[发明专利]一种恒流充电下的在线SOH和RUL监测方法

说明书

本发明公开了一种恒流充电下的在线SOH和RUL监测方法，涉及新能源技术领域，包含以下步骤：步骤1、数据采集，使用传感器设备对LIB充放电运行过程进行检测，提取LIB充放电过程中电压、电流、时间数据时间；步骤2、特征提取；步骤3、构建基于神经网络的SOH/RUL预测模型；本方法主要运算为加法，避免了传统的计算方法中涉及到大量除法而导致运算量大、运算速度慢的问题。

技术领域

本发明涉及新能源技术领域，特别是涉及一种恒流充电下的在线SOH和RUL监测方法。

背景技术

新能源和可再生能源作为应对温室气体的排放和传统化石能源的高度依赖的主要对策备受关注。随着未来工业革命的发展，新能源在全球能源结构转型中扮演着十分重要的角色。LIB的普及是促进碳中和从而应对气候危机的有效解决方案。由于具有循环寿命长、自放电少、能量密度大、重量更轻、锂密度高、快速充电特性等优点，LIB不仅占据着便携式电子产品和可穿戴式设备的市场，而且在新能源汽车、固定式储能市场和智能电网也有广泛应用。

LIB存在许多问题在使用过程中。LIB的管理不当会导致电池过度充放电、热失控、过热、电池不平衡等关键问题。LIB的故障会导致其性能下降，甚至经济损失和人员伤亡。例如，新能源汽车的热失控传播是由于电池起火或爆炸等异常引起的。三星曾因Galaxy Note7锂离子电池故障引发多起爆炸，从而召回250万部Galaxy Note 7并且损失了约170亿美元。在航空航天领域，任务失败的一个重要原因就是电池系统故障。因此，电池的安全性和可靠性是首要的考虑因素。预测和电池有效的电池健康管理在安全、可靠性和性能上起着至关重要的作用。BMS的功能包括电压电流SOC等信号的采集、热管理和安全管理系统、健康状态诊断及剩余使用寿命预测等。SOH、RUL的现实估计和实时反馈是BMS的至关重要的问题。通过对SOH和RUL的精确估计，我们不仅可以得到电池老化条件，还可以得到关于荷电状态估计的有价值的指导。

电量增量分析法在统一的电压尺度下对电池的充放电数据进行分析，解决了实际应用中直接对电压电流数据进行分析时时间尺度难以统一、健康特征难以构建的问题。同时，电量增量分析法也从电化学机理的角度考虑了电池的老化问题，能够反映电池内部电化学特性的变化。用电量增量分析法对电量与电压关系曲线求导得到的曲线为电量增量(IC)曲线。为了获得清晰平滑的曲线，需要对原始IC曲线进行滤波，传统计算方法得到的原始IC曲线存在较大的波动，即使是对原始曲线进行滤波，也难以获得令人满意的结果。基于传统计算方法得到的IC曲线具有噪声大、结果不稳定的特点，这为后期数据处理带来了极大的挑战，同时也为电池健康问题的分析增添了不确定因素。

数据驱动的方法依赖于实验数据，不依赖于特定的模型，不需要了解电池内部老化机理和反应过程，不需要复杂的电化学模型，可以根据系统内部的变化自动调整内部参数。是利用机器学习或者智能算法从大量的电池老化数据或者实时监测的信息(电压、电流、温度等)中挖掘电池老化参数，进行SOH/RUL估计。数据来源于直接测量如(电阻、电压、电流等)或者处理过的特征参数如(dQ/dV的差值等)。目前基于数据驱动方法中，一类方法是基于锂电池容量和内阻数据进行SOH估计和RUL预测，但由于实际应用中LIB的容量和内阻难以在线测量，该方法不能用于在线SOH估计和RUL预测。另一类方法是从电池、电流、电压和温度的曲线中提取可以在线测量的间接健康因子，来表征锂离子电池的老化过程来实现LIB的SOH在线估计和RUL在线预测。有些数据驱动方法结构复杂，采集数据较多，成本高。基于数据的方法的局限性在于它们需要大量不同工况下的电池数据，并且经过多次训练得到的模型仅在特定工况下有效。此外，如何简单、快速地从LIB的运行曲线中提取一些有用的信息来建立估计模型，仍然是当前待解决的问题。

发明内容

本发明的目的在于提供一种恒流充电下的在线SOH和RUL监测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种恒流充电下的在线SOH和RUL监测方法，包含以下步骤：