[發(fā)明專利]基于機器學習的鋰電池健康狀態(tài)及荷電狀態(tài)聯(lián)合估算方法

在審

• 申請?zhí)枺?/td>: 202110152863.0
• 申請日: 2021-02-04
• 公開（公告）號: CN112946499A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計）人: 張懷
• 申請（專利權(quán)）人: 蕪湖楚睿智能科技有限公司
• 主分類號: G01R31/388
• 分類號: G01R31/388;G01R31/392;G01R31/36
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 張磊

本發(fā)明涉及一種基于機器學習的鋰電池健康狀態(tài)及荷電狀態(tài)聯(lián)合估算方法，確定電池型號，根據(jù)充放電過程的明細數(shù)據(jù)，擬合V?SOC曲線；建立鋰電池等效電路模型；對一個充放電周期內(nèi)的電壓回彈特性曲線的曲線進行參數(shù)辨識，得到機器學習模型；開機時進行一次初始化測試操作；對該周期內(nèi)的電壓回彈曲線進行擬合，得到當前電池歐姆電阻和極化電阻，同時測量環(huán)境溫度、在存儲芯片中讀取電池充放電循環(huán)數(shù)據(jù)，計算其電池健康狀態(tài)SOH；以辨識得到的歐姆電阻、極化電阻、極化電容和最大可用容量更新模型參數(shù)，運用UKF或EKF算法估算電池荷電狀態(tài)SOC，在儲存芯片中記錄SOC值。本發(fā)明具有狀態(tài)方程參數(shù)即時更新、對壽命影響因素考慮全面、參數(shù)多次使用、節(jié)省計算資源等特點。

技術(shù)領(lǐng)域

本發(fā)明屬于鋰電池管理系統(tǒng)狀態(tài)估算技術(shù)領(lǐng)域，具體涉及一種基于機器學習的鋰電池健康狀態(tài)及荷電狀態(tài)聯(lián)合估算方法。

背景技術(shù)

隨著全球不可再生能源逐漸告急和全球溫室效應逐漸加重，各國都在尋求可持續(xù)發(fā)展且節(jié)能環(huán)保的新能源技術(shù)。新能源汽車作為一種節(jié)能環(huán)保的交通工具，得到人們的關(guān)注，電動汽車上的動力電池對電池管理系統(tǒng)有著高能量密度、高安全性、充電快等特性等要求；風電光伏產(chǎn)業(yè)在發(fā)電市場中逐漸占有更高的比重，而由于其消納問題較為突出，需要配置容量大、效率高的電池儲能系統(tǒng)。以上兩種鋰電池的應用場景都對電池儲能系統(tǒng)的管理系統(tǒng)性能提出較高的要求：不僅需要對電池組的電量進行及時精確的估算及均衡，避免電池單體過充過放現(xiàn)象出現(xiàn)，保證電池安全可靠地工作，還需要對達到報廢標準的電池即時進行提示，幫助工作人員進行精準的更換工作而不是整組報廢，使電池組的電池能力充分發(fā)揮并延長壽命。

電池管理系統(tǒng)是鋰電池儲能系統(tǒng)開發(fā)中最重要的環(huán)節(jié)。電池荷電狀態(tài)用來表征電池的剩余電量，即剩余電量與額定容量的百分比，該變量不能直接從電池本身獲得，只能通過測量電池的外特性參數(shù)(如電壓、電流等)間接估計得到。但由于鋰電池內(nèi)部復雜的電化學反應導致電池特性呈現(xiàn)為非線性，使電池荷電狀態(tài)的計算難度很大。電池的健康狀態(tài)定義為當前最大可用容量與初始最大可用容量的比值。隨著電池使用時間增加，電池會逐漸衰老，出現(xiàn)內(nèi)阻增大、電池容量衰減等現(xiàn)象。電池容量衰減的原因復雜，涉及到的因素較多且變化緩慢。目前尚沒有一個精確的衰退物理模型。

在現(xiàn)有方法中，擴展卡爾濾波、無跡卡爾曼濾波等用于處理非線性問題的非線性卡爾曼濾波被廣泛使用。在使用這些算法時，會事先對同型號新電池進行測試實驗，在每次以一定充放電速率對電池進行充電后靜置半小時以上，然后測量其開路電壓，以此得到SOC與開路電壓的關(guān)系曲線；目前的方法中，在僅估算荷電狀態(tài)時認為容量不變，而進行健康及荷電狀態(tài)聯(lián)合估算時認為其容量僅與等效內(nèi)阻有關(guān)。但是實際上，隨著電池的循環(huán)使用次數(shù)和環(huán)境因素的不同，電池容量與其內(nèi)阻的關(guān)系會發(fā)生變化，電池的最大可用容量也在發(fā)生變化。如果不及時對這些變化作出參數(shù)的調(diào)整，電池荷電狀態(tài)和健康狀態(tài)的估算誤差會變的越來越大。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于提供一種基于機器學習的鋰電池健康狀態(tài)及荷電狀態(tài)聯(lián)合估算方法。本發(fā)明對電池的荷電狀態(tài)及電池健康狀態(tài)進行聯(lián)合估算，建立并訓練BP神經(jīng)網(wǎng)絡，兼顧循環(huán)使用次數(shù)、環(huán)境溫度、電池歐姆內(nèi)阻、極化內(nèi)阻等參數(shù)對電池容量的影響，并實時對電池荷電狀態(tài)估算中的狀態(tài)方程參數(shù)進行實時更新。該發(fā)明對于整個電池狀態(tài)的全面、精確預測具有重大意義。

本發(fā)明采用以下技術(shù)方案，一種基于機器學習的鋰電池健康狀態(tài)及荷電狀態(tài)聯(lián)合估算方法，具體步驟如下：

(1)確定儲能系統(tǒng)采用的電池型號及出廠參數(shù)，通過對該型號的全新電池進行循環(huán)充放電測試，得到充放電過程和老化過程的明細數(shù)據(jù)，并擬合其V-SOC曲線；

(2)根據(jù)步驟(1)得到的的V-SOC曲線建立合適的鋰電池等效電路模型；