本發(fā)明屬于鋰離子電池管理，尤其涉及基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法。

背景技術(shù)：

1、鑒于全球氣候變暖和環(huán)境污染問題的日益嚴(yán)峻，推動減少二氧化碳排放并提升能源效率的的工作顯得至關(guān)重要。電動汽車因采用電池替代化石燃料而逐漸成為主流。其中，鋰離子電池憑借其在能量和功率密度、自放電率、充放電速率以及循環(huán)壽命等方面的卓越性能，成為電動汽車的核心動力。電池管理系統(tǒng)（bms）的引入，極大地提升了電池使用的安全性和效率，它可以有效監(jiān)控電池的剩余電量（即荷電狀態(tài)，soc）和健康狀況（即健康狀態(tài)，soh），確保車輛在各種行駛條件下的安全性和可靠性。

2、當(dāng)前，soc與soh的估計方法主要分為基于模型的方法和數(shù)據(jù)驅(qū)動的方法兩大類?；谀Ｐ偷姆椒ㄒ蕾囉趯﹄姵貎?nèi)部機(jī)制的深入理解，通過建立電池的電化學(xué)模型或等效電路模型來模擬電池的行為。這些方法在soc和soh的估計中各有側(cè)重，soc估計：基于模型的方法包括開路電壓法、安時積分法和電化學(xué)模型法。開路電壓法雖適用于靜態(tài)估算，但實時性差；安時積分法簡單直觀，但累積誤差和對初始soc值的敏感性限制了其長期準(zhǔn)確性；電化學(xué)模型法則通過詳細(xì)模擬電池內(nèi)部反應(yīng)來提高精度，但計算復(fù)雜且對參數(shù)辨識要求高。soh估計：除了上述方法外，電化學(xué)阻抗譜法和粒子濾波法也被應(yīng)用于soh估計。電化學(xué)阻抗譜法通過測量電池內(nèi)部阻抗特性來識別健康狀態(tài)，但成本高且操作復(fù)雜；粒子濾波法則通過模擬粒子在狀態(tài)空間中的傳播來估計soh，計算量大且精度受模型準(zhǔn)確性影響。數(shù)據(jù)驅(qū)動的方法利用從電池傳感器收集的大量數(shù)據(jù)（如電壓、電流、溫度）來訓(xùn)練模型，從而實現(xiàn)對soc和soh的準(zhǔn)確估計。soc與soh的共同點(diǎn)：數(shù)據(jù)驅(qū)動方法通常包括機(jī)器學(xué)習(xí)（ml）如人工神經(jīng)網(wǎng)絡(luò)（ann）、支持向量機(jī)（svm）、梯度提升決策樹（gbdt）、結(jié)構(gòu)化神經(jīng)網(wǎng)絡(luò)（snn）、反向傳播神經(jīng)網(wǎng)絡(luò)（bpnn）等以及統(tǒng)計技術(shù)如高斯過程回歸（gpr）。這些方法通過提取電池數(shù)據(jù)中的關(guān)鍵特征：間接特征（或內(nèi)部特征），如電池的soc、內(nèi)部電容和電阻；處理后的特征（通常從充放電數(shù)據(jù)中提取，以生成差分曲線，例如增量容量（ic）和微分電壓（dv）曲線）；直接特征（或外部特征），來建立輸入數(shù)據(jù)與soc/soh之間的非線性關(guān)系。盡管數(shù)據(jù)驅(qū)動方法在soc和soh估計中均表現(xiàn)出色，但都需要大量數(shù)據(jù)支持，且存在過擬合和計算成本高的風(fēng)險。

3、在實際應(yīng)用中，由于電池老化導(dǎo)致的容量損失會干擾soc的精確估計，因此僅依賴soc可能無法準(zhǔn)確反映電池的真實工作能力和剩余使用壽命。為此提出基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法，旨在解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法，包括以下步驟：

4、步驟一、數(shù)據(jù)采集及處理，具體包括：

5、數(shù)據(jù)采集：在soc估計任務(wù)中，輸入為電壓、電流和溫度；在soh估計任務(wù)中，輸入為4.0v-3.2v放電窗口的時間跨越值；

6、數(shù)據(jù)處理：對數(shù)據(jù)進(jìn)行歸一化、分批次和劃窗口處理；

7、步驟二、基于等電壓間隔放電時間的電池soh估計；

8、步驟三、電池soc估計模型的搭建與訓(xùn)練；

9、步驟四、基于容量修正的安時積分法：將步驟二所計算的soh值應(yīng)用于安時積分法中，以實時調(diào)整soc的估算值；

10、步驟五、當(dāng)前電池soh下電池soc的估計：將步驟三中應(yīng)用神經(jīng)網(wǎng)絡(luò)輸出的soc和步驟四中應(yīng)用安時積分法計算的soc應(yīng)用卡爾曼濾波器進(jìn)行融合；

11、步驟六、評價指標(biāo)設(shè)定。

12、進(jìn)一步的，所述步驟一中，數(shù)據(jù)處理步驟的具體過程如下：

13、對獲取的數(shù)據(jù)進(jìn)行歸一化處理：采用最大最小歸一化方法，將索引的特征值縮放到[0,1]區(qū)間內(nèi)；設(shè)輸入數(shù)據(jù)為 l，歸一化處理過程如下：

14、

15、其中， lmin為特征序列中的最小值， lmax為特征序列中的最大值， l*為歸一化處理后的值；

16、歸一化處理后，對數(shù)據(jù)進(jìn)行分批次和劃窗口處理；分批次處理后，將時間序列數(shù)據(jù)轉(zhuǎn)換為適合神經(jīng)網(wǎng)絡(luò)處理的格式，選擇窗口長度為60，實際預(yù)測過程為用前60個時間點(diǎn)的輸入特征來預(yù)測第61個目標(biāo)值，通過時間窗口逐步向前移動，對整個時間序列進(jìn)行預(yù)測，實現(xiàn)對電池soc和soh的動態(tài)監(jiān)測和預(yù)測。

17、進(jìn)一步的，所述步驟二的具體過程如下：

18、在室溫下，以恒流1.5a進(jìn)行充電，充電截至電壓為4.2v，以恒流2a進(jìn)行放電，放電截至電壓為2.4v，同時劃定放電窗口為3.8v-2.8v，截取到放電時間t100、t300和t600，依據(jù)隨著循環(huán)次數(shù)的增加等電壓間隔的放電時間的變化規(guī)律進(jìn)行電池的soh估計；

19、在獲取不同循環(huán)的等電壓間隔放電時間序列后，首先進(jìn)行步驟一中歸一化、分批次和劃窗口處理，其次構(gòu)建以lstm網(wǎng)絡(luò)為核心的soh估計模型，以經(jīng)過處理后的時間序列作為輸入，soh作為輸出。

20、進(jìn)一步的，所述步驟三的具體過程如下：

21、選取soh窗口為100%-80%，并分別在100%soh、95%soh、90%soh、85%soh和80%soh下搭建soc估計模型；模型的輸入變量為電壓、電流和溫度；所采集到的數(shù)據(jù)首先進(jìn)行步驟一中歸一化、分批次和劃窗口處理，其次，經(jīng)過處理后的輸入數(shù)據(jù)進(jìn)入cnn-lstm網(wǎng)絡(luò)，cnn-lstm網(wǎng)絡(luò)包括cnn層、lstm層、全連接層和輸出層，cnn層進(jìn)行初步的特征提取，隨后初步提取的特征被傳遞給lstm層，lstm層進(jìn)一步分析特征在時間序列上的動態(tài)變化，捕捉電池性能隨時間的演變規(guī)律，經(jīng)全連接層和輸出層后，輸出soc。

22、進(jìn)一步的，所述步驟四中，基于容量修正的安時積分法用以下公式來表示：

23、

24、其中， soc k+1代表下一時刻的soc； soc k代表當(dāng)前時刻的soc； i表示電流；δ t代表時間間隔；c是電池的額定容量； soh為估計的電池健康狀態(tài)值。

25、進(jìn)一步的，所述步驟五的具體過程如下：

26、首先計算當(dāng)前soh下cnn-lstm網(wǎng)絡(luò)的soc估計值：確定當(dāng)前soh，假設(shè)其數(shù)值為x，然后計算當(dāng)前soh的數(shù)值與五個定soh節(jié)點(diǎn)即100%soh、95%soh、90%soh、85%soh和80%soh之間的差值，設(shè)差值分別為m1，m2，m3，m4和m5，設(shè)在五個固定soh節(jié)點(diǎn)下估計的soc分別為 soc1， soc2， soc3， soc4和 soc5，則當(dāng)前soh下的soc估計值為：

27、

28、其次進(jìn)行狀態(tài)空間表達(dá)式建立：對于soc估計問題，狀態(tài)向量x為安時積分法計算的soc值，測量向量z是cnn-lstm網(wǎng)絡(luò)輸出的soc值，即式4中計算得到的當(dāng)前soh下的cnn-lstm網(wǎng)絡(luò)的soc估計值，因此，建立的狀態(tài)空間表達(dá)式如下：

29、

30、其中， soc k+1代表k+1時刻安時積分計算的soc值； soc k代表k時刻的soc值， i k為k時刻的電流值，代表時間間隔； soh為估計的電池健康狀態(tài)值； c為電池的額定容量；ω為高斯?fàn)顟B(tài)噪聲，υ為高斯測量噪聲； lstm k代表k時刻cnn-lstm網(wǎng)絡(luò)輸出的soc值。

31、式2介紹的是所提出的基于容量修正的安時積分法這一理論，式5是將式2這個理論建立成了狀態(tài)空間表達(dá)式的形式，在含義層面，二者相同。

32、狀態(tài)空間表達(dá)式的標(biāo)準(zhǔn)形式為：

33、

34、其中， x k為k時刻的狀態(tài)變量； y k為k時刻的輸出變量； a為傳遞矩陣， b為系統(tǒng)輸入陣，c為系統(tǒng)輸出陣， d為前饋矩陣， ω k為過程噪聲， υ k為測量噪聲；

35、最后進(jìn)行卡爾曼濾波器的實現(xiàn)，分為時間更新和測量更新兩個步驟：

36、時間更新：

37、

38、其中，為k時刻的先驗狀態(tài)估計值；為k時刻的后驗狀態(tài)估計值；為k時刻的先驗估計協(xié)方差；為控制輸入； p k-1為k-1時刻的后驗估計協(xié)方差；為狀態(tài)轉(zhuǎn)移矩陣的轉(zhuǎn)置； q為過程激勵噪聲協(xié)方差；

39、測量更新：

40、

41、其中， k k為卡爾曼增益；為k時刻的先驗估計協(xié)方差； h為狀態(tài)變量到測量的轉(zhuǎn)換矩陣；為 h的轉(zhuǎn)置； r為測量噪聲協(xié)方差；為k時刻的后驗狀態(tài)估計值；為k時刻的先驗狀態(tài)估計值；為測量值； p k為誤差協(xié)方差矩陣在k時間點(diǎn)的最優(yōu)估計； i表示電流；

42、將式8和式9應(yīng)用在式5和式6，得到輸出為，即：

43、

44、進(jìn)一步的，所述步驟六的具體過程如下：

45、設(shè)定 rmse指標(biāo)以評價模型的性能，計算公式如下：

46、

47、其中， soc k代表k時刻的soc值； soc * k為k時刻的soc預(yù)測值； n為樣本數(shù)量。

48、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

49、1、本發(fā)明公開了基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法，該方法涵蓋了多個關(guān)鍵步驟：基于等電壓間隔放電時間的電池soh估計，通過尋找不同循環(huán)的相同放電電壓間隔的時間與soh之間的關(guān)系來估計當(dāng)前的soh；電池soc估計模型的搭建與訓(xùn)練，通過在不同的soh下建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行soc估計；基于容量修正的電池soc估計，通過將估計得到的soh對初始電池容量進(jìn)行加權(quán)進(jìn)而應(yīng)用安時積分法進(jìn)行當(dāng)前soh下的soc估計；基于卡爾曼濾波器的soc估計，將神經(jīng)網(wǎng)絡(luò)輸出的soc與安時積分法計算的soc進(jìn)行融合，進(jìn)一步降低了估計誤差。

50、2、本發(fā)明在實車應(yīng)用場景下的狀態(tài)估計具有切實的實際意義，主要體現(xiàn)在以下幾個方面：

51、1）提高了電池狀態(tài)估計的準(zhǔn)確性：通過多模型融合的方法，結(jié)合了基于等電壓間隔放電時間的電池soh估計、神經(jīng)網(wǎng)絡(luò)進(jìn)行soc估計、基于容量修正的電池soc估計以及基于無跡卡爾曼濾波融合的soc估計，這些方法的融合提高了鋰離子電池soc和soh估計的準(zhǔn)確性。

52、2）降低了估計誤差：卡爾曼濾波的使用，結(jié)合了神經(jīng)網(wǎng)絡(luò)輸出的soc與安時積分法計算的soc，通過融合這兩種方法進(jìn)一步降低了估計誤差，提高了估計的可靠性。

53、3）增強(qiáng)了bms的性能：準(zhǔn)確的soc和soh估計對于電池管理系統(tǒng)至關(guān)重要，本發(fā)明的技術(shù)可以為bms提供更準(zhǔn)確的電池狀態(tài)信息，從而優(yōu)化電池的充放電管理，延長電池壽命。

54、4）提升了電池的安全性和使用壽命：通過實時準(zhǔn)確的電池狀態(tài)監(jiān)測，可以及時發(fā)現(xiàn)電池的異常情況并進(jìn)行干預(yù)處理，從而提前排除安全隱患并延長電池壽命。

55、5）適應(yīng)性強(qiáng)：該方法適用于不同的電池老化狀態(tài)和溫度條件，能夠在全氣候全壽命周期運(yùn)行中提供準(zhǔn)確的電池狀態(tài)估計，增強(qiáng)了電池在各種環(huán)境下的適應(yīng)性。

56、6）抗噪聲性能好：卡爾曼濾波的使用可以在未知噪聲情況下，對系統(tǒng)過程和測量噪聲協(xié)方差進(jìn)行實時估計修正，提高了濾波效果的穩(wěn)定性，即使在噪聲影響下也能保持較高的估計精度。