本發(fā)明屬于電池儲(chǔ)能系統(tǒng)鋰離子電池soh狀態(tài)估計(jì)領(lǐng)域，涉及一種基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法，適用于電池儲(chǔ)能系統(tǒng)中鋰電池的soh估計(jì)。

背景技術(shù)：

1、電池儲(chǔ)能系統(tǒng)作為電力系統(tǒng)的靈活性調(diào)節(jié)資源，在包含高比例可再生能源的新型電力系統(tǒng)中發(fā)揮重要作用。而鋰電池憑借其能量密度高、自放電率低及使用壽命長等優(yōu)點(diǎn)，已廣泛應(yīng)用于電池儲(chǔ)能系統(tǒng)。soh作為表征電池老化的重要指標(biāo)，準(zhǔn)確的soh對(duì)于鋰電池最佳性能的發(fā)揮和系統(tǒng)安全具有重大意義。

2、鋰電池soh通常定義為當(dāng)前最大可用容量與額定容量的比值，最大可用容量的衰減是多種電化學(xué)老化機(jī)制相互耦合的結(jié)果，無法直接測量，因此大量的soh估計(jì)方法被提出。目前，鋰電池soh估計(jì)方法主要包括直接測量方法、基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)方法。直接測量法通過對(duì)鋰電池的容量或內(nèi)阻等老化特性指標(biāo)進(jìn)行離線測量，進(jìn)而獲得soh估計(jì)值。基于模型的方法利用先驗(yàn)知識(shí)對(duì)電池建模，可進(jìn)一步分為基于退化模型的方法與狀態(tài)觀測器方法?；谕嘶Ｐ偷姆椒ò娀瘜W(xué)模型和半經(jīng)驗(yàn)?zāi)Ｐ?，電化學(xué)模型可以為電池的老化機(jī)理提供一定程度的理論解釋，但其計(jì)算量大且并未直接解決soh估計(jì)問題。相對(duì)簡單的半經(jīng)驗(yàn)?zāi)Ｐ蜎]有對(duì)導(dǎo)致電池退化的電化學(xué)過程深入研究，但它們揭示了應(yīng)力因素對(duì)電池soh的影響，半經(jīng)驗(yàn)?zāi)Ｐ偷男阅芎艽蟪潭壬先Q于測試數(shù)據(jù)的質(zhì)量和數(shù)量。狀態(tài)觀測器法通?；诘刃щ娐纺Ｐ停每柭鼮V波或粒子濾波，將soh估計(jì)問題轉(zhuǎn)化為參數(shù)估計(jì)問題。濾波算法的精度對(duì)電池模型的精度非常敏感，且易受到系統(tǒng)復(fù)雜程度和實(shí)際應(yīng)用環(huán)境的不確定性影響。

3、因此，亟需一種基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法來解決上述技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提高基于數(shù)據(jù)驅(qū)動(dòng)的soh估計(jì)的精度及運(yùn)算速度，公開了一種基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法。

2、數(shù)據(jù)驅(qū)動(dòng)方法能夠描述復(fù)雜的電池退化過程而不需要深入的機(jī)理研究。此類方法首先通過神經(jīng)網(wǎng)絡(luò)在離線階段建立可測量電氣量同電池soh之間的非線性映射關(guān)系，其次在在線階段將新觀測的電氣量輸入訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)模型即可獲得soh估計(jì)值。這類方法避免了基于模型的方法中模型不確定性和過程噪聲對(duì)估計(jì)精度的影響，且適用范圍廣泛。本發(fā)明針對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的soh估計(jì)方法展開。

3、首先，設(shè)計(jì)基于等充電壓差時(shí)間間隔的soh特征參數(shù)。其次，基于傳統(tǒng)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法建立改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法，設(shè)計(jì)出基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)，以降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練負(fù)荷，實(shí)現(xiàn)soh的高精度、低運(yùn)算量估計(jì)。再次，以各soh條件下、不同充電倍率條件下的恒流充電數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集，以電池的電壓片段和電流倍率為輸入，各soh條件下每個(gè)電壓值對(duì)應(yīng)的相對(duì)時(shí)刻為輸出，結(jié)合二分法完成基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法設(shè)計(jì)。最后，采用平均絕對(duì)誤差、最大誤差、均方根誤差和誤差標(biāo)準(zhǔn)差等指標(biāo)對(duì)soh估計(jì)模型進(jìn)行評(píng)估。

4、一種基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法，包括以下步驟：

5、s1、結(jié)合恒流充電曲線，提出基于等充電壓差時(shí)間間隔的soh特征參數(shù)，以此來模擬隨機(jī)恒流充電片段；

6、s2、結(jié)合自適應(yīng)遷移學(xué)習(xí)與gru(gated?recurrent?unit,門控循環(huán)單元)神經(jīng)網(wǎng)絡(luò)，提出基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)(improved?domain?adaptive?transfer?learning,idatl)的gru網(wǎng)絡(luò)結(jié)構(gòu)，以避免負(fù)遷移并降低網(wǎng)絡(luò)訓(xùn)練負(fù)荷；

7、s3、結(jié)合soh特征參數(shù)及基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)基于隨機(jī)恒流充電片段的soh估計(jì)方法。

8、優(yōu)選的，所述步驟s1中，基于等充電壓差時(shí)間間隔的soh特征參數(shù)獲得的過程為：通過對(duì)鋰電池進(jìn)行循環(huán)老化實(shí)驗(yàn)從而獲取不同soh條件下完整的鋰電池恒流充電曲線，從中提取等充電壓差對(duì)應(yīng)的時(shí)間間隔作為soh特征參數(shù)，以此來映射soh。

9、優(yōu)選的，所述步驟s2中，基于傳統(tǒng)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法建立改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法，設(shè)計(jì)出基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)，為克服傳統(tǒng)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練后期存在的負(fù)遷移問題，本發(fā)明提出一種改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法，通過引入雙曲正切函數(shù)使目標(biāo)域和源域差異自適應(yīng)地減小，避免負(fù)遷移的同時(shí)降低網(wǎng)絡(luò)訓(xùn)練負(fù)荷。

10、優(yōu)選的，所述步驟s3中包括：

11、基于步驟s1得到的soh特征參數(shù)，建立五個(gè)不同soh條件下、不同充電倍率條件下電壓值和各電壓值對(duì)應(yīng)的相對(duì)時(shí)刻值之間的對(duì)應(yīng)關(guān)系數(shù)據(jù)集；以基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)為基礎(chǔ)建立soh估計(jì)模型；將任意恒流充電片段電流倍率、起始電壓(started?voltage,sv)和結(jié)束電壓(end?voltage,ev)輸入模型，輸出不同soh條件下模型預(yù)測的時(shí)刻值；求解五個(gè)標(biāo)定模型輸出的時(shí)間差，將五個(gè)時(shí)間差和實(shí)測時(shí)間差比較，通過二分法估計(jì)實(shí)測時(shí)間差對(duì)應(yīng)的soh。

12、優(yōu)選的，s4、結(jié)合自主實(shí)驗(yàn)平臺(tái)測試數(shù)據(jù)，對(duì)所提估計(jì)方法進(jìn)行評(píng)估。

13、優(yōu)選的，所述步驟s4中，對(duì)步驟s3的估計(jì)方法進(jìn)行驗(yàn)證，采用平均絕對(duì)誤差、最大誤差、均方根誤差和誤差標(biāo)準(zhǔn)差四個(gè)指標(biāo)對(duì)soh估計(jì)模型的預(yù)測性能進(jìn)行評(píng)估。

14、優(yōu)選的，所述步驟s4中，自主實(shí)驗(yàn)平臺(tái)測試數(shù)據(jù)的獲得方式如下：

15、基于0.2c、0.5c、0.75c和1c四個(gè)倍率，使用其中三個(gè)倍率數(shù)據(jù)對(duì)soh估計(jì)模型進(jìn)行訓(xùn)練，剩余的一個(gè)倍率用作測試；

16、首先，分別選取充電倍率為0.75c和0.5c的數(shù)據(jù)作為模型測試集，從來自兩個(gè)倍率的充電曲線中各選取20條老化曲線用于測試，為了使驗(yàn)證結(jié)果更加可靠，來自各個(gè)倍率的曲線所對(duì)應(yīng)的soh近似覆蓋了本次老化試驗(yàn)的健康周期；其次，針對(duì)所標(biāo)定的三個(gè)電壓區(qū)間長度各選取三個(gè)電壓片段用以模擬任意電壓片段，對(duì)所提soh估計(jì)方法進(jìn)行驗(yàn)證。

17、具體的，一種基于隨機(jī)恒流充電片段的鋰電池soh(電池健康狀態(tài)state?ofcharge,soh)估計(jì)方法，包括以下步驟：

18、s1、結(jié)合對(duì)恒流充電曲線的研究，提出一種基于等充電壓差時(shí)間間隔的soh特征參數(shù)；

19、電池的充放電曲線蘊(yùn)含著豐富的與電池老化相關(guān)的特征，不同特征與soh的關(guān)聯(lián)程度不同，特征相關(guān)性越高，soh估計(jì)精度越高。由于放電過程工況的隨機(jī)性顯著強(qiáng)于充電過程，參數(shù)不易獲取，本發(fā)明基于充電曲線設(shè)計(jì)soh特征參數(shù)。

20、為獲取不同健康狀態(tài)條件下的恒流充電曲線，需要對(duì)鋰電池進(jìn)行循環(huán)老化實(shí)驗(yàn)。設(shè)置0.2c、0.5c、0.75c和1c四個(gè)恒流充電倍率，在25℃環(huán)境下進(jìn)行電池老化充放電實(shí)驗(yàn)。整個(gè)實(shí)驗(yàn)過程分為恒流充電數(shù)據(jù)獲取和加速電池老化兩部分。電池以四個(gè)恒流充電倍率各經(jīng)歷一次完整的充放電循環(huán)后，進(jìn)行四次老化循環(huán)實(shí)驗(yàn)。兩部分實(shí)驗(yàn)交替進(jìn)行。實(shí)驗(yàn)過程如下所述。

21、(1)恒流充電數(shù)據(jù)獲取

22、ⅰ.對(duì)電池進(jìn)行恒流(3.2a，即1c)恒壓(4.2v)充電和恒流(3.2a，即1c)恒壓(2.5v)放電，充放電截止電流設(shè)置為0.032a(0.01c)；充電和放電轉(zhuǎn)換過程，電池靜置1小時(shí)以消除極化效應(yīng)。

23、ⅱ.依次改變充電倍率為0.75c、0.5c和0.2c進(jìn)行恒流恒壓充電，重復(fù)執(zhí)行步驟ⅰ。

24、(2)加速老化

25、ⅰ.以5a電流對(duì)電池進(jìn)行恒流恒壓(4.2v)充電和恒流恒壓(2.5v)放電，充放電截止電流設(shè)置為0.032a(0.01c)；充電和放電轉(zhuǎn)換過程，電池靜置1小時(shí)以消除極化效應(yīng)。

26、ⅱ.重復(fù)執(zhí)行步驟ⅰ三次。

27、實(shí)驗(yàn)過程持續(xù)3個(gè)月，電池最大可用容量隨著循環(huán)次數(shù)的增加逐漸降低。由于soh較高或較低時(shí)，其與soh特征參數(shù)的映射關(guān)系更明確，為表明該方法的先進(jìn)性，對(duì)電池soh在0.96退化至0.88過程的老化數(shù)據(jù)進(jìn)行研究，包含電流、電壓、容量和溫度等參數(shù)。理論上，若新型估計(jì)方法在soh為[0.88,0.96]范圍內(nèi)具有理想的估計(jì)精度，則整個(gè)電池老化過程新型估計(jì)方法具有更高的精度。

28、本發(fā)明將soh定義為一次充放電循環(huán)中的充電容量、放電容量的平均值與電池出廠時(shí)的最大可用容量的比值，電池最大可用容量隨著循環(huán)次數(shù)的增加逐漸減小。

29、取soh為0.96、0.94、0.92、0.90和0.88時(shí)的恒流充電數(shù)據(jù)進(jìn)行模型標(biāo)定，恒流充電數(shù)據(jù)包括各倍率恒流充電條件下，每個(gè)電壓值對(duì)應(yīng)的相對(duì)充電時(shí)刻。以各soh條件下，不同倍率恒流充電數(shù)據(jù)建立soh特征參數(shù)，將電池充電過程端電壓為2.9v的時(shí)刻定義為零時(shí)刻。設(shè)計(jì)思路為：將鋰電池電壓從2.9v至4.2v以10mv為單位等分，共131個(gè)電壓標(biāo)簽。假設(shè)電池電壓為2.9v時(shí)，對(duì)應(yīng)的時(shí)刻為初始時(shí)刻(即零時(shí)刻)，當(dāng)鋰電池充電至2.91v時(shí)，不同倍率條件下對(duì)應(yīng)的時(shí)刻分別為t1_1、t2_1…。最終建立五個(gè)不同soh條件下和不同充電倍率條件下電壓值和各電壓值對(duì)應(yīng)的相對(duì)時(shí)刻值之間的對(duì)應(yīng)關(guān)系數(shù)據(jù)集。以等充電壓差時(shí)間間隔作為soh特征參數(shù)映射soh。

30、s2、結(jié)合自適應(yīng)遷移學(xué)習(xí)與gru網(wǎng)絡(luò)特性，提出一種基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)結(jié)構(gòu)；

31、特征參數(shù)是基于神經(jīng)網(wǎng)絡(luò)狀態(tài)估計(jì)的基礎(chǔ)，穩(wěn)定、高效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是基于數(shù)據(jù)驅(qū)動(dòng)soh估計(jì)的關(guān)鍵。在遷移學(xué)習(xí)過程中，針對(duì)源域和目標(biāo)域特征分布所帶來的遷移阻礙，引入最大平均差異項(xiàng)(maximum?mean?discrepancy,mmd)這一非參數(shù)距離度量指標(biāo)，其可以度量源域和目標(biāo)域之間的數(shù)據(jù)分布差異，通過調(diào)整mmd可以使目標(biāo)域擁有與源域相似的特征分布。

32、假設(shè)存在源域ds和目標(biāo)域dt，如式(1)所示。

33、

34、若源域輸入xs和目標(biāo)域輸入xt服從不同的分布，則mmd的公式定義如式(2)、(3)所示。

35、

36、上式中，m和n分別為源域和目標(biāo)域的序列長度，

37、表示再生核希爾伯特空間(reproducing?kernel?hilbert?space,rkhs)中的二范數(shù)運(yùn)算，是rkhs中的一個(gè)映射函數(shù)。mmd越小，遷移學(xué)習(xí)網(wǎng)絡(luò)中兩個(gè)數(shù)據(jù)分布之間的特征相關(guān)性越強(qiáng)。遷移學(xué)習(xí)網(wǎng)絡(luò)損失函數(shù)公式為：

38、loss＝mse(ht)+λ·mmd(hs,ht)???????????(4)

39、式(4)中l(wèi)oss與mse(ht)分別表示遷移學(xué)習(xí)網(wǎng)絡(luò)的總損失和目標(biāo)模型的均方誤差損失；hs和ht分別為源域和目標(biāo)域的特征信息；λ·mmd(hs,ht)表示遷移學(xué)習(xí)網(wǎng)絡(luò)的自適應(yīng)損失；λ為權(quán)衡mmd和自適應(yīng)損失的非負(fù)自適應(yīng)正則化參數(shù)。當(dāng)遷移學(xué)習(xí)網(wǎng)絡(luò)迭代次數(shù)不斷增加時(shí)，源域和目標(biāo)域的差異會(huì)逐漸減小，此時(shí)固定的λ會(huì)使模型保持較高的遷移深度，但是也會(huì)增加負(fù)遷移的可能性。

40、本次發(fā)明提出一種改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)算法，可以克服傳統(tǒng)遷移學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練后期存在的負(fù)遷移問題，針對(duì)源域與目標(biāo)域之間的mmd距離做出改進(jìn)，使遷移深度能夠隨著mmd的減小逐漸降低。改進(jìn)的mmd及其對(duì)應(yīng)的模型損失函數(shù)如式(5)和式(6)所示：

41、

42、losstotal＝mse(ht)+λ·immd(hs,ht)???????????????(6)

43、在最大均值差異的基礎(chǔ)上，設(shè)計(jì)同樣包含mmd項(xiàng)的雙曲正切項(xiàng)為分母。在式(5)中，通過雙曲正切函數(shù)tanh使分母保持在區(qū)間[0,1]，分母項(xiàng)隨著mmd降低逐漸增加，使得遷移深度隨迭代次數(shù)增加而逐漸降低。m為不小于mmd的非負(fù)閾值參數(shù)，控制遷移深度降低的速度。式(6)中，losstotal為模型損失；λ和分母項(xiàng)tanh[m-mmd(hs,ht)]控制每次迭代時(shí)的遷移深度，從源域遷移至目標(biāo)域的知識(shí)越多，遷移深度越大。

44、gru作為循環(huán)神經(jīng)網(wǎng)絡(luò)的變體，可以通過不斷地更新內(nèi)部保存的信息，有效克服反向傳播中的梯度問題。以gru網(wǎng)絡(luò)為基礎(chǔ)來構(gòu)建基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，一方面在gru層采用基于微調(diào)策略的遷移思想，將源域模型訓(xùn)練好的參數(shù)遷移至待訓(xùn)練的目標(biāo)域模型，可以使目標(biāo)域模型的gru層繼續(xù)訓(xùn)練參數(shù)以快速達(dá)到收斂；另一方面，在全連接層應(yīng)用改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)。通過gru層的參數(shù)共享以及全連接層的領(lǐng)域自適應(yīng)，源域與目標(biāo)域的特征從低維空間上移至高維空間，從而最大程度地降低了兩個(gè)域分布的差異。

45、s3、結(jié)合soh特征參數(shù)及基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)基于隨機(jī)恒流充電片段的soh估計(jì)方法；

46、以基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)為基礎(chǔ)建立估計(jì)模型，模型輸入為電池的電壓片段和電流倍率，模型輸出為各soh條件下每個(gè)電壓值對(duì)應(yīng)的相對(duì)時(shí)刻。將任意恒流充電片段電流倍率、起始電壓(started?voltage，sv)和結(jié)束電壓(end?voltage，ev)輸入模型，輸出不同soh條件下模型預(yù)測的時(shí)刻值。求解五個(gè)標(biāo)定模型輸出的時(shí)間差，將五個(gè)時(shí)間差和實(shí)測時(shí)間差比較，通過二分法估計(jì)實(shí)測時(shí)間差對(duì)應(yīng)的soh。具體設(shè)計(jì)過程如下所述。

47、1)確定五個(gè)時(shí)間差中，大于實(shí)際時(shí)間差最少的時(shí)間差記為tr，小于實(shí)際時(shí)間差最少的時(shí)間差記為tf，實(shí)測時(shí)間差為ta；將tr、tf兩個(gè)時(shí)間差所對(duì)應(yīng)的soh求差，將實(shí)測時(shí)間差ta和tf做差；

48、2)通過二分法計(jì)算實(shí)測時(shí)間差對(duì)應(yīng)的soh。

49、

50、綜上所述，采用基于改進(jìn)領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的gru網(wǎng)絡(luò)，基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法設(shè)計(jì)完成。

51、s4、結(jié)合自主實(shí)驗(yàn)平臺(tái)測試數(shù)據(jù)，對(duì)所提估計(jì)方法進(jìn)行評(píng)估。

52、采用平均絕對(duì)誤差(mean?absolute?error,mae)、最大誤差(max?error,maxe)、均方根誤差(root?mean?square?error,rmse)和誤差標(biāo)準(zhǔn)差(standard?deviation?oferror,sde)四個(gè)評(píng)價(jià)指標(biāo)對(duì)soh估計(jì)模型的預(yù)測性能進(jìn)行評(píng)估。為探究電壓片段長度對(duì)模型預(yù)測性能的影響，選取區(qū)間長度為0.2v(短充電時(shí)長)、0.5v(中等充電時(shí)長)和0.8v(長充電時(shí)長)三個(gè)區(qū)間長度數(shù)據(jù)對(duì)模型測試，三個(gè)電壓區(qū)間分別為3.50v-3.70v、3.40v-3.90v和3.30v-4.10v。

53、為驗(yàn)證本發(fā)明的估計(jì)方法在整個(gè)數(shù)據(jù)集soh范圍內(nèi)的估計(jì)效果，基于0.2c、0.5c、0.75c和1c四個(gè)倍率，使用其中三個(gè)倍率數(shù)據(jù)對(duì)模型訓(xùn)練，剩余的一個(gè)倍率用作測試。首先，分別選取充電倍率為0.75c和0.5c的數(shù)據(jù)作為模型測試集，從來自兩個(gè)倍率的充電曲線中各選取20條老化曲線用于測試，為了使驗(yàn)證結(jié)果更加可靠，來自各個(gè)倍率的充電曲線所對(duì)應(yīng)的soh近似覆蓋了本次老化試驗(yàn)的健康周期；其次，針對(duì)所標(biāo)定的三個(gè)電壓區(qū)間長度各選取三個(gè)電壓片段用以模擬任意電壓片段，對(duì)所提soh估計(jì)方法進(jìn)行驗(yàn)證。

54、有益效果：

55、本發(fā)明從鋰電池soh估計(jì)研究現(xiàn)狀出發(fā)，提出了一種基于隨機(jī)恒流充電片段的鋰電池soh估計(jì)方法，具有精度高、速度快的優(yōu)勢，適用于電池儲(chǔ)能系統(tǒng)鋰電池soh估計(jì)。