[发明专利]基于优化多因子的动力锂离子电池健康状态在线估计方法

说明书

本发明涉及了一种基于优化多因子的动力锂离子电池健康状态在线估计策略，解决目前电动汽车动力电池在充电过程中其健康状态在线估计精度不高的问题。主要包括以下步骤：1：设置不同因子下的约束条件，以最小估计误差为目标函数，通过遗传算法动态寻找优化充电电压片段U_A^’‑U_B^’；2：在优化充电片段U_A^’‑U_B^’的基础上，将充电电量、充电时间、电池内阻这三个因子对电池健康状态估计的影响作归一化处理，分别求出各因子对应的健康状态H_i1、H_i2、H_i3。3：基于最小二乘法优化权重系数，计算综合健康因子H_i。

技术领域

本发明涉及了一种基于优化多因子的动力锂离子电池健康状态在线估计方法，属于电力技术领域。

背景技术

准确评估动力锂离子电池的健康状态对确保电池的安全性和可靠性至关重要。但是在电动汽车实际使用中，由于实际工作条件复杂，放电过程受用户行为影响较大，不确定性突出，不利于电池健康状态的准确评估。但是充电阶段是可控的，并且充电电压以及电流数据是可以保留的，因此在充电过程估计电池健康状态更为可靠。

目前的估计方法一般为分为数据驱动和等效电路模型这两类，其中数据驱动是基于经验模型、阿伦尼乌斯容量老化模型等，估计精度不高；而基于电池等效电路模型的估计方法大多依据欧姆内阻与电池健康状态之间的近似线性关系，将欧姆内阻作为评估电池健康状态的关键技术指标，但是在动力电池长期的健康评估中容易出现参数不匹配、估计误差较大的情况。此外，虽然极化电容和极化阻抗等参数可以帮助提高电池健康的估计精度，但是这类参数的精确机载测量需要在特定条件下进行额外的实验,这在电动汽车的实际推广中难以实现，而且这可能会对电池造成不必要的额外损坏。

发明内容

为提高电动汽车动力电池充电过程的估计精度，本发明提供了一种基于优化多因子的动力锂离子电池健康状态在线估计方法。

其基本步骤包括：

步骤S1：在电动汽车的实际使用过程中，充电很少出现满充满放的情况，考虑用户实际电池充电的范围，根据电池OCV-SOC曲线选择合适的电压片段，85％U_N对应的SOC约为30％，95％U_N对应的SOC约为90％，考虑所提策略的实用性，因此预先设置优化电压的边界为85％U_N～95％U_N。

又考虑到不同开路电压片段下电池内阻估计精准度不同，而SOC在60％～80％所对应的电压片段内的电池阻抗特性变化比较平缓，内阻估计的误差较小，可以提高电池健康状态的估计精度，而其他电压片段下的电池内部化学反应更为剧烈，阻抗特性变化更加不稳定，会导致电池健康状态的估计也不准确。

此外，若充电电压片段太窄，则对应所充入的电量过少，则该因子估计的电池实际容量的鲁棒性不高；若充电电压片段范围太宽，则该因子在实际用车条件下的适用性不强。综上所述，设置充电电压的边界条件如下：

在确定电压边界条件后，通过遗传算法寻找优化充电片段。首先排序训练集内电池序号i＝1,2,3...,n，每一个电池在第k个充放电循环的实际容量为C_1k,C_2k,...,C_nk，充电电压片段对应的充电容量为由于两者之间具有很强的线性相关度，可以利用最小二乘法对两者进行线性拟合，拟合公式如下。

式中k_i,b_i分别表示线性拟合的斜率和截距。

取训练集中n个电池的平均斜率和平均截距，