發(fā)明涉及動力電池安全，具體是指新能源汽車動力電池系統(tǒng)健康狀態(tài)估計領域，尤其涉及多個動態(tài)工況下放電的動力電池健康狀態(tài)估計方法。

背景技術：

1、隨著汽車大規(guī)模普及和使用，汽車保有量越來越高。與此同時，燃油汽車尾氣排放對大氣的影響也越來越嚴重。隨著世界各國對環(huán)保問題越來越重視，發(fā)展新能源汽車已經成為國家節(jié)能減排戰(zhàn)略及發(fā)展低碳經濟的重要戰(zhàn)略手段。鋰離子電池作為一種清潔的儲能技術，也成為電動汽車最具發(fā)展前景的候選電池之一。雖然鋰電池具有能量密度高、工作溫度范圍寬的優(yōu)勢，但容量和功率方面的性能會隨著使用時間的增長而逐漸惡化。更嚴重的是，電池老化還可能導致電解液泄漏和微小短路，這可能造成電池故障并引發(fā)熱失控，從而導致災難性事故發(fā)生。因此，為了確保電動汽車的可靠運行，并避免此類事故的發(fā)生，具有監(jiān)測電池soh功能的電池管理系統(tǒng)的作用至關重要。

2、鋰電池soh評估方法可以根據不同的分類標準分為多個類別。例如，基于模型的預測方法利用物理、化學和電學原理來建立電池的數學模型，通過對模型參數進行估計，預測電池的soh。這些方法可以用于研究電池在不同工作條件下的性能，并提供對電池soh的量化評估。數據驅動方法、隨機技術、統(tǒng)計方法和自適應方法等都屬于基于數據的方法，將這些方法歸類于數據驅動類別，數據驅動方法主要通過處理大量現(xiàn)場測試數據來推斷電池的健康狀況，使用統(tǒng)計分析、機器學習和人工智能等技術，從數據中提取特征并構建soh預測模型。混合方法將相同或不同類型的方法結合在一起的方法?；旌戏椒ńY合了基于模型的方法和數據驅動方法的優(yōu)點，既能夠準確地描述電池的物理行為，又能夠利用大量測試數據進行校正和改進。這些方法可以使用模型和數據之間的互補性來提高預測精度。

3、在電動汽車應用中，開發(fā)一種簡單有效的電池健康狀態(tài)監(jiān)測系統(tǒng)是一項重要任務?，F(xiàn)有的電池soh估計方法通常選擇電池在恒流或恒壓充放電階段的數據進行特征提取和建模，這對數據質量的要求很高。然而，由于用戶給電池充電行為的隨機性以及電池快速充電的策略不同，加之電動汽車實際運行過程中，一般涉及多種工況放電，導致電池的充放電特性多變，存在很強的工況不確定性。因此，如何從動態(tài)放電工況的數據中提取出合理有效的健康指標，仍然是解決動態(tài)工況下鋰電池soh評估的關鍵。

技術實現(xiàn)思路

1、為解決現(xiàn)有技術的不足，本發(fā)明提供基于動態(tài)工況模型誤差特征的動力電池健康狀態(tài)估計方法，基于電池老化狀態(tài)與模型電壓誤差的相關關系，從四種動態(tài)工況的模型電壓誤差中提取健康特征，構建多個動態(tài)工況下的soh估計模型，模型具有良好的精度和泛化性能。

2、本發(fā)明為實現(xiàn)上述目的，采用以下技術方案：

3、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，其特征在于：包括以下步驟：

4、s1、采用thevenin模型構建電池模型；

5、s2、電池模型的參數辨識；

6、s3、采用誤差面積作為估計電池的老化特征；

7、s4、采用動態(tài)工況的電流均值作為工況特征；

8、s5、采用融合特征描述電池老化前后的差異；

9、s6、建立融合特征與電池soh之間的經驗模型。

10、作為本技術方案的進一步限定，所述s1中電池初始循環(huán)的電池模型，如式(1)、(2)、(3)所示：

11、                                （1）

12、                 （2）

13、                           （3）

14、式中：下標 k為第 k個采樣時刻； ut為電池端電壓； uoc為開路電壓； z為電池荷電狀態(tài)； up為極化電壓；系數 a0~ a6由離線ocv實驗確定；δ t為采樣間隔； il為電池工作電流，取放電為正。

15、作為本技術方案的進一步限定，所述s2中，采用遺傳算法對電池初始老化點的內部參數進行參數辨識，利用thevenin等效電路模型建立電池解析模型時，待辨識參數包括開路電壓ocv、歐姆內阻 ro、極化內阻 rp和極化電容 cp，其中ocv與 soc之間的關系通過增量法ocv測試獲得， ro、 rp和 cp與 soc之間的關系則是通過對hppc測試數據參數辨識獲得。

16、作為本技術方案的進一步限定，所述s3中，將各老化點下的動態(tài)工況測試數據輸入到電池模型中，得到模型的電壓誤差，提取各個老化點下不同工況的誤差面積作為老化特征，所述誤差面積的計算公式為：

17、    （4）

18、式中， sv為放電電壓積分， uerror為端電壓誤差， tend為 soc到達0.5的時間。

19、作為本技術方案的進一步限定，所述s4中，提取動態(tài)工況放電測試的電流均值作為反映動態(tài)工況差異的工況特征，所述電流均值的計算公式為：

20、       （5）

21、式中，為放電電流均值， t為一個放電周期的時間，i(t)表示電流隨時間變化的函數， tend為動態(tài)工況放電時間。

22、作為本技術方案的進一步限定，在所述s5中，所述融合特征的計算方式為：

23、采用二次多項式擬合，對初始老化點四種動態(tài)工況的誤差面積和電流均值進行二次多項式擬合，擬合關系式如下：

24、      （6）

25、式中： x為初始老化點電流均值， y為初始老化點誤差面積， k 0- k 2為多項式系數， i為動態(tài)工況；

26、采用融合特征描述電池老化前后的差異，計算公式為式：

27、                         （7）

28、式中： f為融合特征， j為不同老化點。

29、作為本技術方案的進一步限定，在所述s6中，建立融合特征與電池soh之間的經驗模型，其中，采用遺傳算法辨識模型的參數，采用基于雙指數函數的經驗模型來描述soh和融合特征之間的相關性，如式(8)所示：

30、                      （8）

31、式中：soh為健康狀態(tài)， f為融合特征， b1~ b4為模型待辨識參數，e為指數。

32、對比現(xiàn)有技術，本發(fā)明的有益效果在于：

33、1、本方法所建立的soh估計模型，可以在工況不確定性的情況下對電池的soh進行精確估計；

34、2、本方法所建立的動力電池soh估計模型能夠利用老化特征和工況特征融合后的特征估計電池soh，模型具有良好的精度；

35、3、本方法所建立的動力電池soh估計模型不需要大量數據進行訓練，僅利用幾個老化點的數據就能獲得較高估計精度，計算量小。

相關知識

健康狀態(tài)評估
《電動自行車用鋰離子電池健康評估工作指引》解讀
工信部將公布電動自行車用鋰電池健康評估網點
基于人體姿態(tài)識別的自重健身輔助教練系統(tǒng)、方法、終端
工信部擬進一步加強電動自行車用鋰離子電池健康評估工作
某廠生產的某種型號電池，其壽命長期以來服從方差σ2=5000的正態(tài)分布。今有...
工信部：擬建立科學、準確、簡便的鋰離子電池健康評估流程和判定規(guī)則
探究面向智能制造的工業(yè)機器人健康評估方法
基于機器視覺的智能魚群健康狀況監(jiān)測系統(tǒng)
生態(tài)環(huán)境健康風險評估.docx

網址: 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 http://www.u1s5d6.cn/newsview561907.html