首页 > 资讯 > 一种动力电池健康状态估计方法与流程

一种动力电池健康状态估计方法与流程

泰然健康网
2025-08-09 04:52

本发明涉及动力电池技术领域，具体涉及一种动力电池健康状态估计方法。

背景技术：

锂离子动力电池广泛用于电动汽车、电动工具、基站备用电源等领域。电池健康状态(soh)作为电池管理系统中最重要的参数之一，反映了电池因环境温度、充放电截止电压、充放电倍率、充放电深度、搁置状况和运行工况导致的老化情况。电动汽车自燃、爆炸等一系列事故都是因为对电池健康状态监测不到位。因此，精确掌握电池组soh，可以保证电池组的充放电性能，提高电池荷电状态估计精度，为其自身的检测与诊断提供依据，避免一些不必要的故障和事故。

针对电池健康状态检测，目前常用的方法有：

(1)电池健康状态定义法：该方法根据电池健康状态的一种定义中，电池当前容量比上标称容量为电池健康状态，在电池充满电后放电至截止电压，从而准确计算出电池的当前容量，其缺点是实验周期长，且额外的放电过程降低了电池的使用寿命。

(2)电池阻抗分析法:阻抗分析法采用单一频率的交流信号来测量锂电池的soh，需设计信号发生电路对锂电池输入不同频率的信号，采集反馈信号并计算电池内阻大小，根据电池容量的内电阻与电池健康状态关系求解电池健康状态，该方法准确，其缺点是需要增加信号发生电路的硬件检测电路，信号的注入会对电池产生噪声影响；

(3)循环次数折算法：根据电池循环次数估计电池寿命的方法，建立电池满充满放循环次数与电池健康状态的对应关系，其缺点是电池在汽车上使用的时候每次充放电深度都不一样，难以建立循环次数与电池健康状态的对应关系，难以在实际中应用。

(4)基于电池等效电路模型的估计算法：该算法在得到电池等效电路模型的基础上，利用卡尔曼滤波、粒子滤波等方法估算电池健康状态，其缺点是电动汽车中电池组内单体电池数量较多，且串并联在一起，导致电池组的等效电路模型复杂，难以建立准确的等效模型。

为了克服上述方法的缺点，公告号为cn106569136a“一种电池健康状态在线估计方法及系统”发明专利提出一种电池健康状态在线估计方法及系统，该方法选取电池充放电过程中电池内电量变化与开路电压变化的比值的最大值处的电压点作为参考点，参考电压点附近选取两个电压v1+和v1-，获取电池在开路电压或恒流工况下的端电压从v1+变化到v1-这一过程电池内容量的变化值，然后对获取的变化值进行滤波，并将滤波后的变化值记录为ct，将电池的实际容量记录为ca，建立电池容量的线性模型，表达式为：ca＝a*ct+b。虽然该方法可以实现在线估计电池健康状态，但是实际的容量模型是非线性的，所以此方法的估计结果会出现较大误差。

技术实现要素：

本发明所要解决的是现有电动汽车动力电池健康状态估计难以实现和精度不高的问题，提供一种动力电池健康状态估计方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种动力电池健康状态估计方法，包括步骤如下：

步骤1、对电池样本进行循环充放电试验，采集每一次循环的电压、电流和时间数据；

步骤2、建立充电过程电池电压与电池荷电状态的关系曲线，通过对电池电压与电池荷电状态的关系曲线求导得到容量增量曲线，并根据容量增量曲线得到曲线的峰值及峰值位置数据；

步骤3、将容量增量曲线的峰值和峰值位置作为输入特征，电池健康状态作为输出，建立rbf神经网络模型；

步骤4、将所有循环充放电试验得到的峰值、峰值位置和电池健康状态矩阵作为训练数据集，并利用粒子群算法训练步骤3所建立的rbf神经网络模型，得到结构和参数都确定的rbf神经网络模型；

步骤5、在实际使用中，采集待估计电池当前充电数据，即电压、电流和时间数据，并在此基础上得到待估计电池当前峰值及峰值位置数据；将待估计电池当前峰值及峰值位置作为输入，并利用步骤3所确定的rbf神经网络模型即可在线估计电池健康状态。

上述步骤1中，以恒流方式对电池进行循环充。

上述步骤2中，需要对求导得到增量曲线进行滤波后得到平滑的容量增量曲线，并在平滑的容量增量曲线上通过比较得到峰值和峰值位置数据。

与现有技术相比，本发明具有如下特点：

1、通过实验所得数据离线建立soh估计的rbf神经网络模型，实车上可以利用所得模型实现soh在线估计；神经网络拟合性能强，估计电池健康状态精度较高；

2、不需要建立电池等效电路等效模型，解决难以建立整体电池组等效电路模型的问题，可以对单体健康状态进行估计，在均衡效果较好的电池管理系统中也可以实现电池组健康状态整体估计。

附图说明

图1为一种动力电池健康状态估计方法的整体流程图。

图2为电池恒流充电过程中电压平台v-q关系曲线示意图。

图3为电池恒流充电过程中容量增量曲线示意图。

图4为rbf神经网络模型的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

一种动力电池健康状态估计方法，如图1所示，其具体包括步骤如下：

步骤1：采集电池循环充放电老化实验电压、电流、时间。所述电池循环充放电老化实验以恒流方式进行充放电。

对电池进行循环充放电试验，采集每一次循环的电压v、电流i、时间t数据,直至循环结束。电池循环充放电停止条件是：以容量定义的电池健康状态低于80％。所述以容量定义的电池健康状态表达式为：

soh＝ci/c0*100％

式中，ci为动力电池当前最大可用容量，c0为动力电池标称容量。

步骤2：选用充电过程的数据估计电池健康状态，建立充电过程电池电压v与充电容量q的关系曲线，在此基础上，求出容量增量曲线峰值及峰值位置数据。

步骤2-1：利用恒流充电过程采集的数据计算电池充电容量q，建立电池电压v与q的对应关系曲线，如图2所示。

电池充电容量为：

qk+1＝qk+ikδt

式中，qk+1为当前电池容量，qk为前一次电池容量，ik为前一次采样的电流，δt为采样时间间隔。

步骤2-2：从建立的v-q关系曲线中，选取q/ci范围为0.3～0.8区间的曲线作为求解容量增量曲线的原曲线，通常情况下，电动汽车充电过程中，很容易得到这个范围的数据。

步骤2-3：对步骤2-2得到的v-q曲线求导，即由dq/dv得出容量增量曲线。容量增量曲线能够将锂离子动力电池充电过程中不明显的电压平台凸现出来，其峰值会随着电池的健康状态降低而变小且向电压增大方向移动，所以峰值(pvmax)和峰值位置(ppmax)可以当做估计锂离子动力电池健康状态的特征参数。

由于上述步骤求得的容量增量曲线有较大噪声，经过滤波算法得到平滑的容量增量曲线(该滤波算法不限于均值、低通、卡尔曼、小波等滤波算法)，如图3所示。之后，在平滑的容量增量曲线上，通过比较可以得到峰值pvmax(即纵坐标最大值)和峰值位置ppmax(即峰值所对应的横坐标)作为表征电池健康状态的特征因素。

步骤3：将容量增量曲线峰值pvmax和峰值位置ppmax作为输入特征，电池健康状态soh输出，建立容量增量曲线峰值、峰值位置与soh的rbf神经网络模型。所述的rbf神经网络模型结构已经确定，权值参数尚未确定。

rbf神经网络是一种具有输入层、单隐含层、输出层的三层前馈网络，其模型如图4所示，映射关系为，：

其中，x＝[x1,x2,...,xn]t是输入样本；f(x)是输出向量；φi(x)是第i个隐层基函数；ω0为常量1的权值，ωi为第i个基函数权值；k是隐层基函数的中心个数；zi是第i个一层高斯函数的中心；δi是第i个基函数的宽度。

步骤4：粒子群算法训练rbf神经网络模型，通过最优化方法确定神经网络模型中未定的权值参数，得到结构和参数都确定的rbf神经网络模型。所述rbf神经网络模型训练数据集为所有循环充放电试验得到的峰值、峰值位置矩阵以及soh矩阵。

粒子群算法是一种优化算法，为求解rbf神经网络模型参数提供最优解，具体实现方法是：随机初始化一群粒子，根据对个体和群体的飞行经验的综合分析来动态调整粒子群的速度，在解空间中进行搜索，通过迭代找到最优解。迭代过程中，粒子通过跟踪个体极值pbest和全局极值gbest来更新自己。假设在d目标维搜索空间中，有m个粒子组成一个群，第i个粒子位置表示为xi＝(xi1,xi2,...,xid),1≦i≦m，其相应的速度表示为vi＝(vi1,vi2,...,vid)。则各粒子的速度和位置的更新公式如下：

其中，k为当前迭代次数，是第i个粒子d维分量在第次迭代的速度位置，为第i个粒子d维分量在第k次迭代的位置，pid是第i个粒子在第k次迭代中第d维的个体极值点的位置，pgd是整个群体d维的全局极值点的位置；c1和c2为非负常数加速因子，ω(k)为惯性权重，调节对解空间的搜索能力，rand()为随机函数，取值范围是[0，1]，增加搜索随机性。

步骤5：在实际使用中，采集电池当前充电数据，如步骤2计算容量增量曲线峰值、峰值位置作为输入，利用已经确定的rbf神经网络模型即可在线估计电池健康状态。

本发明公开一种粒子群rbf神经网络的电动汽车动力电池健康状态估计方法，由采集电池恒流充电的电池电压v、电流i、时间t求得充电容量q，建立v-q关系曲线、容量增量曲线峰值及峰值位置信息获取、rbf神经网络建立、粒子群算法训练rbf神经网络模型、利用已经生成的rbf神经网络估计电池健康状态几个步骤组成。本发明在不需要建立电动汽车动力电池等效电路的情况下，通过数据驱动的方式建立恒流充电的容量增量曲线峰值、峰值位置与电池健康状态的映射关系，提高估计精度，实现在线实时估计，可以实现电池组整体估计。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。