[发明专利]数据驱动与电化学机理结合的电池SOH自动估计方法及设备

说明书

本发明涉及一种数据驱动与电化学机理结合的电池SOH自动估计方法及设备，包括以下步骤：获取每个电池单体的电流、端电压和温度信息，计算每次充电周期内的IC曲线、DV曲线、电压曲线和温度差分曲线；在相同充放电模式的循环周期内，分别提取各曲线的关键点序列；基于各曲线的关键点序列及对时间序列的回归，获得SOH相关指标组；基于预先离线获取的指标权重及所述SOH相关指标组，得到各电池单体的最终SOH估计SOH_i；根据各电池单体的SOH_i，结合单体的SOH平均水平和分布差异，获得整个电池簇的最终SOH估计。与现有技术相比，本发明具有有效、准确等优点。

技术领域

本发明涉及电池SOH估计技术领域，尤其是涉及一种数据驱动与电化学机理结合的电池SOH自动估计方法及设备。

背景技术

电池老化过程中复杂的电化学机理使得SOH(State Of Health，指蓄电池容量、健康度、性能状态)在线监测技术的发展更具挑战性。虽然可以通过离线测试和在线识别算法来评估电阻增长问题，但容量衰减的检测仍在很大程度上依赖于实验室测量和离线分析。电池单体的SOH已经形成一些有效方法，主要分为以下几种：

(1)从SOH的定义出发，直接测量法通过测量电池容量、循环次数的方式估算，这种方法可以获得准确的SOH估计，但很难在线应用。

(2)确定电池容量衰减的一种传统且最常用的方法是基于OCV-SOC曲线。但是，它需要在低速率下对蓄电池进行完全充电或放电，或在整个范围内的SOC水平下经过长时间的松弛后测量开路电压。这两种方法都需要耗时的测试，因此不适用于现场操作数据的实现。基于OCV直接对电池单体进行SOH诊断存在困难。锂离子的嵌入和脱嵌仅在很窄的电压范围内发生。所有电压平台都位于临界电压范围内并重叠，而电压容易受到测量噪声的影响。所有这些因素导致了大多数锂电池化学的OCV曲线的特征难以直接观察。当前很多在线SOH估计方法综合利用或者单独提取IC、DV、DT曲线的关键特征点，如峰值、面积、斜率来构建健康因子(集合)，利用离线寿命试验获取的SOH数据，建立离线SOH估计模型。然后，在线进行单个循环的使用的健康因子的提取，利用建立好的离线SOH估计模型计算得到在线的SOH估计值。这些方法建立在被观测电池单体与离线模型所使用的单体性能一致的假设前提下，然而，虽然IC、DV、DT被证明是分析电池容量衰减的有效工具，但由于这些曲线上的所有峰值都位于V-Q曲线的电压平台区相对平坦，对测量噪声比较敏感，较小的测量误差会引起峰值极大的变化。此外，由于电池工艺一致性的差异，使得单纯依赖离线模型来进行在线SOH估计往往并不可靠。

(3)估计容量损失的另一种方法是基于计算的分析方法，包括增量容量分析(ICA)、差分电压分析法(differential voltage analysis，DVA)和差分温度(differential temperature，DT)分析法。通过区分蓄电池充电容量(Q)和终端电压(V)，ICA转换充电/放电电压(V-Q)曲线上的电压平台，该平台将石墨阳极分段，形成增量容量(IC)曲线上清晰可识别的dQ/dV峰值。ICA的概念来源于对嵌锂过程和相应阶段现象的研究。ICA的优势在于检测生命周期试验期间电池行为的逐渐变化，其灵敏度高于基于传统充放电曲线的灵敏度，并产生与电化学特性相关的电池行为的关键信息。DVA方法通过离线构建电池外特征(主要是差分电压曲线中的关键特征点)与老化之间的关系，建立回归模型，以在线估计其老化信息。这些技术需要进行离线的寿命实验，建立不同电芯、不同充放电模式和工况下的老化库，并建立健康因子与SOH的回归模型，在线使用时找到对应的回归模型进行在线SOH的估计。

(4)以卡尔曼滤波、粒子滤波及其改进算法为代表的自适应滤波算法对于解决电池非线性复杂系统状态估计问题非常适用，但需要建立电化学模型来拟合电化学过程，模型中的各种参数的辨识决定了模型能力。但卡尔曼滤波、粒子滤波等滤波方法过于依赖电池状态模型，而恰当的电池退化状态空间模型在实际中往往不易得到。