[发明专利]一种基于灰色神经网络的锂电池健康状态估计方法

说明书

本发明公开了一种基于灰色神经网络的锂电池健康状态估计方法。本发明方法步骤是：分别对电池进行恒流放电和脉冲放电，记录恒流放电过程中电池容量数据和电池脉冲放电过程的电池端电压和放电电流；分析电池端电压特性，在Simscape中搭建三阶RC模型作为电池等效电路模型；通过电池模型自动估计电池内阻抗参数；构建一个灰色理论与神经网络相结合的电池健康状态估计模型，根据所记录的电池内阻抗参数以及电池容量来训练这个模型；用模型进行电池容量估计，从而计算电池的SOH。本发明的方法能够适应电池电化学体系的高度非线性特征，具有数据运算量小、需求样本数据少、预测精度高等优点。

技术领域

本发明属于锂电池技术领域，涉及一种基于灰色神经网络的锂电池健康状态估计方法。

背景技术

与传统的电池相比较，锂离子电池充电更快，使用更持久，同时具有更高的功率密度，能够以更轻便的体积提供更长的电池续航能力。但是所有可充电电池都是消耗品，寿命有限。随着电池充放电周期次数的增加，电池的化学年龄不断增长，电池能够储存的电量将有所下降，导致电池的使用时间逐渐缩短，从而影响电池的正常工作。所以能够对电池SOH进行准确估计就可以及时为产品更换电池以确保产品性能及安全。

电池SOH值不能像电压、电流、温度等特性一样直接测量，只能通过间接方式计算得出。目前国内外已实现多种SOH估计的方法，主要有：(1)直接放电法：让单体电池实际放电一次，测试放出的容量，并通过电池健康状态的定义对电池SOH进行估算，该方法只是用于离线测试，且放电时间长，操作不方便；(2)内阻法：通过建立内阻与SOH之间的关系来估算SOH，然而电池内阻量级在毫欧级别，很难准确测量；(3)电化学阻抗分析：向电池施加多个不同频率的正弦信号，然后运用模糊理论对己采集到的数据进行分析，但是该方法需要通过采集大量的数据来分析电池的特征参数，而且实验设备成本较高；(4)模型法：通过分析电池内部所发生的化学反应来建立电池的模型，然后通过模型计算电池容量的衰减，来得出电池的SOH，这种方法需要大量的实验，实验量大，耗时较长；(5)数据驱动法：通过实验获得电池的充放电数据，对数据进行分析并从中提取可以反映电池健康状态的电池特征参数来进行电池SOH的估算，该方法比较简单，不用考虑电池内部的物理和化学特性，但估计精度受监测数据准确度的影响。

发明内容

本发明得目的就是克服现有技术的不足，提供一种基于灰色神经网络的锂电池健康状态估计方法，该方法结合模型法与数据驱动法的优势来对电池的健康状态进行估计，计算量少，估计的准确度也较高。

本发明方法的具体步骤是：

步骤(1).在恒定温度下进行电池充电放电循环老化实验，充放电阶段分别为：

(1-1)充电：先将电池恒流充电达到其充电截止电压，再恒压充电至充电电流下降至设定值时停止充电，认为此时为满电状态；设定值为15～30mA；

(1-2)放电：

(A)对满充的电池施加1C的放电速率放电s1，然后休息s2，重复这一过程，直到电池达到其截止电压时停止放电过程，记录放电总时间长度为S，总时间长度为放电时间和休息时间的总和；s1＝30～90s，s2＝30～90s；

(B)每间隔s3秒记录一次电池放电过程中的电池端电压和放电电流其中m取整数；s3＝20～40s；

(C)计算电池放出的总容量q＝I×S×50％；

(1-3)老化循环试验:老化循环试验包括循环n次的电池满充和脉冲放电，目的是使电池容量退化为原来的60％～80％；记录下n次实验中n个电池容量Q＝{q₁,q₂,…,q_n}和n组电池端电压V₁,V₂,…,V_n与n组放电电流I₁,I₂,…,I_n，建立电池老化数据库。