[发明专利]基于机器学习的锂电池健康状态及荷电状态联合估算方法

说明书

本发明涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，确定电池型号，根据充放电过程的明细数据，拟合V‑SOC曲线；建立锂电池等效电路模型；对一个充放电周期内的电压回弹特性曲线的曲线进行参数辨识，得到机器学习模型；开机时进行一次初始化测试操作；对该周期内的电压回弹曲线进行拟合，得到当前电池欧姆电阻和极化电阻，同时测量环境温度、在存储芯片中读取电池充放电循环数据，计算其电池健康状态SOH；以辨识得到的欧姆电阻、极化电阻、极化电容和最大可用容量更新模型参数，运用UKF或EKF算法估算电池荷电状态SOC，在储存芯片中记录SOC值。本发明具有状态方程参数即时更新、对寿命影响因素考虑全面、参数多次使用、节省计算资源等特点。

技术领域

本发明属于锂电池管理系统状态估算技术领域，具体涉及一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。

背景技术

随着全球不可再生能源逐渐告急和全球温室效应逐渐加重，各国都在寻求可持续发展且节能环保的新能源技术。新能源汽车作为一种节能环保的交通工具，得到人们的关注，电动汽车上的动力电池对电池管理系统有着高能量密度、高安全性、充电快等特性等要求；风电光伏产业在发电市场中逐渐占有更高的比重，而由于其消纳问题较为突出，需要配置容量大、效率高的电池储能系统。以上两种锂电池的应用场景都对电池储能系统的管理系统性能提出较高的要求：不仅需要对电池组的电量进行及时精确的估算及均衡，避免电池单体过充过放现象出现，保证电池安全可靠地工作，还需要对达到报废标准的电池即时进行提示，帮助工作人员进行精准的更换工作而不是整组报废，使电池组的电池能力充分发挥并延长寿命。

电池管理系统是锂电池储能系统开发中最重要的环节。电池荷电状态用来表征电池的剩余电量，即剩余电量与额定容量的百分比，该变量不能直接从电池本身获得，只能通过测量电池的外特性参数(如电压、电流等)间接估计得到。但由于锂电池内部复杂的电化学反应导致电池特性呈现为非线性，使电池荷电状态的计算难度很大。电池的健康状态定义为当前最大可用容量与初始最大可用容量的比值。随着电池使用时间增加，电池会逐渐衰老，出现内阻增大、电池容量衰减等现象。电池容量衰减的原因复杂，涉及到的因素较多且变化缓慢。目前尚没有一个精确的衰退物理模型。

在现有方法中，扩展卡尔滤波、无迹卡尔曼滤波等用于处理非线性问题的非线性卡尔曼滤波被广泛使用。在使用这些算法时，会事先对同型号新电池进行测试实验，在每次以一定充放电速率对电池进行充电后静置半小时以上，然后测量其开路电压，以此得到SOC与开路电压的关系曲线；目前的方法中，在仅估算荷电状态时认为容量不变，而进行健康及荷电状态联合估算时认为其容量仅与等效内阻有关。但是实际上，随着电池的循环使用次数和环境因素的不同，电池容量与其内阻的关系会发生变化，电池的最大可用容量也在发生变化。如果不及时对这些变化作出参数的调整，电池荷电状态和健康状态的估算误差会变的越来越大。

发明内容

为解决现有技术中存在的问题，本发明的目的在于提供一种基于机器学习的锂电池健康状态及荷电状态联合估算方法。本发明对电池的荷电状态及电池健康状态进行联合估算，建立并训练BP神经网络，兼顾循环使用次数、环境温度、电池欧姆内阻、极化内阻等参数对电池容量的影响，并实时对电池荷电状态估算中的状态方程参数进行实时更新。该发明对于整个电池状态的全面、精确预测具有重大意义。

本发明采用以下技术方案，一种基于机器学习的锂电池健康状态及荷电状态联合估算方法，具体步骤如下：

(1)确定储能系统采用的电池型号及出厂参数，通过对该型号的全新电池进行循环充放电测试，得到充放电过程和老化过程的明细数据，并拟合其V-SOC曲线；

(2)根据步骤(1)得到的的V-SOC曲线建立合适的锂电池等效电路模型；