一种基于局部容量增量特征的锂电池健康状态估计方法技术

本发明专利技术公开了一种基于局部容量增量特征的锂电池健康状态估计方法，包括：获取锂电池的充电数据，评估20％至80％荷电状态对应的电压范围；将每一轮电压范围划分电压区间，并对电压区间进行电压修复；将电压修复的每个电压区间划分电压子区间，计算每个子区间对应的局部电压容量增量；将局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到优化后的电压区间；实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应经优化的电压区间，得到多电压区间的联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。本发明专利技术解决了无人搬运车数据驱动模型健康状态估计困难的问题。问题。问题。

【技术实现步骤摘要】
一种基于局部容量增量特征的锂电池健康状态估计方法


[0001]本专利技术属于锂电池
，具体地，涉及一种基于局部容量增量特征的锂电池健康状态估计方法。

技术介绍

[0002]随着工厂、仓库等需要大量劳力的搬运场所自动化程度的提高，无人搬运车正逐渐被广泛普及。动力锂离子电池由于具备高能量密度、长寿命和低放电率等优点，逐步替代了无人搬运车所使用的铅蓄电池，但其使用风险相对于铅蓄电池而言更高。因此如何及时估计电池的健康状态，评估与处理寿命不合格的单元，对保证作业安全、避免损失有着重要意义。
[0003]以电动汽车的锂离子电池使用为背景，基于数据驱动模型的健康状态估计算法得到了广泛研究。然而与电动汽车使用特点不同，无人搬运车的充放电次数更加频繁，放电深度也更低，而以往的健康状态估计算法往往需要较长信息跨度的数据，因此难以在无人搬运车的场景中被使用。
[0004]针对无人搬运车的使用场景，本专利技术提出了一种基于局部容量增量特征的锂电池健康状态估计方法，该方法旨应用低放电深度特征的同时充分而准确地完成对无人搬运车的健康状态估计。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供了一种基于局部容量增量特征的锂电池健康状态估计方法，解决了无人搬运车数据驱动模型健康状态估计困难的问题。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于局部容量增量特征的锂电池健康状态估计方法，具体包括以下步骤：
[0007]S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在所述电压范围的充电数据；
[0008]S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间，并对N1个电压区间进行电压修复；
[0009]S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间，计算每个子区间对应的局部电压容量增量；
[0010]S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到N1个锂离子电池健康状态估计模型；
[0011]S5、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，得到多模型联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。
[0012]进一步地，所述间隔ΔU1为50mV
‑
200mV。
[0013]进一步地，所述间隔ΔU2为3mV
‑
10mV。
[0014]进一步地，对N1个电压区间进行电压修复的过程为：充电电压曲线随荷电状态单调递增，若充电时任意时刻的电压值应低于前面所有时刻，则该时刻的电压值异常，寻找该时刻的电压值左右相邻两个时刻的正常电压，采用线性插值的方式对异常的电压值进行替换：
[0015][0016]其中，t
abnormal
为异常电压出现的时刻，为异常电压左相邻时刻，为异常电压右相邻时刻，为对应的正常电压值，为对应的正常电压值，V
renew
为对异常电压的修复值。
[0017]进一步地，所述子区间对应的局部容量增量Δq为：
[0018][0019]其中，i(t)为锂电池在充电过程中t时刻所对应的电流，t
st
为子区间的起始时刻，t
ed
为子区间的终止时刻。
[0020]进一步地，所述均方根误差损失函数δ
a
为：
[0021][0022]其中，M
val
为第a个电压区间的充电数据样本数，u为M
val
的索引，y
val
(u)表示第u个充电数据样本的电池健康状态的真实值，表示第a个电压区间关于第u个充电数据样本的电池健康状态的估计值。
[0023]进一步地，步骤S5包括如下子步骤：
[0024]S5.1、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，计算每个锂离子电池健康状态估计模型的均方根误差，根据均方根误差设置每个锂离子电池健康状态估计模型的权重w
j
：
[0025][0026]其中，J为充电片段对应的锂离子电池健康状态估计模型的数量，j表示J的索引，δ
j
为第j个锂离子电池健康状态估计模型与实时锂电池的充电片段之间的均方根误差；
[0027]S5.2、通过对应的锂离子电池健康状态估计模型估计出锂电池健康状态结合每个锂离子电池健康状态估计模型的权重，得到多模型联合估计值
[0028][0029]其中，为由每个锂离子电池健康状态估计模型估计出的锂电池健康状态组成的矩阵集合，W为锂离子电池健康状态估计模型的权重集合；
[0030]S5.3、将多模型联合估计值进一步采用卡尔曼滤波进行修正，得出当前锂电
池健康状态估计的最优估计
[0031]其中，为当前充放电循环次数k的先验估计，K(k)为当前充放电循环次数k的卡尔曼增益，P
‑
(k)为当前充放电循环次数k的先验估计方差，P
‑
(k)＝P(k
‑
1)+Q，P(k
‑
1)为k
‑
1充放电循环次数下的最优估计方差，Q为过程方差，R(k)为当前充放电循环次数k的估计方差。
[0032]与现有技术相比，本专利技术具有如下有益效果：本专利技术基于局部容量增量特征的锂电池健康状态估计方法通过对划分电压区间和训练，得到多个优化的电压区间，减小了各电压区间对长跨度信息的寻求，大大提高了电池管理系统实现电池健康状态估计的几率。本专利技术锂电池健康状态估计方法通过多个电压区间的联合估计，实现了对电池健康状态较为准确的估计，且进一步通过卡尔曼滤波引入历史估计结果，并动态调整其估计方差对联合估计结果作出修正，再一次提高了锂电池健康状态估计的精确度。
附图说明
[0033]图1为本专利技术基于局部容量增量特征的锂电池健康状态估计方法的流程图。
具体实施方式
[0034]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0035]如图1为本专利技术基于局部容量增量特征的锂电池健康状态估计方法的流程图，该锂电池健康状态估计方法具体包括如下步骤：
[0036]S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在该电压范围的充电数据；
[0037]S2、将每一轮保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，具体包括以下步骤：S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在所述电压范围的充电数据；S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间，并对N1个电压区间进行电压修复；S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间，计算每个子区间对应的局部电压容量增量；S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到N1个锂离子电池健康状态估计模型；S5、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，得到多模型联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。2.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述间隔ΔU1为50mV
‑
200mV。3.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述间隔ΔU2为3mV
‑
10mV。4.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，对N1个电压区间进行电压修复的过程为：充电电压曲线随荷电状态单调递增，若充电时任意时刻的电压值应低于前面所有时刻，则该时刻的电压值异常，寻找该时刻的电压值左右相邻两个时刻的正常电压，采用线性插值的方式对异常的电压值进行替换：其中，t
abnormal
为异常电压出现的时刻，为异常电压左相邻时刻，为异常电压右相邻时刻，为对应的正常电压值，为对应的正常电压值，V
renew
为对异常电压的修复值。5.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述子区间对应的局部容量增量Δq为：其中，i(t)为锂电池在充电过程中t时刻所对应的电流，t
st
为子区间的起始...

【专利技术属性】
技术研发人员：彭纪昌，陈凯，孟锦豪，刘海涛，郝思鹏，黄焕炀，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：