压曲线的方法不需要构造ic曲线，而是构造恒流充电时间等老化特征。如公开号为cn114578237a的中国发明专利，其将恒流充电时间作为soh评估的老化特征，再如公告号为cn111985156b的中国发明专利，其选择恒流充电时间、恒压充电时间等在内的5个特征来评估soh。然而，在实际应用中电池的充电电压区间是随机的，这意味着存在部分充电的情况，通过全充电电压区间构造老化特征的方法将不再适用。
4.对于部分充电的考虑，一些工作都是通过固定的充电电压区间来构造老化特征，例如在一定充电电压区间内固定电压点的充电容量，或者固定采样时间的电压采样点。一方面，使用固定的充电电压区间来构造老化特征可以减少对完全充电条件的依赖；另一方面，特定的充电电压区间内也可以构造有效的老化特征，但用于构造老化特征的充电电压区间并不是随机的。尽管上述方法考虑了部分充电条件，但它们从根本上仍然需要满足特定电压区间的充电过程。还有一些工作指出电压曲线的形状近似圆弧或直线，因此利用圆弧可映射完整圆和线段可映射完整直线的性质来考虑电池的部分充电情况，并基于构造的圆或直线来选取圆心、直线斜率等作为老化特征。但是上述方法所构成的坐标轴在实际应用条件下会发生变化，基于现有充电电压曲线的形状所构造的一些老化特征仍不适用。
5.此外，上述目前提出的中国发明专利都基于固定类型的电池和固定的应用环境，并在获取完整循环寿命周期的老化数据的基础上去分析和构造老化特征，这不利于实际应用条件下电池老化特征的构造。一方面，对于不同类型、不同应用环境的新电池来说，很难获取完整循环寿命周期的老化数据；另一方面，基于已有老化数据集所构造的老化特征不
适用于新电池。此外，即使提取了有效的老化特征，但是对于不同类型、不同环境条件下的电池来说，输入老化特征间较大的数据范围、数据分布等差异，包括输入老化特征与目标soh之间的映射关系可能仍有很大的不同，如果没将这些数据进行学习和训练，无论对于传统的数据驱动算法如bp、决策树，还是对于深度学习算法如卷积神经网络、长短时记忆神经网络等都会产生较大的估计误差。因此，传统的建模方式不足以在适用于不同类型、不同应用环境的条件下获得一个稳定且准确的soh估计结果，现实使用条件下也不可能获得每一种类型等条件电池的完整老化循环数据，这给基于数据驱动的soh估计方法带来了很大的挑战。电池的老化是一个时间序列预测问题，在无法获得整个寿命周期数据的条件下，即使依据按时序关系所获得的数据对数据驱动模型进行更新后，也无法对电池未来的容量衰减状态做一个完全准确的预测，因为电池未来的老化趋势是无法提前获知的。
6.综上而言，目前的老化特征构造方法仍然不能有效地解决在考虑部分充电的情况下老化特征的构造问题。此外，目前的老化特征构造方法在获取到完整循环周期老化数据的基础上只限定固定类型或特定环境的电池，不同类型、不同环境条件下的电池之间的输入老化特征具有较大的差异，在无法获取这些数据训练和建模的条件下会产生较大的soh估计误差。因此，在合理构造老化特征后，如何设计基于数据驱动的soh估计策略也是目前亟需解决的问题。


技术实现要素：

7.为解决背景技术存在的不足，本发明提供一种适用于不同类型锂电池的数据驱动健康状态估计方法，它基于ic曲线和充电电压曲线斜率的变化来确定用于构造老化特征的电压区间，在考虑部分充电条件下基于圆弧弦构造有效的老化特征，并设计数据驱动模型的在线更新策略，更适用于实际应用，能够获取不同类型、不同环境条件下准确、稳定的电池soh估计结果。
8.为实现上述目的，本发明采取下述技术方案：一种适用于不同类型锂电池的数据驱动健康状态估计方法，包括以下步骤：
9.步骤一：确定用于构造老化特征的充电电压区间
10.充电电压区间内的v～q曲线具有圆弧的形状，在包含ic曲线最高峰电压值的充电电压区间内，监控v～q曲线的斜率变化，在一段时间内v～q曲线的斜率具有单调变化趋势，则确定该段充电电压区间用于构造老化特征；
11.步骤二：考虑电池部分充电条件下基于圆弧弦构造老化特征
12.基于确定用于构造老化特征的充电电压区间，利用v～q曲线上两点之间的圆弧弦构造老化特征，设v～q曲线上两点坐标分别为a(xa,ya)和d(xd,yd)，利用两点之间的连线为所构成圆的圆弧弦ad构造老化特征为：
13.特征1：圆弧弦ad的长度
[0014][0015]
特征2：圆弧弦ad的斜率
[0016]
[0017]
特征3：圆弧弦ad与y轴夹角的sin值
[0018][0019]
特征4：圆弧弦ad所构成直角三角形两直角边的长度和
[0020]
l
ao+do
＝|x
d-xa|+|y
d-ya|
[0021]
上述构造的老化特征都与相对距离有关，不受实际应用条件下部分充电情况对坐标轴的影响；
[0022]
步骤三：基于在线学习与模型更新策略的soh估计
[0023]
1)基于初循环所构造老化特征的特征缩放处理
[0024]
设初循环所构造的老化特征为其中m是所选择的老化特征的维数，为整个循环老化周期下老化特征的极值，老化过程中所构造的老化特征在的基础上进行缩放处理，即：
[0025][0026]
式中，f
in
为处理后数据驱动的输入老化特征，n为老化循环的次数；
[0027]
2)soh在线学习与模型更新
[0028]
①
建立初始模型
[0029]
m0＝f(x0)
[0030]
式中，m0为初始的数据驱动模型，f为数据驱动算法，x0为初始累积的数据；
[0031]
②
在线学习与模型更新，通过设定累积的数据数量和设定更新时间的方式对初始模型进行更新，具体如下：
[0032]
当累积的数据数量达到设定值或满足更新时间时，进行数据驱动模型的在线学习和模型更新：
[0033]
mk＝f(δna)
[0034]
当累积的数据数量未达到设定值且也未满足更新时间时，无需更新：
[0035]
mk＝m
k-1
[0036]
式中，mk为当前时刻更新后的数据驱动模型，δna为当前时刻累积的数据，m
k-1
为上一时刻更新后的数据驱动模型；
[0037]
按照上述在线学习与模型更新策略不断对模型进行更新即可得到所需的soh估计结果。
[0038]
与现有技术相比，本发明的有益效果是：本发明首先基于ic曲线和充电电压曲线斜率的变化来确定用于构造老化特征的电压区间，基于实际的充电电压曲线，无需对数据做复杂处理和使用复杂的算法，更加简单有效，有利于实际应用中的在线部署，基于充电电压曲线的形状构造圆弧弦形式的老化特征，适用于部分充电情况，无需大量的电池老化循环数据，更符合实际应用条件下的老化特征选取和soh预测，并设计数据驱动模型的在线更新策略，可为基于数据驱动的soh估计方法提供有效的输入老化特征，获得准确、稳定的soh
估计结果，适用于不同类型、不同环境条件下的老化特征构造和soh估计，更有利于实际的嵌入式应用和部署，还可为准确的荷电状态估计、续驶里程预测等提供基础，有利于电动汽车的安全行驶。
附图说明
[0039]
图1是本发明锂电池的数据驱动健康状态估计方法的流程框图；
[0040]
图2是基于马里兰大学的cs2-36电池构造的ic曲线与v～q曲线；
[0041]
图3是v～q曲线上两点连接的圆弧弦所构成直角三角形的数学示意图。
具体实施方式
[0042]
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
参照图1～图3所示，一种适用于不同类型锂电池的数据驱动健康状态估计方法，结合图1所示，包括以下步骤：
[0044]
步骤一：确定用于构造老化特征的充电电压区间
[0045]
对于不同类型、不同环境条件下的电池来说，用于构造老化特征的充电电压区间并不相同且并不固定。由于ic曲线可将v～q曲线中的电压平台转换为ic曲线中的ic峰值，可以更灵敏地反映电池内部状态的关键信息。因此，用于构造老化特征的充电电压区间需包含ic峰值所处的电压位置。
[0046]
结合图2所示，以基于马里兰大学的cs2-36电池为例，从构造的ic曲线(δq/δu～u)可以看出，ic曲线中δu的某一段和δq/δu曲线所包围的面积为δq，已被证明是一种有效的老化特征。此外，在δu的这段时间内，与ic曲线相关的其他特征，如ic峰值，也可以用来有效地评估soh。ic峰值表示电池的特定电压平台，ic峰值与电极材料的相变直接相关，电极材料对电池老化具有高灵敏度。随着电池的老化，li
+
和电极活性材料不断流失，导致ic曲线的ic峰值不断变化。
[0047]
因此，可以得出以下结论：
[0048]
1、基于增量容量分析，ic峰值对电池老化具有较高的敏感性，ic峰值代表电池内部的电压平台，因此，在ic峰值范围内的v～q曲线对电池老化也具有高灵敏度，并且也可以在充电电压区间内构造有效的老化特征；
[0049]
2、基于增量容量分析，确定有效老化特征构造的充电电压区间的本质是找到部分充电容量δq与电池老化之间具有强相关性的电压区间，而完全充电的q与电池衰老之间具有强相关关系。
[0050]
因此，对于实际应用中不同类型、不同环境下的新电池，可以首先监测其较完整的充电循环，然后通过在构造ic曲线之后确定ic曲线最高峰电压值来选择用于构造老化特征的充电电压区间。考虑到在电池的实际应用中，电池充电周期的起止充电电压区间并不固定，也就是说电池存在随机的部分充电情况，因此，所确定的用于构造老化特征的充电电压区间需满足在某些部分充电条件下仍可构造有效的老化特征。
[0051]
结合图2所示，以基于马里兰大学的cs2-36电池为例，从构造的v～q曲线可以看出，某段v～q曲线的形状类似一个圆或直线上的一段圆弧或线段。圆或直线都有一些良好的性质，比如：圆上任意一段圆弧所构成圆的半径、圆心的横纵坐标等都是相同的，而直线上任意一段线段所构成直线的斜率、直线与坐标轴的截距也是不变的。
[0052]
因此，在实际的充电电压区间中，某段v～q曲线的形状类似一个圆或直线上的一段圆弧或线段，如果某段充电电压区间为所确定的用于构造老化特征的充电电压区间的子集，则可基于该段充电电压区间所映射的完整圆或直线来构造老化特征。由于一个圆上的圆弧长度在相较整个圆的周长很小时可等效成一段直线。因此，无论一段v～q曲线的形状类似一段圆弧或一段直线，都可统一等效成某个圆上的一段圆弧来考虑。对于任意的充电工况，理论上都可以找到某段充电电压区间内类似线段或圆弧的v～q曲线。
[0053]
基于上述分析，在考虑到部分充电的条件下，用于构造老化特征的充电电压区间内的v～q曲线需满足一定的形状，且该充电电压区间需包含ic曲线最高峰电压值。
[0054]
v～q曲线的斜率为：
[0055][0056]
式中，k
v～q
为在δu和δq的条件下v～q曲线的斜率，y
ic
为在同样δu的条件下ic曲线纵坐标值的倒数。
[0057]
基于上述公式，在实际构造的ic曲线中，ic曲线纵坐标值的倒数不会趋于0或者无穷。此外，在一定的电压间隔δu内，上式已经保证不为0，而电压间隔δu的充电容量δq也不为0，因此，v～q曲线的斜率也不为无穷。上述分析说明无论充电电压区间是什么v～q曲线，只要该段v～q曲线具有圆弧的形状，在整个充电电压区间范围来看，则该段v～q曲线的斜率只会不断上升或下降。
[0058]
因此，基于充电过程中v～q曲线的斜率变化特点，可进一步确定包含ic曲线最高峰电压值的充电电压区间。即在包含ic曲线最高峰电压值的充电电压区间内，监控v～q曲线的斜率变化，如果在一段时间内v～q曲线的斜率具有单调变化趋势，则该段充电电压区间即可确定用于构造老化特征。
[0059]
步骤二：考虑电池部分充电条件下基于圆弧弦构造老化特征
[0060]
基于确定用于构造老化特征的充电电压区间，在v～q曲线上的任意三点可以确定圆的方程，假设三点坐标分别为：(x1,y1)、(x2,y2)和(x3,y3)，所构成圆的半径为r，圆心为：(x0,y0)，则依据圆的方程有：
[0061][0062]
联立求解该方程，则可得到圆心坐标和半径如下所示：
[0063][0064]
其中：
[0065][0066]
实际应用条件下，v～q曲线所构成坐标轴的纵轴(u)不发生变化，但所构成坐标轴(充电时间)随着充电起始电压的变化而使坐标轴发生平移，这导致v～q曲线上的点在不同坐标轴基准上的坐标都不一样，这会影响老化特征的构造。因此，考虑实际应用条件下的部分充电情况，基于v～q曲线的形状构造老化特征需考虑所构成坐标轴的平移所带来的影响。但实际上，无论坐标轴如何平移，v～q曲线上两点之间的相对距离总是不变的，因此基于v～q曲线上两点之间的圆弧弦构造老化特征，结合图3所示，设v～q曲线上两点坐标分别为a(xa,ya)和d(xd,yd)，利用两点之间的连线为所构成圆的圆弧弦ad构造老化特征为：
[0067]
特征1：圆弧弦ad的长度
[0068][0069]
特征2：圆弧弦ad的斜率
[0070][0071]
特征3：圆弧弦ad与y轴夹角的sin值
[0072][0073]
特征4：圆弧弦ad所构成直角三角形两直角边的长度和
[0074]
l
ao+do
＝|x
d-xa|+|y
d-ya|
[0075]
上述构造的老化特征都与相对距离有关，因此不受实际应用条件下部分充电情况对坐标轴的影响。此外，诸如cosα值、α值、β值等也可以构造老化特征。
[0076]
步骤三：基于在线学习与模型更新策略的soh估计
[0077]
1)基于初循环所构造老化特征的特征缩放处理
[0078]
基于步骤一和步骤二的老化特征构造方法，所构造的老化特征在不同类型、不同环境条件下可能具有较大的数据范围等差异，在无法获取完整循环老化周期数据的条件
下，数据驱动模型会有较大的soh估计误差。因此，设计一种基于初循环所构造老化特征的特征缩放处理策略，以减小在不同类型、不同环境条件下，输入老化特征范围的差异对基于数据驱动的soh估计方法的影响。
[0079]
假设初循环所构造的老化特征为其中m是所选择的老化特征的维数，由于所构造的老化特征与soh之间具有很强的正相关或负相关关系，因此可以预见的得知所构造的老化特征随电池的老化也呈现上升或下降趋势，即为整个循环老化周期下老化特征的极值。因此，为减小不同类型、不同环境条件下老化特征的范围差异，老化过程中所构造的老化特征将在的基础上进行缩放处理，即：
[0080][0081]
式中，f
in
为处理后数据驱动的输入老化特征，n为老化循环的次数。
[0082]
基于上式的特征数据处理，不同类型、不同环境条件下电池的输入老化特征都是以1开始随时间变化的数据序列，相较未处理或基于传统数据归一化或标准化的方法大大增加了建模和估计的稳定性。
[0083]
2)soh在线学习与模型更新
[0084]
实际应用时不同类型、不同环境条件下电池的完整循环老化数据很难一次获得，也就是说对于传统的数据驱动方法来说，无法离线获得适用于不同类型、不同环境条件下电池的soh估计模型。然而，在满足一定的充电条件下，电池实际使用过程中可构造老化特征并计算参考soh。因此，数据驱动模型可根据所获得的实时数据进行在线学习和模型更新，以适应于当前状态下电池的老化模式。然而，当更新的数据与原始模型学习的数据之间的差异较大时，数据驱动模型会存在估计结果不稳定的问题。因此，针对不同类型、不同环境条件下电池的soh估计模型的在线学习与更新，不再在前期已训练好模型的基础上进行在线学习与更新，而是着眼于当前电池类型的数据模式。即，对于不同类型、不同环境条件下电池soh估计的在线学习与模型更新的建立，所设计的在线学习与模型更新策略为：
[0085]
①
建立初始模型
[0086]
m0＝f(x0)
[0087]
式中，m0为初始的数据驱动模型，f为数据驱动算法，x0为初始累积的数据。
[0088]
②
在线学习与模型更新，通过设定累积的数据数量和设定更新时间的方式对初始模型进行更新，具体如下：
[0089]
当累积的数据数量达到设定值或满足更新时间时，进行数据驱动模型的在线学习和模型更新：
[0090]
mk＝f(δna)
[0091]
当累积的数据数量未达到设定值且也未满足更新时间时，无需更新：
[0092]
mk＝m
k-1
[0093]
式中，mk为当前时刻更新后的数据驱动模型，δna为当前时刻累积的数据，m
k-1
为上一时刻更新后的数据驱动模型。
[0094]
电池容量的衰减是一个时间序列特性问题，即所构造的老化特征包括计算的参考
soh都随着电池的老化而按照时间序列特性不断获取。在一定窗口内，老化特征与soh之间的统计特性特征不断发生变化，且电池未来的老化趋势未知，无法在当前所获得的数据下对未来老化趋势获得良好的soh估计结果。但更新后的数据驱动模型可以对当前状态范围的老化状态做良好的预测结果，后续按照所设计的在线学习与模型更新策略不断对模型进行更新，即可得到所需的soh估计结果。
[0095]
实施例
[0096]
该实施例基于三款不同的老化数据集对本方法进行验证，所选择电池的基本信息参照表1所示：
[0097]
表1用于验证的电池数据集信息
[0098][0099]
基于本方法各电池用于构造老化特征的充电电压区间参照表2所示：
[0100]
表2各电池用于构造老化特征的充电电压区间
[0101][0102]
基于本方法所构造的老化特征与容量之间的皮尔逊相关系数值参照表3所示：
[0103]
表3各电池所构造的老化特征与容量之间的相关性大小
[0104][0105]
结果表明，所构造的老化特征合理有效，与容量所表征的soh之间的相关性很强，可为获得良好的soh估计结果提供基础。
[0106]
基于本方法所设计的在线学习与模型更新策略下，各个电池未来四步的soh估计结果参照表4所示：
[0107]
表4各电池的soh估计结果
[0108][0109]
表中soh估计结果的评价指标为：平均绝对误差(％)和最大绝对误差(％)。
[0110]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的装体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0111]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种适用于不同类型锂电池的数据驱动健康状态估计方法，其特征在于：包括以下步骤：步骤一：确定用于构造老化特征的充电电压区间充电电压区间内的v～q曲线具有圆弧的形状，在包含ic曲线最高峰电压值的充电电压区间内，监控v～q曲线的斜率变化，在一段时间内v～q曲线的斜率具有单调变化趋势，则确定该段充电电压区间用于构造老化特征；步骤二：考虑电池部分充电条件下基于圆弧弦构造老化特征基于确定用于构造老化特征的充电电压区间，利用v～q曲线上两点之间的圆弧弦构造老化特征，设v～q曲线上两点坐标分别为a(x
a
,y
a
)和d(x
d
,y
d
)，利用两点之间的连线为所构成圆的圆弧弦ad构造老化特征为：特征1：圆弧弦ad的长度特征2：圆弧弦ad的斜率特征3：圆弧弦ad与y轴夹角的sin值特征4：圆弧弦ad所构成直角三角形两直角边的长度和l
ao+do
＝|x
d-x
a
|+|y
d-y
a
|上述构造的老化特征都与相对距离有关，不受实际应用条件下部分充电情况对坐标轴的影响；步骤三：基于在线学习与模型更新策略的soh估计1)基于初循环所构造老化特征的特征缩放处理设初循环所构造的老化特征为其中m是所选择的老化特征的维数，为整个循环老化周期下老化特征的极值，老化过程中所构造的老化特征在的基础上进行缩放处理，即：式中，f
in
为处理后数据驱动的输入老化特征，n为老化循环的次数；2)soh在线学习与模型更新
①
建立初始模型m0＝f(x0)式中，m0为初始的数据驱动模型，f为数据驱动算法，x0为初始累积的数据；
②
在线学习与模型更新，通过设定累积的数据数量和设定更新时间的方式对初始模型
进行更新，具体如下：当累积的数据数量达到设定值或满足更新时间时，进行数据驱动模型的在线学习和模型更新：m
k
＝f(δn
a
)当累积的数据数量未达到设定值且也未满足更新时间时，无需更新：m
k
＝m
k-1
式中，m
k
为当前时刻更新后的数据驱动模型，δn
a
为当前时刻累积的数据，m
k-1
为上一时刻更新后的数据驱动模型；按照上述在线学习与模型更新策略不断对模型进行更新即可得到所需的soh估计结果。2.根据权利要求1所述的一种适用于不同类型锂电池的数据驱动健康状态估计方法，其特征在于：所述步骤一中v～q曲线的斜率为：式中，k
v～q
为在δu和δq的条件下v～q曲线的斜率，y
ic
为在同样δu的条件下ic曲线纵坐标值的倒数。

技术总结
一种适用于不同类型锂电池的数据驱动健康状态估计方法，涉及一种电池状态估计方法。确定用于构造老化特征的充电电压区间，包含IC曲线最高峰电压值；考虑电池部分充电条件，利用V～Q曲线上两点之间的圆弧弦构造老化特征，包括圆弧弦的长度、斜率、与Y轴夹角的Sin值及圆弧弦所构成直角三角形两直角边的长度和；基于在线学习与模型更新策略，对SOH估计模型进行更新。基于IC曲线和充电电压曲线斜率的变化来确定用于构造老化特征的电压区间，在考虑部分充电条件下基于圆弧弦构造有效的老化特征，并设计数据驱动模型的在线更新策略，更适用于实际应用，能够获取不同类型、不同环境条件下准确、稳定的电池SOH估计结果。稳定的电池SOH估计结果。稳定的电池SOH估计结果。


技术研发人员：赵林辉 秦鹏亮
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.07.10
技术公布日：2023/9/25