一种基于动态贝叶斯网络的锂电池健康状况估计方法

摘要

本发明涉及一种基于动态贝叶斯网络的锂电池健康状况估计方法。现有方法不能满足在线检测要求，并且精度差。本发明首先通过老化实验获得大量训练数据，据此针对多种电池健康状况训练出相应的动态贝叶斯网络模型。在实时估算阶段，每隔一段时间进行一次电池电压数据的采集，并通过前向算法递归计算出该电压序列所属的动态贝叶斯模型，从而准确估算电池将康状况。本发明方法可以方便地进行电池健康状况实时估计，计算速度快，估计准确。

主权项

一种基于动态贝叶斯网络的锂电池健康状况估计方法，其特征在于该方法的具体步骤是：步骤一：训练数据的获得，具体包括以下过程：(1)对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i只电池，首先以0.4C的恒定电流对其进行充电至截止电压V_max后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压V_min，记录放电时间Td_i，计算该电池的实际容量为Q_i＝1C×Td_i，并计算实际容量Q与标称容量Q_n的比率η_i＝Q_i/Q_n，其中i＝1,2，……，B；(2)将上述(1)中的第i只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电，每隔1分钟记录一次电池电压，直至充电至充电截止电压V_max，，其中第k次的电压为V_k；记录总的充电时间为Tc_i小时，计算第k次记录时电池的荷电状态为其中k＝1,2，…，60Tc_i；(3)对SOC_k和V_k分别进行离散化归档处理：将电池荷电状态从0％～100％分成M档，第m档的范围为其中m＝1,2,…,M，并根据SOC_k的值将其归入相应的分档；将电池电压从V_min到V_max分成N档，第n档的范围为${\mathrm{Vc}}_n[V_{\min }+\frac{V_{\max }-V_{\min }}{N}(n-1),V_{\min }+\frac{V_{\max }-V_{\min }}{N}n),$其中n＝1,2,…，N，根据V_k的值将其归入相应的分档；(4)根据η_i的值对上述(1)中的电池进行C类分类，当η_i≤80％时归为第0类，η_i>80％时，归入第类，定义电池的健康状况为SOH＝100％×c/(C‑1)，其中c＝0,1,2,…,C‑1；并将其相应的SOC_k和V_k分档结果归入该类电池的训练数据；(5)重复上述充放电过程至所有电池的实际容量均小于标称容量的80％，记录并归档所有的测量数据；步骤二：依据上述每一类电池c的训练数据，构建该类健康状况的电池的动态贝叶斯网络模型，具体过程如下：(1)构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC₀在M档分档中均匀分布，m＝1,2,…M；由此形成M个初始概率，组成初始概率向量Π＝(π_m)；(2)计算SOC状态转移概率a_mp：$a_{\mathrm{mp}}=\frac{P({\mathrm{SOC}}_k\in {\mathrm{Sc}}_m,{\mathrm{SOC}}_{k-1}\in {\mathrm{Sc}}_p,\forall k)}{P({\mathrm{SOC}}_{k-1}\in {\mathrm{SOC}}_j,)}=\frac{\underset{k}{\Sigma }\#({\mathrm{SOC}}_k\in {\mathrm{Sc}}_m,{\mathrm{SOC}}_{k-1}\in {\mathrm{Sc}}_p)}{\underset{k}{\Sigma }\#({\mathrm{SOC}}_{k-1}\in {\mathrm{SOC}}_p)}$其中表示任意前后两个采样时刻电池SOC分别处于第p档和第m档的概率，#表示满足条件的所有样本个数；由此形成M²个状态转移概率，组成状态转移矩阵A＝(a_mp)，其中m＝1,2,…M,p＝1,2,…M；(3)计算混淆概率b_nm：$b_{\mathrm{nm}}=\frac{P(V_k\in {\mathrm{Vc}}_n,{\mathrm{SOC}}_k\in {\mathrm{Sc}}_m,\forall k)}{P({\mathrm{SOC}}_k\in {\mathrm{Sc}}_m)}=\frac{\underset{k}{\Sigma }\#(V_k\in {\mathrm{Vc}}_n,{\mathrm{SOC}}_k\in {\mathrm{Sc}}_m)}{\underset{k}{\Sigma }\#({\mathrm{SOC}}_k\in {\mathrm{Sc}}_m)}$其中表示在任意采样时刻SOC处于第m档而电压处于第n档的概率；由此形成N×M个状态转移概率，组成混淆概率矩阵B＝(b_nm)；(4)重复上述模型构建过程，直至所有C类模型全部构建完毕；步骤三：实时估算同类型电池的健康状况，具体过程如下：(1)在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样T时刻后便可以得到一长度为T的电压观察序列(V₁′,V₂′,……,V_T′)，其对应的电压分档为(2)对第c类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率P(V₁′,V₂′,……,V_T′|c)：(a)递归计算局部概率α_k(j)，其中α_k(j)表示k时刻电池SOC处于第j档的概率；k＝1时，利用初始概率向量和混淆概率矩阵计算局部概率:${\alpha }_1\left(j\right)={\pi }_j{b}_{{\mathrm{jc}}_1}$k>1时，利用k‑1时刻的局部概率递推计算k时刻的局部概率：${\alpha }_k\left(j\right)=\underset{i=1}{\overset{n}{\Sigma }}\left({\alpha }_{k-1}\left(i\right)a_{\mathrm{ij}}\right)b_{{\mathrm{jc}}_i}$(b)观察序列的概率等于T时刻所有局部概率之和：$P({V_1}^{\prime },{V_2}^{\prime },......,{V_T}^{\prime }|c)=\underset{j=1}{\overset{n}{\Sigma }}{\alpha }_T\left(j\right)$(3)选取上述步骤中P(V₁′,V₂′,……,V_T′|c)最大的类别c_opt作为最终的健康状况类别，即$c_{\mathrm{opt}}=\underset{c}{\arg }\max P({V_1}^{\prime },{V_2}^{\prime },......,{V_T}^{\prime }|c),$给出对应的健康状况：SOH＝100％×c_opt/(C‑1)。