本發(fā)明涉及電池健康狀態(tài)評估，尤其涉及一種基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法及系統(tǒng)。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構(gòu)成在先技術。

2、鋰離子電池具有高能量密度、輕量化、長循環(huán)壽命和低自放電率等特點，其促進了近十年可再生能源及其相關技術的大規(guī)模創(chuàng)新與應用。隨著交通電氣化進程的加速，以鋰離子電池為儲能設備的電動汽車迎來了前所未有的發(fā)展機遇和挑戰(zhàn)。然而，受循環(huán)充放電、高溫、過充、過放等因素的影響，鋰離子電池的性能會出現(xiàn)難以避免且不可逆轉(zhuǎn)的衰退，并伴隨著極大的安全隱患。

3、電池性能衰退主要體現(xiàn)在可用容量和輸出功率下降，這導致電動汽車續(xù)航性能惡劣。因此，有效、高效地獲取準確的鋰離子電池健康狀態(tài)(state of health,soh)對于電池的容量衰減程度和老化程度的評估具有至關重要的必要性。

4、當前，電池健康狀態(tài)定義具有多種傳統(tǒng)形式，它通?？梢杂扇萘?、內(nèi)阻、功率等參數(shù)隨使用周期的變化來定義，這常需要完整的充電或放電作為支撐。其中，基于容量的定義是最為主流的定義方法，它被描述為電池實際容量與額定容量的百分比。然而，實際電動汽車充電中完全放盡電量和完全充滿電量均是很少見的充電行為，導致傳統(tǒng)定義形式難以實際應用。

5、在傳統(tǒng)定義方法受限的背景下，各類估計方法不斷涌現(xiàn)，主要包括基于模型的方法和數(shù)據(jù)驅(qū)動的方法?；谀Ｐ偷姆椒ㄊ峭ㄟ^構(gòu)建電池模型來模擬電池性能衰退。然而，其依賴于精準的機理和數(shù)學模型，計算量龐大且復雜，導致在實際中適用性差。數(shù)據(jù)驅(qū)動的方法是通過借助機器學習和統(tǒng)計工具建立電池健康狀態(tài)和老化特征之間的映射關系。然而，其在實際任務中的部署和表現(xiàn)受到數(shù)據(jù)質(zhì)量、計算資源、模型解釋性以及過擬合等方面的限制。

技術實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法及系統(tǒng)，通過搜索最優(yōu)充電片段對實際可測量數(shù)據(jù)進行特征篩選，基于篩選的特征數(shù)據(jù)重新定義電池健康狀態(tài)，實現(xiàn)在實際復雜工況中對電池老化程度進行有效、高效評估。

2、在一些實施方式中，采用如下技術方案：

3、一種最優(yōu)電壓片段搜索方法，包括：

4、獲取鋰離子電池在某一單次循環(huán)中的充電數(shù)據(jù)，對數(shù)據(jù)進行預處理后進行二維曲線重組；所述充電數(shù)據(jù)包括充電電壓和充電量；

5、利用滑動窗口對重組后的二維曲線數(shù)據(jù)進行窗口劃分，計算每個窗口中的平均斜率，選取平均斜率最小的窗口作為最優(yōu)充電片段。

6、在另一些實施方式中，采用如下技術方案：

7、一種基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法，包括：

8、定義最優(yōu)充電片段中在充電量方向上的跨度作為特征容量；

9、選取鋰離子電池初始投入使用時期前k個循環(huán)的充電數(shù)據(jù)，采用上述的最優(yōu)電壓片段搜索方法確定每個循環(huán)的最優(yōu)充電片段，確定初始特征容量；

10、獲取當前循環(huán)的充電數(shù)據(jù)，采用上述的最優(yōu)電壓片段搜索方法確定當前循環(huán)的最優(yōu)充電片段，確定當前特征容量；

11、將當前特征容量與初始特征容量的百分比值作為電池健康狀態(tài)，進而實現(xiàn)電池健康狀態(tài)評估。

12、在另一些實施方式中，采用如下技術方案：

13、一種基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估系統(tǒng)，包括：

14、最優(yōu)電壓片段搜索模塊，用于獲取鋰離子電池在某一單次循環(huán)中的充電數(shù)據(jù)，對數(shù)據(jù)進行預處理后進行二維曲線重組；所述充電數(shù)據(jù)包括充電電壓和充電量；利用滑動窗口對重組后的二維曲線數(shù)據(jù)進行窗口劃分，計算每個窗口中的平均斜率，選取平均斜率最小的窗口作為最優(yōu)充電片段；

15、初始特征容量確定模塊，用于選取鋰離子電池初始投入使用時期前k個循環(huán)的充電數(shù)據(jù)，通過最優(yōu)電壓片段搜索模塊確定每個循環(huán)的最優(yōu)充電片段，確定初始特征容量；其中，定義最優(yōu)充電片段中在充電量方向上的跨度作為特征容量；

16、當前特征容量確定模塊，用于獲取當前循環(huán)的充電數(shù)據(jù)，通過最優(yōu)電壓片段搜索模塊確定當前循環(huán)的最優(yōu)充電片段，確定當前特征容量；

17、健康狀態(tài)評估模塊，將當前特征容量與初始特征容量的百分比值作為電池健康狀態(tài)，進而實現(xiàn)電池健康狀態(tài)評估。

18、在另一些實施方式中，采用如下技術方案：

19、一種終端設備，其包括處理器和存儲器，處理器用于實現(xiàn)指令；存儲器用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行上述的基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法。

20、在另一些實施方式中，采用如下技術方案：

21、一種計算機可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執(zhí)行上述的基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法。

22、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

23、(1)實際應用中得不到完整的充電循環(huán)，甚至說實際中的充電行為是碎片化的，因此需要在碎片充電數(shù)據(jù)中提取可靠的特征。本發(fā)明通過最優(yōu)電壓片段搜索方法，確定每個循環(huán)的最優(yōu)電壓片段，最優(yōu)電壓片段便是從碎片充電數(shù)據(jù)中提取的可靠的特征，提取到的最優(yōu)電壓片段與電池老化息息相關，并且尺寸很小，容易提取。

24、(2)相較于現(xiàn)有的電池健康狀態(tài)傳統(tǒng)定義方法，如基于容量的定義、基于內(nèi)阻的定義、基于功率的定義等，本發(fā)明將當前特征容量與初始特征容量的百分比值作為電池健康狀態(tài)，僅需提取充電片段的特征容量便能確定電池健康狀態(tài)，不需要額外的數(shù)據(jù)處理和復雜的計算過程，提高了方法的適用性；

25、本發(fā)明中重新定義的電池健康狀態(tài)，既不需要完整的充電或放電過程作為支撐，也不需要限制特定的充電或放電協(xié)議(比如恒流、恒壓等)，僅憑借可直接測量的參數(shù)數(shù)據(jù)便可在有限的充電片段中獲取電池健康狀態(tài)，能夠?qū)崿F(xiàn)在實際復雜工況中對電池老化程度進行有效、高效評估。

26、本發(fā)明中重新定義的電池健康狀態(tài)，不涉及任何建模工作，在計算成本、計算效率和實際部署難度上存在先進性；相較于基于容量的定義方法，本發(fā)明重新定義的健康狀態(tài)與其具有相同趨勢，相關系數(shù)高于0.9；且本發(fā)明方法計算難度和復雜度低、抗干擾能力強，能夠依托于鋰離子電池日常實際數(shù)據(jù)進行電池老化程度評估。

27、(3)相較于基于模型的電池健康狀態(tài)估計方法，如經(jīng)驗模型、等效電路模型、電化學模型等，本發(fā)明利用重新定義的電池健康狀態(tài)進行電池健康狀態(tài)評估，既不需要建立復雜的數(shù)學模型或等效模型，也不需要深入了解鋰離子電池電化學原理，也不需要進行復雜的參數(shù)辨識，大幅降低了計算量。

28、(4)相較于數(shù)據(jù)驅(qū)動的電池健康狀態(tài)估計方法，如高斯過程回歸、長短期記憶神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等，本發(fā)明利用重新定義的電池健康狀態(tài)進行電池健康狀態(tài)評估，既不需要開展復雜、苛刻的特征工程，也不需要考慮機器學習算法可解釋性差、計算成本高、易過擬合等缺陷，也不需要大量高質(zhì)量標簽數(shù)據(jù)作為支撐，僅對健康狀態(tài)進行重新定義就能評估電池老化程度。

29、本發(fā)明的其他特征和附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本方面的實踐了解到。

相關知識

基于充電稀疏大數(shù)據(jù)的電池系統(tǒng)綜合健康狀態(tài)評估方法技術方案
一種基于深度學習的鋰電池健康狀態(tài)評估方法
電池健康狀態(tài)檢測系統(tǒng)及方法與流程
電動汽車動力電池健康狀態(tài)評估方法與流程
電池管理系統(tǒng)里的電池健康評估和壽命預測
基于動態(tài)工況模型誤差特征的動力電池健康狀態(tài)估計方法
電池管理系統(tǒng)SOH算法揭秘：如何精準評估電池健康
電池健康狀態(tài)實時監(jiān)測和智能管理方法及系統(tǒng)
基于電芯熱失控風險檢測的多維參數(shù)評估系統(tǒng)及方法與流程
=退役鋰離子電池健康狀態(tài)評估方法【鉅大鋰電】

網(wǎng)址: 基于最優(yōu)電壓片段搜索的電池健康狀態(tài)評估方法及系統(tǒng) http://www.u1s5d6.cn/newsview1388195.html