一种基于恒流充电过程的车用动力电池容量在线估计方法

摘要

本发明涉及一种基于恒流充电过程的车用动力电池容量在线估计方法，包括以下步骤：1)建立电池恒流充电训练数据集：2)电池充电特征与容量离线数据训练：21)选取与电池容量相关的恒流充电曲线特征作为电池的老化特征，并进行归一化处理，形成训练数据集；22)对训练数据集进行离线训练，建立电池容量离线估计模型；3)在线电池容量估计：31)在电池实际充电过程中在线获取恒流充电曲线特征；32)根据电池容量离线估计模型，结合当前电池的恒流充电曲线特征，进行动力电池容量的在线估计，最终获得动力电池容量。与现有技术相比，本发明考虑了电池的多个老化相关特征，并结合数据驱动模型，使得容量估计精度高，算法适应性强。

说明书

技术领域

本发明涉及电动汽车储能电池领域，尤其是涉及一种基于恒流充电过程的车用动力电池容量在线估计方法。

背景技术

目前，为了推进国内汽车制造业的发展，实现整车电动化与清洁化，国内整车厂商、研究机构以及高校都在大力发展电动汽车以及进行相关技术的研究。无论是纯电动汽车还是混合动力汽车，动力电池都是其主要动力源。常见的动力电池有锂离子电池，镍氢电池等。

电池容量是表征电池性能的一个重要参量，一般定义为电池在“满充”状态转移到“放空”状态的过程中所转移的电荷量。从整车级别考虑，电池容量的大小对电动汽车的续驶里程起决定性因素；从动力电池系统角度考虑，系统中很多算法的实现都需要以准确的电池容量作为输入。无论是哪种电池在使用过程中，其总容量会随着时间、使用工况以及使用环境等因素呈非线性衰减。不准确的电池容量将会给电池管理系统算法的建立与实现造成困难，进而对驾乘人员造成困扰。

常规的离线容量标定方法在实际应用中存在较大的误差，难以适应复杂的电动汽车行驶工况以及环境温度。目前常见的电池容量估计方法有基于荷电状态(State ofCharge,SOC)的电池容量估计方法，基于容量增量法的容量估计方法以及基于数据驱动的容量估计方法等。基于SOC的电池容量估计方法主要是根据SOC与电池容量的关系，通过构造相应的滤波器来估计电池容量，其估计精度一般取决于SOC的估计精度以及电流的测量精度。基于容量增量法的估计方法则是将平缓的电池充电曲线转换为更为直观的容量增量曲线上的峰或谷，通过对峰或谷进行分析可以估计电池容量，并且可以借助其变化从机理上分析电池的老化。但是该种方法对充电过程的电流较为苛刻，且数据处理过程中容量增量曲线抖动较大，进而影响估计的精度。近年来，随着电动汽车大数据的发展以及一些智能算法的兴起，基于数据驱动的电池容量算法正逐渐成为容量估计研究的热点。通过获取电池充放电过程的一些特征，如电池工作电流，电池温度等，并结合一些学习算法进行离线数据训练，进而能够获得用于在线容量估计数据驱动模型。目前该方法的问题主要在于，选取的特征较为单一，且在选择没有考虑与电池老化的相关性，从而会导致算法训练难度加大且估计精度下降。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于恒流充电过程的车用动力电池容量在线估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于恒流充电过程的车用动力电池容量在线估计方法，包括以下步骤：

1)建立电池恒流充电训练数据集：

11)根据电池推荐工作环境温度以及充放电电流确定电池的测试矩阵，以测试矩阵进行循环充放电测试，并在测试过程中记录电池的充放电电流、电池端电压以及电池温度；

12)间隔设定的充放电循环次数后进行电池容量标定测试，并将标定的电池容量作为离线训练的输出；

2)电池充电特征与容量离线数据训练：

21)选取与电池容量相关的恒流充电曲线特征作为电池的老化特征，并进行归一化处理，形成训练数据集；

22)对训练数据集进行离线训练，建立电池容量离线估计模型；

3)在线电池容量估计：

31)在电池实际充电过程中在线获取恒流充电曲线特征；

32)根据电池容量离线估计模型，结合当前电池的恒流充电曲线特征，进行动力电池容量的在线估计，最终获得动力电池容量。

所述的步骤21)中，恒流充电曲线特征包括电池温度T₁、电池电流T₂、设定电压之间的充电时长T₃和充入容量T₄以及静置阶段的最小曲率半径T₅。

所述的步骤12)中，通过非线性关系式拟合得到每个充放电循环过程的电池容量。

采用双指数模型进行拟合，则有：

C＝a·e^b·k+c·e^d·k

其中，C为电池容量，a、b、c和d分别为拟合参数，k为电池的循环次数。

所述的步骤21)中，根据充电时长和充入容量与电池容量的相关系数选取设定电压，相关系数越大则相关性越强。

所述的步骤22)中，通过k近邻算法、支持向量机算法、相关向量机算法、神经网络模型方法进行数据训练与学习。

所述的步骤22)中，电池容量离线估计模型为：

y^*＝μ^Tφ(x^*)

(σ²)^*＝(σ²)mp+φ(x^*)^TΣφ(x^*)

其中，y^*为估计电池容量，μ^T为后验概率的均值，该参数中有很多项为0，体现了本方法的稀疏性，φ(x^*)为由核函数构成的相关向量，Σ为后验概率的协方差，(σ²)^*为噪声方差，(σ²)^mp为停止迭代时对应的噪声方差，为恒流充电曲线特征集合，上标*表示实际充电过程。

与现有技术相比，本发明具有以下优点：

本发明的电池容量在线估计方法，以标准化的电池恒流充电过程中的充电曲线为基础并选取电池温度、电池电流、设定电压之间的充电时长和充入容量以及静置阶段的最小曲率半径作为表征电池容量衰减的特征，结合数据驱动算法，实现电池容量估计，与以往单一因素的估计方法相比，全面地考虑了电池的多个老化相关特征，使得容量估计精度高，算法适应性强。

附图说明

图1为本发明的方法流程图。

图2为电池在循环充电过程的容量衰减示意。

图3为电池充电过程中特征示意图。

图4为基于恒流充电过程的电池容量估计方法的估计结果，其中，图(4a)为电池容量与循环次数的估计结果，图(4b)为容量估计误差与循环次数的估计结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提供一种基于恒流充电过程的车用动力电池容量在线估计方法，该方法基于离线测得的数据集进行学习训练，然后用于电池的在线容量估计，本例中给出用于对锂离子动力电池进行在线容量估计。

以下，将参考附图1详细地解释本发明的优选实施例。

S1，根据电池推荐工作环境温度以及充放电电流确定电池测试矩阵，以规定好的测试矩阵进行循环充放电测试，测试过程中需要记录电池的充放电电流、电池端电压以及电池温度。

步骤S1中，本实施案例中所使用的电池为三元锂离子电池，实际应用中并不限于此。该款电池的推荐充电温度为0～45℃，最大充电电流为1C(C为电流倍率)，充电截止电压为4.2V。为了提高估计精度，需要进行尽可能多的循环充放电测试。本实例中电池测试矩阵如表1所示。为了加快测试进程，放电过程中均为1C电流。

表1电池测试矩阵

在充放电测试中需要采集电池的充放电电流、电池端电压以及电池温度，采集频率至少在1Hz以上。

电池的充电过程一般是标准的，目前常规的电池充电方式为恒流-恒压(ConstantCurrent-Constant Voltage，CC-CV)充电方式，即以恒定的电流充电至截止电压，然后保持电池电压不变减小电流继续充电。由于CV过程耗时较长且充入容量较短，故在加速电池老化的充放电循环中，充电过程只采用CC充电。

S2，间隔一定充放电循环进行电池容量标定测试，标定的电池容量作为离线训练的输出。

步骤S2中，间隔次数可以取电池生命周期的20％或以下。例如某款电池在循环400次之后电池容量衰减到初始容量的80％以下，那么我们认为该电池目前的状态不再适合于作为动力电池，故除了第一次对电池进行标定之外，需至少每隔80次再次对电池进行容量标定。本实例中选取每隔50次进行电池容量标定。

步骤S2中，为了获得对电池容量的一个统一的评价，电池的容量标定试验均在25摄氏度下以0.5C的电流进行充放电测试得到，充电过程选用标准的CCCV充电模式，放电选用恒流放电。

步骤S2中所进行电池容量标定结果如图2所示，从中可以看出电池的容量衰减是呈非线性的。由于电池容量标定不是在每个充放电循环中都进行的，故需要对间隔50个循环的电池容量进行拟合。根据衰减的规律，可以采用指数型或者幂型函数来拟合电池的容量衰减。本实例中选用双指数经验模型来拟合电池在各个循环下的容量衰退情况。双指数经验模型如下：

C＝a·e^b·k+c·e^d·k

其中，C为电池的容量；a、b、c和d分别为相应的参数；k为电池的循环次数。拟合结果如图2中的虚线所示，可以看出拟合效果理想。

S3，选取与电池容量相关的恒流充电曲线特征，如电池温度、电池充电电流、特定电压区间内的充电时长等作为电池的老化特征，并进行特征数据归一化处理。

电池在循环过程中所处的环境温度、电池的充放电电流均会影响到电池的老化，故电池温度、电池充电电流可以作为影响电池在老化过程中充电曲线的特征。

在电池充放电截止电压范围内，电池充电时长会随着电池老化程度的增加而依次降低，电池充电容量也会随着电池老化程度的增加而依次降低，故可以将恒流阶段的充电时长以及充入容量作为电池在老化过程中充电曲线的特征。进一步扩展，由于电池在充电过程可能不是从“放空”状态充电至“满充”状态，故可以考虑选择合适电压区间内的充电时长以及充入容量。选择方式可以通过比较特征与电池容量之间的相关系数。相关系数越大，则表明该电压区间充电时长以及充入容量在电池老化过程中与电池容量衰减最相关。

在步骤S3中，恒流充电至4.2V若停止对电池充电，则电池端电压会发生缓慢的下降，实验表明，在恒流阶段后的静置阶段中，电压曲线的弯曲程度会随着电池老化而变化。电池容量越小，电压曲线越弯曲。

步骤S3中，本实例所选取的五个恒流充电过程的特征如图3所示，分别为T₁～T₅，其中T₃和T₄的特定电压区间可以通过分析该特征的变化与容量衰减的相关性确定。需要对特征T₁～T₅进行归一化处理。

S4，选取合适的数据驱动算法对数据集进行离线训练，得到离线电池容量估计模型。

步骤S4中，需要建立步骤S3中的电池充电曲线特征与步骤S2中拟合得到的电池每个循环下的容量的关系，训练出可用于电池容量在线估计的模型。常见的训练学习算法有k近邻算法、支持向量机算法、相关向量机算法和神经网络模型等。相关向量机算法因其基于贝叶斯理论，能够利用自相关判定理论来移除不相关的样本点，从而得到稀疏化模型，便于在线使用。本实例中选用相关向量机进行数据训练。

步骤S4中，给定输入-输出数据集为N为训练样本数，输入输出之间满足的非线性概率模型为：

其中ω＝(ω₀,ω₁,...ω_N)为权重向量，K(·)为核函数。本实例中使用的核函数为径向基函数。

步骤S4中，可设计矩阵Φ＝[φ(x₁),φ(x₂),...,φ(x_N)]^T，其中φ(x_n)＝[1,K(x_n,x₁),K(x_n,x₂),...,K(x_n,x_N)]。那么在已知权重和噪声方差σ²的基础上，可得输出t＝(t₁,t₂,...t_N)^T的概率密度分度为：

步骤S4中，可通过引入超参数的方式来对权重向量增加一定的约束，在ω上定义一个满足高斯分布的零均值先验分布：

步骤S4中，超参数α和噪声方差σ²的解析解可以通过迭代估计的方法求得，迭代如下：

式中，Σ为后验概率p(ω|t,α,σ²)的协方差，Σ＝(σ^-2Φ^TΦ+A)^-1,其中A为由超参数α₀到α_N构成的对角矩阵；μ为后验概率的均值，μ＝σ^-2ΣΦ^Tt。

步骤S4中，通过上述的迭代，可以发现部分超参数会趋于一个很大的值，则意味着该向量的权重值趋向于0，对估计结果的影响可以忽略。在迭代过程中可将趋向于0的向量舍去，达到稀疏化矩阵的目的。当相邻两次迭代之间的超参数或者噪声方差变化很小时便可停止迭代，设此时的超参数和噪声方差分别为与(σ²)^mp。与(σ²)^mp即可用于在线容量估计。

S5，在电池实际充电过程中在线获取步骤S3中的电池充电曲线特征。

步骤S5中，实际车载应用中，电池管理系统需时刻采集电池的相关数据，确定本次充电过程的曲线特征为需要注意的是，若步骤S3中对数据进行归一化处理之后再进行数据训练，此处也需要进行归一化处理。

S6，根据步骤S4建立的离线电池容量估计模型，并结合步骤S5得到的当前电池充电曲线特征，进行动力电池的容量在线估计。

步骤S6中，需要借助步骤S4中训练得到的与(σ²)^mp结合x^*进行容量估计，为：

y^*＝μ^Tφ(x^*)

(σ²)^*＝(σ²)^mp+φ(x^*)^TΣφ(x^*)

式中y^*即为估计得到的电池容量。

步骤S6中，根据上述电池充电曲线特征以及学习算法，估计得到的电池容量结果如4所示。从中可以看出，电池循环老化50个循环以后，容量估计结果稳定在0.05Ah内，相对误差在2％以内，估计精度高。

综上所述，本发明的一个实施例是可行的，并且估计结果与实验数据误差较小,该实施例也体现了本发明是可行且有用的，可用于电动汽车电池容量的在线估计，从而能够实时地获取电池的健康状态。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所做的举例，而并非是对本发明的实施方式的限定。本领域内的技术人员可以在本发明主要思想内做其他变化，这些所引申出的显而易见的变化，都应包含在本发明所要求保护的范围内。