本申請涉及新能源
技術領域：
，尤其涉及一種動力電池健康狀態(tài)估算方法及裝置。
背景技術：
：隨著經(jīng)濟的發(fā)展以及環(huán)境問題和能源問題的進一步加劇，人們的環(huán)保意識逐漸增強，以車載電源為動力的電動汽車也逐漸受到了人們的青睞。鋰離子電池作為純電動汽車的關鍵能量單元，其性能直接影響純電動汽車的性能指標。為了確保鋰離子電池在極為復雜的車輛行駛環(huán)境下能夠安全、可靠和高效地運行，對動力電池的健康狀態(tài)(stateofhealth，簡稱soh)進行監(jiān)測顯得很有必要。現(xiàn)有的動力電池soh估算方法，可以先利用系統(tǒng)參數(shù)估算方法估算出電池的實際容量與電池歐姆內(nèi)阻，然后利用冗余處理方法處理估算的實際容量和歐姆內(nèi)阻，再利用實際容量與歐姆內(nèi)阻分別估算電池的健康狀態(tài)，并由他們之間的關系加權處理得到電池真實的健康狀態(tài)，再采用濾波加權處理方法處理電池的健康狀態(tài)值。然而，這種方式，存在如下弊端：1)需要離線測量車載動力電池的soh，操作起來不方便；2)可能造成電池的過充和過放，影響電池的使用壽命；3)對電流、電壓、溫度采樣精度精度要求過高，實現(xiàn)工程應用成本較大；4)未考慮采樣精度在整車工況中大電流下的誤差。技術實現(xiàn)要素：本申請旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本申請?zhí)岢鲆环N動力電池健康狀態(tài)估算方法，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。本申請還提出一種動力電池健康狀態(tài)估算裝置。本申請第一方面實施例提出了一種動力電池健康狀態(tài)估算方法，包括：對所述動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，其中，n為大于1的正整數(shù)；根據(jù)預設的標準，從所述n條歸一化電壓曲線中選取基準曲線；利用神經(jīng)網(wǎng)絡，對所述基準曲線進行擬合處理，獲取所述動力電池的電壓曲線；根據(jù)所述動力電池的電壓曲線，估算所述動力電池的健康狀態(tài)。本申請實施例提供的動力電池健康狀態(tài)估算方法，首先對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，然后從n條歸一化電壓曲線中選取基準曲線，并利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線，從而可以根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。由此，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。本申請第二面實施例提出了一種動力電池健康狀態(tài)估算裝置，包括：第一處理模塊，用于對所述動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，其中，n為大于1的正整數(shù)；選取模塊，用于根據(jù)預設的標準，從所述n條歸一化電壓曲線中選取基準曲線；第二處理模塊，用于利用神經(jīng)網(wǎng)絡，對所述基準曲線進行擬合處理，獲取所述動力電池的電壓曲線；估算模塊，用于根據(jù)所述動力電池的電壓曲線，估算所述動力電池的健康狀態(tài)。本申請實施例提供的動力電池健康狀態(tài)估算裝置，首先對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，然后從n條歸一化電壓曲線中選取基準曲線，并利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線，從而可以根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。由此，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。附圖說明本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解，其中：圖1是本申請一個實施例的鋰離子電池老化循環(huán)充放電電流示意圖；圖2是本申請一個實施例的不同溫度下電池實際容量隨老化循環(huán)次數(shù)衰減比較圖；圖3是本申請一個實施例的不同老化程度下電池內(nèi)阻隨電池soc變化比較圖；圖4是本申請一個實施例的不同老化程度下充電電壓曲線比較圖；圖5是本申請一個實施例的不同老化程度下放電電壓曲線比較圖；圖6是本申請一個實施例的動力電池健康狀態(tài)估算方法的流程圖；圖7是本申請一個實施例的動力電池歸一化充電電壓曲線圖；圖8是本申請一個實施例的動力電池歸一化放電電壓曲線圖；圖9是本申請一個實施例的不同老化循環(huán)次數(shù)下的歸一化充電電壓曲線比較圖；圖10是本申請一個實施例的不同老化循環(huán)次數(shù)下的歸一化放電電壓曲線比較圖；圖11是本申請一個實施例的人工神經(jīng)元模型結(jié)構(gòu)圖；圖12是本申請一個實施例的單輸入單輸出多層向前神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)圖；圖13是本申請一個實施例的bp神經(jīng)網(wǎng)絡訓練過程圖；圖14是本申請一個實施例的bp神經(jīng)網(wǎng)絡訓練誤差變化曲線圖；圖15是本申請一個實施例的bp神經(jīng)網(wǎng)絡樣本值和訓練值的對比圖；圖16是本申請一個實施例的動力電池第593次充電循環(huán)soh的估算曲線；圖17是本申請一個實施例的動力電池健康狀態(tài)估算裝置的結(jié)構(gòu)示意圖。具體實施方式下面詳細描述本申請的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本申請，而不能理解為對本申請的限制。具體的，現(xiàn)有的動力電池soh估算方法，可以先利用系統(tǒng)參數(shù)估算方法估算出電池的實際容量與電池歐姆內(nèi)阻，然后利用冗余處理方法處理估算的實際容量和歐姆內(nèi)阻，再利用實際容量與歐姆內(nèi)阻分別估算電池的健康狀態(tài)，并由他們之間的關系加權處理得到電池真實的健康狀態(tài)，再采用濾波加權處理方法處理電池的健康狀態(tài)值。這種方式，存在如下弊端：1)需要離線測量車載動力電池的soh，操作起來不方便；2)可能造成電池的過充和過放，影響電池的使用壽命；3)對電流、電壓、溫度采樣精度精度要求過高，實現(xiàn)工程應用成本較大；4)未考慮采樣精度在整車工況中大電流下的誤差。本發(fā)明各實施例針對上述問題，提出一種動力電池健康狀態(tài)估算方法，首先對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，然后從n條歸一化電壓曲線中選取基準曲線，并利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線，從而可以根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。由此，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。下面參考附圖描述本發(fā)明實施例的動力電池健康狀態(tài)估算方法及裝置。為了清楚說明本發(fā)明實施例提供的方案，首先從電池內(nèi)部的化學反應對動力電池的容量衰減機理進行分析。本發(fā)明實施例以鋰離子動力電池為例進行說明。理想狀態(tài)下的鋰離子電池，除了正負極之間鋰離子的脫出和嵌入外，不發(fā)生其他任何反應，不會發(fā)生鋰離子的不可逆消耗。但是實際的鋰離子電池，任何時刻都有副反應的發(fā)生和不同程度的不可逆的消耗，如活性物質(zhì)溶解、電解液分解和金屬鋰沉積等。實際的電池系統(tǒng)，在充放電過程中，任何能夠損耗鋰離子的副反應，都有可能改變電池容量的平衡。一旦這種改變發(fā)生，那這種改變是不可逆的，并且會隨著時間的增長和工況循環(huán)累積下來，并對電池性能產(chǎn)生嚴重影響。具體包括：1)正極材料的溶解造成歧化反應導致電池容量損失，如mn的溶解。2)正極材料的相變化：如鋰離子正常脫嵌時電極所發(fā)生相變導致宿主晶格變化，這些變化降低了顆粒與電極以及顆粒間的電化學反應；再如電池過充或過放時電極所發(fā)生的相變造成正極材料可逆容量的降低，也是容量衰減的主要原因之一。3)電解液的還原：在充電時，由于電解液對含碳電極的不穩(wěn)定性而發(fā)生還原反應，電解液還原消耗了溶劑和電解質(zhì)，對鋰離子電池的容量和循環(huán)壽命造成不良影響。4)過充導致的容量損失：當電池過充時，鋰離子將會在負極活性物質(zhì)表面上沉積。這樣的結(jié)果是一方面可逆活性鋰離子數(shù)目減少，另一方面沉積下來的鋰金屬容易于電解液中的鹽和溶劑的分子發(fā)生化學反應，氟化鋰(lif)等化學物質(zhì)會堵塞電極孔，最終導致電池容量的損失和壽命的衰退。5)高溫等引起的固體電解質(zhì)界面(solidelectrolyteinterface，簡稱sei)膜分解：鋰離子電池的負極材料一般采用石墨，在充電狀態(tài)下，當溫度超過60攝氏度時，負極表面的sei膜會被破壞，損耗活性鋰離子。當再次充電時，重新形成sei膜。這樣多次的高溫充電，sei膜不斷地破壞和重建，不斷地損耗活性鋰離子，導致電池容量的衰減加速。6)自放電損失：電池不處于工作狀態(tài)時，由電池內(nèi)部自發(fā)的化學反應而導致的電池容量衰退，所損失的容量大部分是可逆的，直接影響著電池的存放壽命。7)集流體材料發(fā)生腐蝕：在集流體表面發(fā)生的腐蝕或局部腐蝕現(xiàn)象會導致電池的電極反應阻力增大并且內(nèi)阻增大，從而直接造成鋰離子電池的充放電效率低和容量損失。下面從電池的使用方面對充放電電壓、充放電電流、放電深度以及溫度等因素對電池容量的影響進行分析，并提出鋰離子電池壽命衰退的幾個常用指標。實際中，影響電池使用壽命的因素比較多，包括電池類型、溫度、環(huán)境等。1)充放電電壓對電池壽命的影響：電池過充是指當電池充電時，電池達到限制電壓卻繼續(xù)充電，這導致金屬鋰離子沉積在電極表面，阻礙了活性化合物的運動，電池反應速率減低，同時由于隔膜的阻塞作用使電池內(nèi)阻增加，加速電極極化，從而對電池容量產(chǎn)生不可逆的損壞。電池過放同樣對電池壽命有比較大的影響，研究表明，動力電池組中容量最少的單體電池決定了電池組的整體性能好壞，而這不一致性更容易導致放電點期過放的發(fā)生，使電池惡性循環(huán)加速老化。2)溫度對電池壽命的影響：溫度每升高1℃，鋰離子電池失效速度增加約7％。當鋰離子電池環(huán)境溫度較低時，電池內(nèi)部電解質(zhì)活性較低，電解液的黏度和阻值也就比較高，鋰離子的活性降低，從而導致電池內(nèi)部的化學反應不易進行。當環(huán)境溫度降低到0℃以下時，電池所能能發(fā)出的容量只有正常溫度下的50％左右，當環(huán)境溫度降低到電池的最低極限溫度時，電池甚至可能失效。與之相反，當環(huán)境溫度過高時，如果電池散熱不好，高溫會破壞電池內(nèi)部的化學平衡，使電池材料的腐蝕老化加速，從而減小電池壽命。3)放電深度(depthofdischarge，簡稱dod)對電池壽命的影響：剩余容量(stateofcharge，簡稱soc)的應用范圍一般是不同的，相對的電池的循環(huán)壽命也是不同的，放電深度越大，對電池的循環(huán)壽命影響越嚴重。4)充放電倍率對電池壽命的影響：在大電流充放電的情況下，電池溫度升高明顯，電池極化現(xiàn)象嚴重，電池平衡系統(tǒng)受到破壞，從而影響電池的壽命。在鋰離子動力電池的老化過程中，鋰離子電池的性能隨著循環(huán)次數(shù)逐步衰減。主要表現(xiàn)為電池實際可充容量的減小、充電平臺的升高、放電平臺的降低、內(nèi)阻增大、功率降低以及充電時間增加等等。這些電池充放電老化的過程中的實驗采集數(shù)據(jù)，都可以作為衡量電池soh狀況的參數(shù)。在本發(fā)明實施例中，以日本三洋公司生產(chǎn)的鎳錳鈷鋰離子電池(linmc)的循環(huán)老化數(shù)據(jù)為例進行分析說明。linmc鋰離子電池廠家設置的主要參數(shù)如表1所示：表1linmc電池主要的規(guī)格參數(shù)在實際標定中，電池的初始容量和廠家標定的額定容量有所不同，本發(fā)明實施例以實驗測定的初始容量0.9264ah為額定容量，電池的老化循環(huán)測試如圖1所示。在每個充放電循環(huán)中，linmc電池以1c恒流充放到截止電壓。1)電池實際可充放電容量的減小隨著電池的老化，相同充放電機制下鋰離子電池實際可充放得容量明顯下降，如圖2所示，500次循環(huán)以前，電池實際可用容量衰減的速率較慢，500次循環(huán)以后電池容量的衰減速度增加。且隨著溫度的減小，電池的老化速率增加。大約800次循環(huán)以后，電池的可用電量占額定電量的比例不足80％，在電動汽車實際應用中達到了老化報廢指標。2)鋰離子電池的內(nèi)阻增加隨著循環(huán)次數(shù)的增加，電池的內(nèi)阻在緩慢變化，在不同老化程度下，電池內(nèi)阻隨soc的變化趨勢，如圖3所示。內(nèi)阻隨電池soc和soh的關系可以簡單的描述為，隨著電池的老化，電池的健康狀態(tài)下降，內(nèi)阻增大，同時內(nèi)阻也隨著soc的下降而增大。內(nèi)阻與soh以及soc的關系呈現(xiàn)高度的非線性。實際中，電池的歐姆內(nèi)阻在電池容量衰減至少30％以上時才會出現(xiàn)明顯的變化，而ieee規(guī)定電池容量下降到80％就應該更換新電池，同時，鋰離子電池的內(nèi)阻是小信號，準確測量比較困難，如今各個廠家生產(chǎn)的內(nèi)阻測量儀對同一電池的測量值的差異也比較大。所以通過內(nèi)阻監(jiān)測或辨識的方法進行電池健康狀態(tài)的估計比較困難。3)鋰離子電池的充電電壓平臺升高循環(huán)過程中，充電平臺也會隨之發(fā)生明顯變化。如圖4所示，在22℃環(huán)境溫度下進行老化循環(huán)測試，隨著循環(huán)的進行，充電電壓平臺在逐步升高，在1c的充電電流作用下，電池電池達到截止電壓4.1v的時間越來越短，恒流充電能充入的電量越來越少。4)鋰離子電池的放電電壓平臺減小放電電壓平臺和充電電壓平臺相反，放電電壓平臺隨著循環(huán)次數(shù)的進行而降低。如圖5所示，放電電壓平臺的降低，一方面是由于電池老化電內(nèi)阻增加，內(nèi)阻上的壓降增大，另一方面是電池實際的可充放電量減小，導致電池實際放電倍率增加。這些也是導致電池充電電壓平臺升高的原因。隨著平臺降低，電池在大電流工況下放電能力會降低，對應于電動汽車的功率水平下降，鋰離子電池在相同的放電截止電壓限制下放出的電量減小；放電過程中的平均電壓降低，如表2所示。表2不同老化程度下平均放電電壓比較通過上述分析可知，相比于電池的內(nèi)阻和阻抗，電池充放電過程中的電壓數(shù)據(jù)包含更多的電池的soc和soh信息，此外電池電壓的測量也相對更加準確和成本低，更適合用于電池soh的估計。下面結(jié)合附圖，對本發(fā)明實施例提供的動力電池健康狀態(tài)估算方法進行說明。圖6是本發(fā)明一個實施例的動力電池健康狀態(tài)估算方法的流程示意圖。如圖6所示，該動力電池健康狀態(tài)估算方法包括：步驟601，對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，其中，n為大于1的正整數(shù)。其中，本發(fā)明實施例提供的動力電池健康狀態(tài)估算方法，可以由本發(fā)明實施例提供的動力電池健康狀態(tài)估算裝置，以下簡稱估算裝置執(zhí)行。具體的，步驟601可以通過以下方式實現(xiàn)：對動力電池在n個老化狀態(tài)下對應的n條充電電壓曲線，及n條放電電壓曲線分別進行歸一化處理。可以理解的是，在電池充放電的過程中，電池端電壓隨時間的變化的曲線在某種程度上是非常相似的，因此，在本發(fā)明實施例中，可以采用時間軸長度和電壓值尺度變化的方法，將電池的充電電壓和放電電壓曲線歸一化。具體實現(xiàn)時，可以將電池充電的起始電壓標記為voc，充電的截止電壓記為vec，放電的起始電壓記為vod，放電的截止電壓記為ved，開始時間都設為to，結(jié)束時間都設為te，分別選取voc和vec為充電工況下電壓軸的起點和終點，選取vod和ved為放電工況下電壓軸的起點和終點。然后分別用vec-voc和vod-ved將電壓軸歸一化，然后再用te-to將時間軸歸一化，如下式所示。充電電壓歸一化：va＝(v-voc)/(vec-voc)(1)放電電壓歸一化：va＝(v-ved)/(vod-ved)(2)時間坐標歸一化：ta＝(t-to)/(te-to)(3)其中，va為歸一化后的充放電電壓，ta為歸一化后的時間，v為實際采樣電壓，t為實際采樣時間。本發(fā)明實施例中，通過上述linmc鋰離子電池的實驗數(shù)據(jù)，可以得到電池的充電起始voc電壓為3.1v，充電截止電壓vec為4.1v，放電起始電壓vod為3.9v，放電截止電壓ved為2.6v，通過本發(fā)明實施例的歸一化處理方法，可以分別得到如圖7和圖8所示的第389次充電和第389次放電歸一化后的電壓曲線。由圖7和圖8可以看出，將充放電電壓曲線歸一化后，電池充放電過程的開始和結(jié)束兩端都被相應的約束起來了。對于歸一化后的充電電壓曲線，充電電壓和充電時間都是從0開始，到1結(jié)束。而歸一化后的放電電壓曲線，放電電壓從1開始，到0結(jié)束，放電時間還是從0開始，到1結(jié)束。步驟602，根據(jù)預設的標準，從n條歸一化電壓曲線中選取基準曲線。其中，預設的標準，用來表征從n條歸一化電壓曲線中選取基準曲線的規(guī)則。具體的，步驟602可以通過以下方式實現(xiàn)：分別確定n條歸一化充電電壓曲線與時間軸圍成的面積sci，及n條歸一化放電電壓曲線與時間軸圍成的面積sfi，其中i為大于或等于1，且小于或等于n的正整數(shù)；分別根據(jù)各個sci的值及各sfi的值，確定n條歸一化充電電壓曲線間的一致性、及n條歸一化放電電壓曲線間的一致性；在確定所述n條歸一化充電電壓曲線間的一致性、比所述n條歸一化放電電壓曲線間的一致性好時，確定所述n條歸一化充電電壓曲線中包括所述基準曲線。可以理解的是，隨著鋰離子動力電池的循環(huán)使用，由于電池自身的某些因素或者電池在使用過程中的一些不當操作，會造成電池實際可充放電量的減小，導致電池的健康程度soh下降。在本發(fā)明實施例中，需要重新定義soh。本發(fā)明實施例的soh是指電池在一個老化循環(huán)工況中(從充電下截止電壓到上截止電壓，或放電從下截止電壓到上截止電壓)所能充入或者放出的最大電量和電池出廠時額定電量的比值。因此，在電池不同時期的soh值下，歸一化后的電壓曲線相對一致性程度顯得非常重要。為了評估不同老化程度下(即不同soh值)，充放電電壓曲線歸一化后的一致性程度，本發(fā)明實施例采用比較歸一化后電壓曲線和時間軸所包圍的面積大小的方法。由于實驗采集的充放電電壓數(shù)據(jù)點是離散的不連續(xù)的，因此在計算面積的時候，可以采用線性插值的計算方法，可以較為準確和便捷的獲得結(jié)果，計算公式如下所示：根據(jù)計算歸一化后曲線包圍的面積的大小，可以分別評價歸一化后充電電壓曲線和放電電壓曲線一致性的好壞。具體的，不同循環(huán)次數(shù)的歸一化后電壓曲線包圍的面積大小相差較小時，歸一化后電壓曲線的一致性較好。下面結(jié)合具體實例對上述評價歸一化后充電電壓曲線和放電電壓曲線一致性的好壞的過程進行說明。具體的，在對上述linmc鋰離子電池的老化循環(huán)實驗中，可以將環(huán)境溫度控制在22℃，采用1c恒流充放到電池截止電壓，選取實驗數(shù)據(jù)的第17、173、267、389、491、593、673、777、884次充放電電壓曲線進行歸一化，歸一化后的充電電壓曲線和放電電壓曲線分別如圖9和圖10所示。由圖9和圖10可以看出，歸一化后的充電電壓曲線和放電電壓曲線都有不錯的一致性。從圖9和圖10的曲線的走勢可以看出，相對于與歸一化放電電壓曲線而言，充電電壓曲線的一致性更好。通過利用數(shù)學線性差值的方法，可以計算每條歸一化曲線和橫軸所包圍的面積大小，計算的結(jié)果和面積相對比值分別如表3和表4所示。表3不同循環(huán)次數(shù)下充電電壓歸一化曲線一致性分析循環(huán)數(shù)soh面積充入電量(ah)面積比值(％)170.74370.82410.688955.311730.64850.84510.600812.902670.58630.85640.543171.603890.54060.86450.500800.674910.49930.87030.4625205930.45090.87690.417690.796730.40260.88150.372951.297770.37920.88230.351251.388840.33280.88450.308281.63表4不同循環(huán)次數(shù)下放電電壓歸一化曲線分析循環(huán)數(shù)soh面積放出電量(ah)面積比值(％)170.74440.82350.6896413.351730.64470.77580.597266.792670.57630.75460.533853.873890.52730.74120.488482.024910.48360.72650.4479805930.43460.71090.402632.156730.38620.69260.357754.677770.36320.69090.336474.908840.31740.66570.294048.37從面積的比較結(jié)果和分布規(guī)律來看，歸一化后的充電電壓曲線一致性程度明顯好于放電電壓曲線。因此本發(fā)明實施例可以選擇鋰離子電池充電電壓曲線進行soh估計，即可以從n條歸一化充電電壓曲線中選取基準曲線。可以理解的是，在電池循環(huán)測試的初始階段，由于電池性能不穩(wěn)定，故表現(xiàn)出的誤差較性能穩(wěn)定之后的誤差偏大，從電池的實際使用情況和soh估計的出發(fā)點考慮，可以忽略電池前期soh估計的誤差。此外，還能看出隨著循環(huán)次數(shù)偏離基準曲線越多，其誤差也會隨之增大，這不利于遠離基準曲線的循環(huán)次數(shù)的soh估計。也就是說只有當電池實際的健康狀況接近于基于基準曲線的soh值時，soh估計結(jié)果才較為精確。因此，在本發(fā)明實施例中，可以從n條歸一化充電電壓曲線中選取所包圍面積大小適中的一條曲線，比如充電循環(huán)的第491次電壓曲線作為基準曲線。步驟603，利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線。其中，神經(jīng)網(wǎng)絡，可以是反向傳輸(backpropagation，簡稱bp)神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等任意類型的神經(jīng)網(wǎng)絡。在一種較優(yōu)的實現(xiàn)形式中，由于本發(fā)明實施例需要曲線擬合后的精度較高，因此可以選擇反向傳輸(backpropagation，簡稱bp)神經(jīng)網(wǎng)絡來進行曲線擬合。bp神經(jīng)網(wǎng)絡，是一種誤差信號沿反向傳播，工作信號沿正向傳播并含多層神經(jīng)元的前向神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡(artificialneuralnetworks，簡稱anns)是一種模擬生物大腦神經(jīng)突觸鏈接結(jié)構(gòu)而建立的用于信息處理的數(shù)學模型。一個完整的神經(jīng)網(wǎng)絡系統(tǒng)是由許多神經(jīng)元(神經(jīng)網(wǎng)絡的組成單元)互相鏈接組成的，神經(jīng)元是一種具有多輸入、單輸出的基本單元，其結(jié)構(gòu)如圖11所示。圖11中xj(j＝1,2,…,n)為神經(jīng)元的輸入信號，yi為輸出信號，si為外部輸入信號，θi為神經(jīng)元閥值，ui為神經(jīng)元內(nèi)部的狀態(tài)，wji為神經(jīng)元輸入信號的權重值。根據(jù)神經(jīng)網(wǎng)絡的基本原理，上述模型可以用式(5)表示：當神經(jīng)元內(nèi)部沒有設定狀態(tài)時，可使yi＝ui，h＝f，選用sigmoid函數(shù)，其表達式如公式(6)所示；一個單獨的神經(jīng)元并沒有實際意義，只有將大量的神經(jīng)元按一定規(guī)律連接起來，才能實現(xiàn)神經(jīng)網(wǎng)絡對信息處理的功能，并體現(xiàn)出其優(yōu)越性。單輸入單輸出(siso)多層向前神經(jīng)網(wǎng)絡的基本結(jié)果如圖12所示，其中神經(jīng)元排列形式分層分布，以形成神經(jīng)網(wǎng)絡所需要的輸入層、輸出層以及中間的隱含層，且每層神經(jīng)元只會將前一層的輸出作為輸入。神經(jīng)元節(jié)點分為輸入單元與計算單元兩類，信號經(jīng)過前一層網(wǎng)絡處理后，再傳輸?shù)较乱粚泳W(wǎng)絡，整個過程并不存在反饋信號。bp神經(jīng)網(wǎng)絡的學習方法采用最小均方差的方法，其學習過程分為兩種，分別為正向傳播學習過程和反向傳播學習過程。正向傳播學習過程中，信號首先經(jīng)輸入層進入隱含層，經(jīng)過隱含層的處理再傳向輸出層。若輸出結(jié)果與期望值不符，則誤差將會沿著之前的路徑反向傳播，在此過程中逐步更改每個神經(jīng)元的權值，直到神經(jīng)網(wǎng)絡的輸出值與期望值之間的誤差達到最小。本發(fā)明實施例主要利用bp神經(jīng)網(wǎng)絡能逼近任意的非線性函數(shù)這一特點，對電池的充電電壓曲線作曲線回歸。相比于數(shù)學方法中其他的非線性回歸方法而言，使用bp神經(jīng)網(wǎng)絡具有精度高、方法簡便等優(yōu)點，而如果運用數(shù)學中其他的非線性回歸方法首先就需要根據(jù)已知曲線構(gòu)建非線性數(shù)學模型，然后將非線性模型線性化并求解，而精度受所構(gòu)建模型的影響，根據(jù)電池充電特性可知，數(shù)學模型可能會用到分段函數(shù)，使問題復雜化。綜合考慮，本發(fā)明實施例選用bp神經(jīng)網(wǎng)絡來擬合電池充電電壓曲線。具體的，步驟603可以通過以下方式實現(xiàn)：根據(jù)基準曲線，確定動力電池的各電壓值與各時間值；以各電壓值為輸入，各時間值為輸出，對預設的神經(jīng)網(wǎng)絡模型進行訓練，獲取動力電池的電壓曲線。具體實現(xiàn)時，可以先根據(jù)基準曲線，確定動力電池的各電壓值與各時間值，然后基于bp神經(jīng)網(wǎng)絡進行訓練。具體的，程序中，傳遞函數(shù)可以基于matlab神經(jīng)網(wǎng)絡工具箱，在編寫的.m文件中將bp神經(jīng)網(wǎng)絡的訓練參數(shù)定義如下所示。由于本發(fā)明實施例所要擬合的曲線相對較為簡單，因此可以選用單輸入、單隱含層、單輸出的結(jié)構(gòu)的bp神經(jīng)網(wǎng)絡，神經(jīng)元輸入的傳遞函數(shù)用log-sigmoid型(logsig)，輸出的傳遞函數(shù)選用purelin型，訓練函數(shù)選用基于trainlm型。由于擬合曲線的精度將直接影響將來soh的估算精度，因此本發(fā)明實施例中隱含層神經(jīng)元的個數(shù)可以分別選定為12，最大訓練次數(shù)epochs可以設定為2000次，學習率可以設定為0.5，期望在最短的時間內(nèi)獲得最小的均方誤差。在bp神經(jīng)網(wǎng)絡程序中，可以將根據(jù)步驟602中選取的基準曲線確定的歸一化后電壓值作為神經(jīng)網(wǎng)絡的輸入，輸出為基于訓練后的基準曲線的歸一化時間值。ytrain＝u5；xtrain＝t5：net＝newff([0，1]，[12，1]，{’logsig’，’purelin’}，’trainlm’)；net.trainparam.epochs＝2000；net.trainparam.lr＝0.5；net.trainparam.goal＝0.0001；net＝train(net，ytrain，xtrain)；xvalidaition＝sim(net，ytrain)；e＝xvalidation-xtrain：通過訓練，可以得到如圖13所示的bp神經(jīng)網(wǎng)絡訓練結(jié)果。從圖13中可以看出，由于選用了基于levenberg-marquardt的trainlm型訓練函數(shù)，樣本值和訓練值的均方差能以較快的速度達到本發(fā)明實施例的目標。經(jīng)過四代訓練之后，樣本點值和訓練值的均方差逐代遞減至0.0000122，如圖14所示。采樣的樣本值和訓練后的樣本值的曲線如下圖15所示。圖15a和圖15b分別為第491次老化循環(huán)和第173次老化循環(huán)的bp神經(jīng)網(wǎng)絡樣本值和訓練值的對比圖。由圖15可以看到，經(jīng)過訓練的輸出數(shù)據(jù)，曲線相似度達到了讓人比較滿意的程度。步驟604，根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)?？梢岳斫獾氖?，估算電池的健康狀態(tài)soh實際上就是估算電池在當前狀態(tài)下實際的最大充放電能力。soh估算的基本原理是一定時間內(nèi)實際充入電池內(nèi)的電量與這段時間內(nèi)充入電量所占總電量的百分比的比值。由于電池在不同的soh時，其電壓的表現(xiàn)特性是不一樣，因此用電壓曲線擬合法能夠估計不同健康狀態(tài)下的電池。具體實現(xiàn)時，可以利用以下公式估算電池soh：其中，i為動力電池的額定充電電流，c為動力電池的額定容量。具體的，在電池充電時，分別在t1、t2兩個時刻，監(jiān)測到電池的電壓值v1、v2后，可以根據(jù)動力電池的電壓曲線，分別確定兩個電壓值分別對應的容量比c1、c2。由此可以估算電池的soh。假設有soh值不同的兩塊電池需要估計，其中電池x和電池y在充電的t1時刻都正好處于基準曲線上的a點，設a點的值(c1，v1)，經(jīng)過相同的時間間隔后δt后，電池x在充電的t3時刻處于曲線上的b點，b點的值為(c2，v2)，電池y在充電的t3時刻處于曲線上的c點，c點的值為(c3，v3)，c3＞c2，分別計算電池x和電池y的soh值，計算結(jié)果如下所示：其中，由于時間間隔δt相同，c3＞c2，則可以得到sohy＜sohx。實際上，由于電池y健康狀況soh相對較差，容量衰減較多，電充充電平臺上升，經(jīng)過相同的充電時間后，電池y的電壓上升較快，故soh值相對較小。下面結(jié)合具體實例，對本發(fā)明實施例中動力電池健康狀態(tài)估算方法的估算精度進行分析。具體的，可以選取本發(fā)明實施例中上述第491次循環(huán)充電的歸一化曲線為基準曲線，分別估算電池在第17、173、267、389、491、593、673、777、884次循環(huán)充電時的soh。第593次充電電壓曲線估算的soh與歸一化后電壓值的關系如圖16所示。由圖16可知，由于電池在充電過程初期，電池內(nèi)部電化學性能的不穩(wěn)定以及鋰離子電池的充電平臺造成的估算結(jié)果誤差較大，隨著充電過程的進行，電池性能趨于穩(wěn)定，且充電后期平臺消失后，估算結(jié)果會趨近穩(wěn)定值。不同循環(huán)次數(shù)下電池soh的估算結(jié)果如表5所示。表5不同循環(huán)次數(shù)下soh的估算結(jié)果循環(huán)次數(shù)實際soh(％)估算soh(％)誤差170.74370.67259.574％1730.64850.59228.682％2670.58630.57821.382％3890.54060.53660.74％4910.49930.49760.34％5930.45090.44720.821％6730.40260.41112.113％7770.37920.36324.219％8840.33280.36178.684％通過上述分析可知，由于電池充電初期電化學性能不穩(wěn)定及鋰離子電池的充電平臺造成估算結(jié)果誤差較大，隨著充電過程的進行，電池的化學性能趨于穩(wěn)定，且充電后期平臺消失，估算結(jié)果就趨近于穩(wěn)定。由于選定了491次歸一化的充電電壓曲線為基準曲線，因此在估算491次附近的soh時，估算的精度相對較高，當偏離491次循環(huán)數(shù)較遠時，估算誤差也相對較大。本發(fā)明實施例提供的動力電池健康狀態(tài)估算方法，首先對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，然后從n條歸一化電壓曲線中選取基準曲線，并利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線，從而可以根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。由此，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。為了實現(xiàn)上述實施例，本申請還提出一種動力電池健康狀態(tài)估算裝置。圖17是本申請一個實施例的動力電池健康狀態(tài)估算裝置的結(jié)構(gòu)示意圖。如圖17所示，該動力電池健康狀態(tài)估算裝置，包括：第一處理模塊1701、選取模塊1702、第二處理模塊1703、估算模塊1704。其中，第一處理模塊1701，用于對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，其中，n為大于1的正整數(shù)；選取模塊1702，用于根據(jù)預設的標準，從n條歸一化電壓曲線中選取基準曲線；第二處理模塊1703，用于利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線；估算模塊1704，用于根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。具體的，本發(fā)明實施例提供的動力電池健康狀態(tài)估算裝置，可以執(zhí)行本發(fā)明實施例提供的動力電池健康狀態(tài)估算方法。在本發(fā)明一種可能的實現(xiàn)形式中，上述第一處理模塊1701，具體用于：對動力電池在n個老化狀態(tài)下對應的n條充電電壓曲線，及n條放電電壓曲線分別進行歸一化處理。在本發(fā)明另一種可能的實現(xiàn)形式中，上述選取模塊1702，具體用于：分別確定n條歸一化充電電壓曲線與時間軸圍成的面積sci，及n條歸一化放電電壓曲線與時間軸圍成的面積sfi，其中i為大于或等于1，且小于或等于n的正整數(shù)；分別根據(jù)各個sci的值及各sfi的值，確定n條歸一化充電電壓曲線間的一致性、及n條歸一化放電電壓曲線間的一致性；在確定n條歸一化充電電壓曲線間的一致性、比n條歸一化放電電壓曲線間的一致性好時，確定n條歸一化充電電壓曲線中包括基準曲線。在本發(fā)明另一種可能的實現(xiàn)形式中，上述第二處理模塊1703，具體用于：根據(jù)基準曲線，確定動力電池的各電壓值與各時間值；以各電壓值為輸入，各時間值為輸出，對預設的神經(jīng)網(wǎng)絡模型進行訓練，獲取動力電池的電壓曲線。在本發(fā)明另一種可能的實現(xiàn)形式中，上述估算模塊1704，具體用于：確定動力電池當前的電壓值；基于動力電池的電壓曲線，確定與當前的電壓值對應的容量值；根據(jù)容量值及動力電池的額定容量值，估算動力電池的健康狀態(tài)。需要說明的是，前述對動力電池健康狀態(tài)估算方法實施例的解釋說明也適用于該實施例的動力電池健康狀態(tài)估算裝置，此處不再贅述。本申請實施例提供的動力電池健康狀態(tài)估算裝置，首先對動力電池在n個老化狀態(tài)下對應的電壓曲線進行歸一化處理，生成n條歸一化電壓曲線，然后從n條歸一化電壓曲線中選取基準曲線，并利用神經(jīng)網(wǎng)絡，對基準曲線進行擬合處理，獲取動力電池的電壓曲線，從而可以根據(jù)動力電池的電壓曲線，估算動力電池的健康狀態(tài)。由此，實現(xiàn)了通過擬合電壓曲線的方法估算動力電池soh，不僅估算精度高、運算量小、成本低，且操作方式簡單、容易實現(xiàn)，避免了電池的過充和過放對電池使用壽命的影響。本發(fā)明還提出了一種計算機可讀存儲介質(zhì)，其上存儲由計算機程序，該程序被處理器執(zhí)行時，實現(xiàn)如上述實施例所述的動力電池健康狀態(tài)估算方法。本發(fā)明還提出了一種計算機程序產(chǎn)品，當所述計算機程序產(chǎn)品中的指令由處理器執(zhí)行時，執(zhí)行如上述實施例所述的動力電池健康狀態(tài)估算方法。在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本申請的至少一個實施例或示例中。此外，術語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現(xiàn)特定邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本申請的優(yōu)選實施方式的范圍包括另外的實現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應被本申請的實施例所屬
技術領域：
的技術人員所理解。應當理解，本申請的各部分可以用硬件、軟件、固件或它們的組合來實現(xiàn)。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現(xiàn)。例如，如果用硬件來實現(xiàn)，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現(xiàn)：具有用于對數(shù)據(jù)信號實現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場可編程門陣列(fpga)等。本
技術領域：
的普通技術人員可以理解實現(xiàn)上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。盡管上面已經(jīng)示出和描述了本申請的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本申請的限制，本領域的普通技術人員在本申請的范圍內(nèi)可以對上述實施例進行變化、修改、替換和變型。當前第1頁12