首页 > 资讯 > 一种用于动力电池健康状态预测的特征参数集测试方法与流程

一种用于动力电池健康状态预测的特征参数集测试方法与流程

泰然健康网
2025-06-09 14:33

本技术涉及动力电池健康状态快速检测，具体公开了一种用于动力电池健康状态预测的特征参数集测试方法。

背景技术：

1、当前，电动汽车中广泛使用的动力电池面临退役问题。随着使用年限增长，电池内部可能出现腐蚀、活性物质脱落、电解液分解或挥发等现象，导致性能下降，影响设备效能并可能引发过热、短路等安全隐患。因此，退役动力电池的性能评估至关重要，以确定电池是否适合再利用于储能系统或需报废处理，这对资源利用和环境保护意义重大。

2、目前，电池寿命检测主要依赖容量测试和内阻测试。前者耗时长，后者虽快捷但精度不足。随着大数据和机器学习技术的发展，基于这些技术的预测方法正成为新趋势，能够显著降低测试时间和成本，同时提高寿命预测的准确性。通过构建数学模型，有效预测电池性能衰退趋势，为电池的再利用和安全回收提供科学依据。

3、但同样的，模型的训练需要大量的数据和与电池性能相关的特征参数来优化模型，提高模型的准确性。这些特征参数可以是电池的充放电速率、工作温度范围、充放电深度、使用频率等基本参数，还可以是电压曲线的变化、内阻变化、温度梯度、电池内部化学成分的变化等数据。合理的特征参数选择能够更全面地反映电池的实际运行状态，从而提高模型的预测精度。此外，多样化的特征参数有助于模型更好地适应不同的应用场景和环境条件，增强模型的泛化能力，并能揭示电池性能衰退背后的深层次机制。

4、总之，特征参数的选择是构建高效、准确的动力电池寿命预测模型的关键步骤。通过科学合理地选取和处理这些参数，不仅可以显著提升模型的预测性能，还能为电池的高效再利用和安全回收提供更加科学的依据。

5、在电池性能检测中，直流内阻和交流阻抗是两个关键参数。这些参数能够提供关于电池健康状态的重要信息，尤其是对于退役电池来说，通过阻抗测试可以有效评估电池的老化程度，并为进一步构建电池健康状态(soh)的预测模型提供基础数据。此外，从收集到的阻抗特性数据中筛选并确定具有代表性的特征参数，对于确保模型的准确性至关重要。

6、直流内阻常通过混合脉冲功率特性(hppc)测试计算得出，而交流阻抗则通过电化学阻抗谱(eis)技术进行测量得出。

7、hppc测试作为动态测试手段，主要用于评估动力电池的脉冲充放电性能，特别是电池的功率密度和能量密度。测试从满电状态开始，通过在不同放电深度(dod)下进行脉冲放电和充电，来评估电池的瞬态响应能力。测试流程通常包括快速放电和充电脉冲，以及在脉冲之间的静置时间，以确保电池达到电化学和热平衡状态。采集得到的hppc测试数据经分析计算后，可提取充/放电欧姆内阻、充/放电极化内阻、回弹电压、压降等特征参数，这些特征参数无明确定义，依靠主观判断；

8、eis测试作为一种静态测试手段，探测电池在不同频率下的交流阻抗特性。eis测试的结果通常在nyquist图或bode图上表示，能够反映出电池的电化学动力学过程。谱图主要包括三个区域，高频区(＞1khz)主要反映的是电池的电子传导和电解质电阻；中频区(1khz到1hz)主要反映的是电荷转移阻抗和sei膜电阻；低频区(＜1hz)主要反映的是扩散过程。通过弛豫时间分布(drt)对谱图进行分析以获取交流阻抗特征参数，drt分析将阻抗数据从频域转换至时域，提取各个电化学过程的弛豫时间常数(τ)，以此反映这些过程的响应速度，并提供关于电池内部电化学过程的详细信息。如时间常数(τ)确定峰位置，量化电池内部特定动力学过程的弛豫时间，即系统从非平衡状态恢复到平衡状态所需的时间尺度；半峰宽反映阻抗分布的分散程度；峰高反映阻抗分布的强度；峰面积反映阻抗分布的总量。

9、直流内阻测试的优点在于其实现简单快速，适用于现场测试和电池管理系统(bms)集成。然而，它只能提供电池的部分信息，无法详细区分电池内部的不同电化学过程；此外，直流内阻测试结果可能会受到温度和电池充放电状态的影响。交流阻抗测试则提供了更为详细的电池内部信息，能够区分电池内部的各种电化学过程，有助于电池内部机制的理解。随着电池老化，内部阻抗会发生变化，eis测试可以进一步反映出电池的健康状态，揭示电池内部可能存在的问题区域，如活性物质脱落、电极材料退化等；

10、现有的方法往往形成单一参数依赖，如内阻、容量等，而忽略了其他可能影响电池健康状态的重要参数。此外，这些方法通常停留在表面参数的测量，未能深入理解和分析电池内部的老化状态及机制，也未进行全面的阻抗量化处理；

11、本方法综合了直流内阻和交流阻抗数据，充分考虑了测试环境影响，在不同温度条件和荷电状态下，全面采集相关数据，提取一组关键特征参数集用于数据建模。这些特征参数能够更全面地反映电池的健康状态，为退役动力电池的性能评估、再利用和安全回收提供了更加科学和可靠的依据。

技术实现思路

1、本方法立足电化学角度，解决以往特征参数覆盖不全的局限性，综合两种阻抗特性，通过分析并量化电池内部阻抗状态，提取关键特征参数，确保建模数据的有效性和可靠性。

2、为了达到上述目的，本发明提供以下基础方案：

3、一种用于动力电池健康状态预测的特征参数集测试方法，包括以下步骤：

4、特征参数提取和特征参数集形成；

5、特征参数提取，包括以下步骤：

6、a01：eis数据处理：对同一批次同一类型不同soh老化程度的动力电池进行eis中频区间测试，获取电池的交流阻抗数据；

7、a02：对eis图谱进行drt分析，提取峰特征情况作为特征参数；

8、a03：hppc数据处理：对不同soh的动力电池进行hppc测试，获取电池的直流内阻数据；

9、a04：提取单次脉冲数据，计算特征参数；

10、a05：对多条件下的eis和hppc实验测试；

11、特征参数集形成，包括以下步骤：

12、b01：数据处理软件、识别移除异常值、移除之前检查值的背景和保留依据；

13、b02：标准化处理、特征选择f1、特征提取f2和特征组合f3；

14、b03：选择基准模型、选择验证指标和特征筛选验证。

15、本基础方案的原理及效果在于：

16、1.与现有技术相比，特征参数覆盖面广且深入，通过提取多种特征参数，本方法提供了更全面的电池内部性能状态信息。这些参数涵盖了电池的阻抗特性、电压响应和时间常数等多个方面。通过综合分析这些多维度的特征参数，本方法能够得到高质量的特征参数集，用于电池健康状态的快速预测。

17、2.与现有技术相比，提高测试效率，eis聚焦中频区间测试，不同于以往的全频率采集，减少了不必要的测试时间，提高了测试效率。中频区域的数据主要反映了电池内部的电荷传递过程和电极/电解质界面的特性，且相较于高频和低频，中频受到外部干扰的影响较小，更能准确反映电池内部的真实状态。同时，中频采集步长设置为40，不同于常规的10，提升测试数据的准确性和可靠性。

18、进一步，所述eis中频区间在1khz至1hz。

19、进一步，所述多条件下的eis和hppc实验测试包括温度测试和荷电状态测试；

20、温度测试：在-20℃、25℃和55℃三个温度点进行测试，以评估电池在低温、常温和高温环境下的性能；

21、荷电状态测试：在10％至100％ soc范围内，每隔10％进行一次测试，以评估电池在不同荷电状态下的性能。

22、进一步，在步骤b01中，识别移除异常值从eis测试和hppc测试中提取到的所有特征参数以xlsx格式呈现，使用基于python的pandas、numpy及scikit-learn等算法库下的基本数据处理方法，将特征数据处理为读取效率高的npz格式。

23、进一步，箱型图中基于数据的四分位数(q1、q2、q3)来构建箱体，箱体包含了中间50％的数据，上下延伸到一定倍数的四分位距(iqr＝q3-q1)范围内的数据点，将小于q1-1.5*iqr或大于q3+1.5*iqr的数据点视为异常值，直接从数据集中删除这些异常值点，识别并移除异常值后，若当前列的异常值比例小于5％，则利用均值填充、中位数填充、前向填充、后向填充或插值法进行合适填补，若比例大于等于5％直接删除含有大量缺失值的样本，确保数据的完整性。其中，如果数据是正态分布，多使用均值填充；如果数据有较多的偏斜，多使用中位数填充。

24、进一步，采集eis数据时电池所处的环境条件，如温度是否异常(与设定值偏离＞5℃)、设备是否正常工作(设备未发生异常，测试过程未中断)等，若由这类因素所产生的异常值的存在需要重新采集数据。

25、进一步，标准化处理选择了z-score标准化的方法，其计算公式为z＝(x-μ)/σ，μ是数据集的平均值，σ是标准差。

26、进一步，选择基准模型：使用支持向量机(svm)等模型，基于特征提取和特征选择所构建的最终特征，进行模型预测。通过对预测值和真实值进行精度对比分析构建特征的合理性。

27、进一步，选择验证指标：评价指标以自定义的accratio为主，衡量的是预测值与真实值之间的相对偏离程度，确保模型预测尽可能贴近实际数据。accratio越大表明预测值与真实值之间的偏离越小，即模型的预测精度越高。公式：

28、

29、其中，yi表示第i个样本的真实值，表示第i个样本的预测值，n表示样本总数。accratio的范围在(0,1]之间，值越大预测效果越好，当预测值完全准确时，分数趋向于1，预测偏差大时，分数会逐渐减小。

30、进一步，使用svm等模型，分别对f1、f2、f3三类特征进行模型预测，通过对预测值和真实值进行精度对比分析，得到最优特征列组合。