本發(fā)明屬于電池，尤其涉及一種融合恒壓充電階段多維特征參數(shù)的鋰離子電池健康狀態(tài)估算方法。

背景技術：

1、鋰離子電池由于具有能量密度高、自放電率低和綠色環(huán)保等優(yōu)點，近年來被廣泛應用于電動汽車動力系統(tǒng)中。隨著電動汽車行駛里程的增加，鋰離子電池的健康狀態(tài)(state-of-health，soh)逐漸下降，進而降低車輛的運行性能并增加安全風險。因此，準確估計電池soh對于車輛的高效安全運行至關重要。

2、相比于放電工況，電池的充電工況數(shù)據(jù)較為穩(wěn)定。因此，基于充電工況數(shù)據(jù)的電池soh估計方法得到了廣泛的關注。對于恒流充電工況，電池充電初始狀態(tài)的隨機性會對基于此類工況數(shù)據(jù)的電池soh估算精度產(chǎn)生一定程度的影響。相比之下，電池恒壓充電工況特性對充電初始狀態(tài)不敏感，且包含較多反映電池老化狀態(tài)的信息，近年來被越來越多的應用于電池soh估算中。但現(xiàn)有的基于恒壓工況特性的電池soh估算方法主要是基于完整恒壓充電數(shù)據(jù)，且采用傳統(tǒng)阻容網(wǎng)絡等效電路模型參數(shù)或充電電流顯性特征參數(shù)進行電池soh估算，缺乏對非完整恒壓充電工況下電池高精度模型及電池多維特征參數(shù)進行全面綜合地分析應用。

技術實現(xiàn)思路

1、本發(fā)明為了解決上述問題，提供了一種融合恒壓充電階段多維特征參數(shù)的鋰離子電池健康狀態(tài)估算方法，該估算方法在電池恒壓充電工況結束后，融合基于恒壓充電數(shù)據(jù)所提取的顯性和隱性特征參數(shù)對電池的健康狀態(tài)進行準確地在線估算。

2、本發(fā)明通過如下技術方案實現(xiàn)。

3、本發(fā)明提供了一種融合恒壓充電階段多維特征參數(shù)的鋰離子電池健康狀態(tài)估算方法，所述方法包括以下步驟：

4、s1，根據(jù)恒壓工況內(nèi)電池開路電壓特性及通用模型結構，確定電池模型具體結構；

5、s2，根據(jù)全生命周期內(nèi)電池恒壓工況數(shù)據(jù)，計算并提取電池恒壓工況下對應不同等效截止電流的電流曲線顯性候選特征參數(shù)和隱性候選特征參數(shù)；

6、s3，對步驟s2得到的顯性和隱性特征參數(shù)進行斯皮爾曼相關性分析，確定表征電池老化的特征參數(shù)集合及對應的有效電流區(qū)間；

7、s4，結合智能優(yōu)化算法與機器學習算法，構建對應不同等效恒壓截止電流的電池健康狀態(tài)估算模型并存儲；

8、s5，當電池進入恒壓充電模式后，記錄并存儲電池恒壓充電時間-電流序列，并實時計算步驟s3所確定的顯性特征參數(shù)；

9、s6，當充電過程結束后，記錄實際恒壓充電結束時對應的實際截止電流值，并根據(jù)其所在的有效電流區(qū)間，計算提取對應的有效隱性特征參數(shù)，并基于步驟s5計算所得的顯性特征參數(shù)，根據(jù)有效電流區(qū)間，篩選提取出有效顯性特征參數(shù)，組成特征參數(shù)集合；

10、s7，根據(jù)實際恒壓充電截止電流值以及步驟s4中存儲的恒壓充電等效截止電流的關系，查詢得到對應實際恒壓充電截止電流值的電池健康狀態(tài)估算模型；

11、s8，將步驟s6中獲取的特征變量代入步驟s7中所得的對應實際恒壓充電截止電流的電池實際健康狀態(tài)估算模型，估算電池的實際健康狀態(tài)。

12、所述的步驟s1中，應用于恒壓工況的電池通用模型結構包括并聯(lián)多個串聯(lián)連接的開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k，并聯(lián)多個串聯(lián)連接的開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k的輸入端與所述模型端電壓輸出端的正極連接，并聯(lián)多個串聯(lián)連接的開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k的輸出端與所述模型端電壓輸出端的負極連接，應用于恒壓工況的電池通用模型的解析數(shù)學表達式為：

13、

14、其中，n為并聯(lián)的串聯(lián)連接的開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k的支路個數(shù)，即等效電路模型的階數(shù)；ik(t)為t時刻流經(jīng)串聯(lián)連接開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k的電流；ik(0)為流經(jīng)串聯(lián)連接開路電壓等效電壓源veoc,k、電阻rk和電感l(wèi)k的初始電流；第k時間常數(shù)τk＝lk/rk。

15、所述的步驟s1中，電池模型結構的確定步驟為：

16、s1.1，提取恒壓階段對應soc范圍的ocv-soc關系曲線；

17、s1.2，對所提取的ocv-soc關系曲線進行分段線性近似；

18、s1.3，根據(jù)分段函數(shù)包含的子函數(shù)段數(shù)確定電池模型的階數(shù)。

19、所述的步驟s2中，對應不同等效截止電流的恒壓工況數(shù)據(jù)集提取方法為：定義等效截止電流數(shù)據(jù)集為icut,eq,n＝icut+n*δi，其中，icut為電池恒壓工況設定截止電流，δi為等效截止電流變化步長，n為間隔數(shù)，且滿足關系n<[i(0)-icut]/δi；提取以恒壓充電起始時刻的電流和對應時間為起點，以各等效截止電流和對應時間為終點的數(shù)據(jù)片段(t,i(t))，其中，icut,eq,n<i(t)<i(0)。

20、所述的步驟s2中，電池恒壓工況下電流曲線顯性候選特征參數(shù)主要包括：電池恒壓充電時間tcv、恒壓充電末端的電流斜率ki和恒壓階段充電容量qcv；其中，恒壓充電末端的電流斜率表達式為：

21、

22、其中，δt表示時間間隔，滿足關系δt＝m*ts，ts表示采樣周期，m為正整數(shù)。恒壓階段充電容量表達式為：

23、

24、所述的步驟s2中，電池恒壓工況下隱性候選特征參數(shù)主要包括：電池模型參數(shù)、初始電流曲線與循環(huán)電流曲線差異性表征系數(shù)以及恒壓階段電池容量電流差分值等；其中，電池模型參數(shù)集合為[rk,ik(0),τk]；初始電流曲線與循環(huán)電流曲線差異性表征系數(shù)集合為[foisse,foimae,foimape,foirmse]，具體表達式為：

25、

26、其中，iini和icyc分別表示初始和循環(huán)電流曲線，n表示初始電流曲線數(shù)據(jù)長度；恒壓階段電池容量電流差分值表達式為：

27、

28、所述的步驟s3中，斯皮爾曼相關性分析中相關性系數(shù)的表達式為：

29、

30、其中，ρfoi,soh(icut,eq,n)為對應等效截止電流icut,eq,n的特征參數(shù)與電池健康狀態(tài)間的斯皮爾曼相關系數(shù)，ncycle為離線測試中電池rpt測試次數(shù)，di為特征參數(shù)與電池健康狀態(tài)對應觀察值的秩次差；

31、所述的步驟s3中，提取滿足|ρfoi,soh(icut,eq,n)|>0.8條件的特征參數(shù)以及對應等效截止電流，將同一特征參數(shù)所對應的滿足|ρfoi,soh(icut,eq,n)|>0.8條件的等效截止電流組成有效電流區(qū)間[icut,eq,min,icut,eq,max]，最終形成表征電池soh的特征變量集合及對應的有效電流區(qū)間。

32、所述的步驟s4中，采用支持向量回歸算法構建對應不同等效截止電流的電池健康狀態(tài)估算模型，并采用灰狼優(yōu)化算法優(yōu)化支持向量回歸算法參數(shù)，得到較為精確的對應不同等效截止電流的電池健康狀態(tài)估算模型。其中，結合灰狼優(yōu)化算法與支持向量回歸算法的電池健康狀態(tài)估算模型構建方法為：

33、s4.1，算法參數(shù)初始化：灰狼種群規(guī)模ngw，最大迭代次數(shù)tgw；

34、s4.2，種群初始化：隨機生成ngw個灰狼個體xj，j＝1,2,...,ngw；通過支持向量回歸算法訓練模型，計算每個個體的適應度值；

35、s4.3，計算并記錄首領狼σ、副手狼β和顧問狼δ的位置向量xσ、xβ和xδ；

36、s4.4，更新灰狼群中灰狼的位置；

37、s4.5，判斷是否達到s4.1中設置的最大迭代次數(shù)tgw或是否滿足終止條件；若未達到tgw且未滿足終止條件，執(zhí)行步驟s4.2；否則，執(zhí)行步驟s4.6；

38、s4.6，輸出最優(yōu)灰狼位置并得到支持向量回歸算法最優(yōu)參數(shù)。

39、所述的步驟s7中，實際恒壓充電截止電流值icut,eq,act以及步驟s4中存儲的恒壓充電等效截止電流關系的判斷和查詢流程為：獲取icut,eq,act，當icut,eq,act大于等于icut,eq,max時，根據(jù)icut,eq,max選取對應的電池健康狀態(tài)估算模型；否則，當icut,eq,act小于等于icut,eq,min時，根據(jù)icut,eq,min選取對應的電池健康狀態(tài)估算模型；否則，即當icut,eq,act大于icut,eq,min且當icut,eq,act小于icut,eq,max時，根據(jù)icut,eq,act選取對應的電池健康狀態(tài)估算模型。

40、與現(xiàn)有技術相比，本發(fā)明具有如下優(yōu)點和有益效果：

41、1.本發(fā)明綜合考慮了恒壓工況下電池的顯性特征參數(shù)和隱性特征參數(shù)，上述多維特征參數(shù)的融合能夠更加全面準確的表征電池健康狀態(tài)的衰減；

42、2.相比于基于數(shù)據(jù)長度的非完整恒壓工況下電池健康狀態(tài)估算方法，本發(fā)明提供的基于等效截止電流的電池健康狀態(tài)估算方法對預設的恒壓工況截止條件不敏感，具有更高的靈活性和魯棒性；

43、3.本發(fā)明所構建的一種應用于恒壓工況的電池電阻-電感網(wǎng)絡等效電路模型及結構確定方法建立了電池恒壓充電階段電流特性與電池開路電壓特性的聯(lián)系，在保證模型精度的同時，具有較低的復雜度以及一定的可解釋性；

44、4.相比于基于動態(tài)放電數(shù)據(jù)和恒流充電數(shù)據(jù)的電池健康狀態(tài)估算方法，本發(fā)明提供的估算方法具有較高的魯棒性。