电池的健康状态诊断装置和方法与流程

文档序号:12886291
电池的健康状态诊断装置和方法与流程

本发明涉及一种对电池的健康状态(或称劣化状态)进行诊断的装置和方法。



背景技术:

电池在数字化社会中的用途越来越广泛。尤其在对排放和尺寸要求较苛刻的领域,电池往往是不可替代的。

电池的电能依靠其内部的电化学反应来产生,随着电池的充放电过程的反复,电池内部的电解液会与正负极材料发生化学反应,这个过程不是完全可逆的。随着不断地充放电,电池内部结构会发生不可逆转的变化,如电解液结晶化、挥发或漏出,电池内部结构破坏,正负极材料被腐蚀等,称之为电池健康状态(SOH,State Of Health)的劣化。这种劣化会降低电池的供电能力,同时会降低电池的稳定性和安全性,如局部结晶化(发生在电池负极板上的硫酸盐结晶化称为“硫化”)导致电池局部内阻增大,使电池在充放电时局部过热,引起自燃甚至爆炸。此外,电池温度过高可能会导致结构膨胀,从而引起电解液泄露等。

在某些应用场景中,如航空工业,电池的安全性水平比电池的经济性水平更加重要。如2013年波音787客机就曾因辅助动力电池起火事故导致飞机紧急迫降。

电池的原理和结构特点导致在生产过程中很难保证其性能和质量的一致性,这使得即使是同一型号同一批次的电池的电气特性和劣化特性也会有细微的不同。甚至,部分电池在生产时会有质量缺陷,如电解液里的气泡,电解质不均匀等,这些缺陷往往体现在劣化特性上,在出厂测试中并不会被发现,在电池日常使用一段时间之后才会显露。这样的特点使得同一批次电池的劣化经验往往不能完全通用,必须对每块电池单独进行劣化建模。

由于电池内部的电化学反应具有很强的非线性,不同的充放电过程对电池的劣化将有不同的影响,实验室中的充放电测试设定很难完全模拟实际应用时的充放电模式,因此实验室中的寿命试验不能完全体现实际应用时的电池劣化规律。

电池的劣化在电池的使用过程中是不可避免的,因此为了提前预知电池的寿命周期以及时更换新电池,以及为了在电池的全寿命周期中最大化地发挥其作用,同时保证电池的安全水平,必须对电池在实际应用中的健康或劣化状态进行实时监控。

同时,电池的劣化特性与电池的电气特性息息相关,如作为电池劣化指标之一的开路电压,也是重要的电气特性参数之一,对电池劣化特性的获取可以有助于电池电气特性的计算。

为监控电池的健康状态,人们提出了各种方法。例如,专利文献1提出了一种利用电池的开路电压来估计电池劣化状态的方法。随着电池的劣化,电池的开路电压将会下降。根据历史充放电数据建立电池的使用累计时间和开路电压之间的近似函数关系,基于该函数关系计算电池的开路电压等于某个值时其使用累计时间,以此表征电池的健康状态。

专利文献2提出了一种根据充放电电流的累积值来计算电池劣化状态的方法。首先基于实验数据建立电池的劣化状态与电池的充放电电流累积值之间近似正向的关系,即充放电电流累积值越大,则电池劣化越恶劣,然后基于该关系,以实际的充放电电流累计值为输入来计算电池的劣化状态。

然而,在专利文献1的技术中,电池的开路电压不仅仅和电池的SOH相关,也和电池的荷电状态(SOC,State of Charge)相关,因此欲消除SOC的干扰,必须首先建立一个电池SOC和开路电压之间的关系或模型,用此模型来计算同一个SOC时不同SOH下的开路电压,然后才能建立开路电压和电池SOH的关系。然而电池在不同SOH时,其SOC和开路电压之间的关系或模型本身也是变化的,这时又首先必须获取电池的SOH,问题陷入循环。所以只能在某个环节上进行近似假设,这使得SOH的计算精度有限。

并且,该方法只能计算当前时刻电池的SOH,不能对电池在将来 时刻的SOH进行预测。

在专利文献2的技术中,由于充放电电流的累积值不能完全体现出不同的充放电模式,因此该方法不能区分出充放电电流的累积值相同,但充放电模式不同时电池的劣化模式的不同。同时,若要对电池在全寿命周期内的SOH进行建模,需要在实验室内对电池进行全寿命实验,这需要花费很长的时间。而实验室内的寿命实验通常为了节省时间只能进行加速实验,往往不能体现出实际的电池劣化模式。

专利文献1:US9086462B2

专利文献2:CN103492893B



技术实现要素:

为了克服现有技术的上述问题,提出了本发明。本发明的目的是,提供一种只利用电池的日常应用数据来计算电池的劣化模型,来精确地诊断电池在历史时刻、当前和将来时刻的健康状态(SOH)的装置和方法。

与现有技术相比,本发明适用于多种电池、多个电池的监控,降低对专家经验的需求,提高电池的安全性,提高电池的可利用率。

具体而言,本发明包括如下技术方案。

本发明第一技术方案提供一种电池的健康状态诊断装置,诊断与其连接的电池系统中的电池的健康状态,包括:控制指令计算单元,输出对所述电池系统中的电池的充放电进行指示的将来一段时间的充放电控制指令;电池健康状态分析单元,根据所述电池系统中的电池的充放电历史数据建立电池的以电池充放电模式和环境信息的数据为输入、以电池的电气特性为输出的劣化模型,并基于所述将来一段时间的充放电控制指令和所述劣化模型计算所述电池按照所述将来一段时间的充放电控制指令进行充放电后的电气特性作为预测电气特性;和电池健康状态诊断单元,基于所述预测电气特性诊断电池的健康状态。

本发明第二技术方案提供一种健康状态诊断装置,在第一技术方案的健康状态诊断装置中,所述电池健康状态分析单元包括训练数据生成部、劣化模型建立部和电气状态预测部,其中,所述训练数据生 成部对于规定时间区间内的电池的充放电历史数据,按规定时间段计算反映不同充放电模式和环境信息的参数组成特征向量,并以该规定时间段的一个电气特性作为目标向量,以特征向量和目标变量构成劣化训练数据,进而将不同时间段的劣化训练数据组成劣化训练数据集合,所述劣化模型建立部基于所述劣化训练数据集合按照统计或机器学习方法,以使得劣化模型与所述劣化训练数据集合之间的误差最小的方式建立所述劣化模型,所述电气状态预测部基于所述将来一段时间的充放电控制指令利用所述劣化模型计算所述预测电气特性。

本发明第三技术方案提供一种健康状态诊断装置,在第二技术方案的健康状态诊断装置中,在所述训练数据生成部中,将所述规定时间段内电池的包括充放电电压、电流、温度在内的历史数据的时间序列分解到多个不同的频率范围内,计算不同的数据分量,使用计算出的数据分量代表所述规定时间段的不同的充放电模式和环境信息。

本发明第四技术方案提供一种健康状态诊断装置,在第一或第二技术方案的健康状态诊断装置中,所述控制指令计算单元输出从外部接收到的所述将来一段时间的充放电控制指令,或者,所述控制指令计算单元基于充放电控制指令的历史数据,以时间、日期、充放电控制指令的历史值组成特征向量,基于多个代表不同历史区间充放电指令的特征向量的集合,通过统计或机器学习的方法,预测所述将来一段时间的充放电控制指令。

本发明第五技术方案提供一种健康状态诊断装置,在第二技术方案的健康状态诊断装置中,所述健康状态分析单元还包括控制指令特征生成部,所述控制指令特征生成部基于所述将来一段时间的充放电控制指令计算反映不同充放电模式和环境信息的参数组成控制指令特征向量,所述电气状态预测部将所述控制指令特征向量输入所述劣化模型来计算所述预测电气特性。

本发明第六技术方案提供一种健康状态诊断装置,在第一或第二技术方案的健康状态诊断装置中,所述电池健康状态诊断单元使用所述预测电气特性作为表征电池的健康状态的指标,或者,所述电池健康状态诊断单元对所述预测电气特性中的每种电气特性进行加权求和,以求和得到的数据作为表征电池的健康状态的指标,所述电池健康状 态诊断单元在进行所述加权求和时,对所述电池的电气特性的历史数据进行统计,以经过了不同的充放电历史后变化越大的电气特性则权重越大的方式对每种电气特性分配权重。

本发明第七技术方案提供一种健康状态诊断装置,在第一或第二技术方案的健康状态诊断装置中,所述电池健康状态诊断单元以每个电池的历史电气特性组成特征向量,以电池的故障信息的历史数据组成目标变量,将特征向量和目标变量组成故障训练数据,并将多个电池的多个故障训练数据组成故障训练数据集,在电池的故障信息表示故障与否时,基于所述故障训练数据集利用统计或机器学习方法进行分类训练,得到区分正常和故障状态的边界的分类曲线,计算所述预测电气特性的数据与该曲线的距离作为表征电池的健康状态的指标,在电池的故障信息包括故障类型时,利用聚类或多区间分类的方法将所述故障训练数据集分为多个不同的故障类型区域,计算所述预测电气特性的数据与所述不同的故障类型区域的距离,利用距离最小的故障类型表征电池的健康状态。

本发明第八技术方案提供一种健康状态诊断装置,在第二技术方案的健康状态诊断装置中,所述电池健康状态分析单元还包括电气建模部和新区间电气特性预测部,在第一规定时间区间的电池的充放电历史数据包括电池的电气特性中的一种以上电气特性的数据的情况下,所述训练数据生成部以所述一种以上电气特性中的部分或全部电气特性构成的第一组电气特性中的每一种为目标向量分别构成劣化训练数据集合,所述劣化模型建立部基于该劣化训练数据集合建立初始劣化模型,所述新区间电气特性预测部基于所述第一规定时间区间后的第二规定时间区间的电池的充放电历史数据和所述初始劣化模型,计算所述第二规定时间区间的电池的所述第一组电气特性的数据,所述电气建模部基于所述第二规定时间区间的电池的所述第一组电气特性的数据,计算该第二规定时间区间的电池的除所述第一组电气特性之外的第二组电气特性的数据,所述第二规定时间区间的电池的所述第一组电气特性和所述第二组电气特性被输入到所述训练数据生成部,与所述第一规定时间区间的电池的充放电历史数据一起进一步构成新的劣化训练数据集合。

本发明第九技术方案提供一种健康状态诊断装置,在第八技术方案的健康状态诊断装置中,所述电气建模部基于所述第二规定时间区间的电池的所述第一组电气特性的数据,设定该第二规定时间区间的电池的所述第二组电气特性的数据,以第一组和第二组电气特性的数据为基础建立代表电池电气特性的电气模型,利用该电气模型对电池的充放电进行模拟,比较模拟的充放电电流或电压与实际的历史数据中的充放电电流或电压的误差,在多次迭代后选择使得误差最小的所述第二组电气特性的数据输出。

本发明第十技术方案提供一种健康状态诊断方法,诊断电池系统中的电池的健康状态,包括:控制指令计算步骤,计算对电池系统中的电池的充放电进行指示的将来一段时间的充放电控制指令;电池健康状态分析步骤,根据所述电池系统中的电池的充放电历史数据建立电池的以电池充放电模式和环境信息的数据为输入、以电池的电气特性为输出的劣化模型,并基于所述将来一段时间的充放电控制指令和所述劣化模型计算所述电池按照所述将来一段时间的充放电控制指令进行充放电后的电气特性作为预测电气特性;和电池健康状态诊断步骤,基于所述预测电气特性诊断电池的健康状态。

在本发明中,如上所述,使用电池的历史充放电数据中分解得到的各个代表不同频率范围的分量代表特定的电池充放电模式,从而建立充放电模式与电池健康状态的关系。这些代表不同频率范围的分量已经包含了电池SOC的信息,所以上述劣化模型也建立了电池SOC和电气状态的关系。避免了问题的循环。

同时,本发明中所建立的电池劣化模型以一个电气特性作为目标向量,通过针对不同的电气特性建立多个劣化模式,输出可由多个代表电池内部电气状态的参数组成,比采用单一的参数更加精确。并且,这些多个参数的不同组合能够反映出电池不同的故障类型。

这样,根据本发明的电池的健康状态诊断装置,只利用电池的日常的充放电历史数据就能够计算电池的劣化模型,来精确地诊断电池在历史时刻、当前和将来时刻的健康状态(SOH)。与现有技术相比,本发明适用于多种电池、多个电池的监控,降低对专家经验的需求,提高电池的安全性,提高电池的可利用率。

附图说明

图1A是本发明的电池的健康状态诊断装置的模块组成图。

图1B是本发明的电池的健康状态诊断装置的健康状态诊断流程。

图2A是健康状态分析单元103的模块组成图。

图2B是健康状态分析单元103’的模块组成图。

图3A和图3B是与健康状态分析单元103和103’分别对应的电池的将来时刻的电气特性的预测流程图。

图4是电池健康状态诊断单元104对电池健康状态的诊断流程。

图5A是将充放电历史数据分解为表示不同充放电模式的数据分量的示意图,其中,(1)是充放电历史数据的时间序列的示意图,(2)是利用小波变换计算不同充放电模式的数据分量的示意图,(3)是利用傅里叶计算不同充放电模式的数据分量的示意图。

图5B是利用历史充放电数据生成的训练数据集来计算电池劣化模型的示意图。

图5C是电池的故障模型的示意图,其中,(1)是利用电池的历史电气特性数据和表示电池故障与否的数据来进行电池故障诊断的示意图,(2)是利用电池的历史电气特性数据和故障类型数据来对电池进行故障诊断和故障分类的示意图。

具体实施方式

以下结合附图描述本发明的具体实施例。但是应该理解,以下对具体实施例的描述仅仅是为了解释本发明的执行示例,而不对本发明的范围进行任何限定。为避免对所述实施例造成不必要的模糊,将略去对公知元件和公知处理技术的说明。

本发明的电池的健康状态诊断装置100的模块组成图如图1A所示。

健康状态诊断装置100与电池系统101连接,从电池系统101接收数据并对电池系统101发送充放电控制指令,其包括控制指令计算单元101、电池健康状态分析单元103和电池健康状态诊断单元104。

其中,电池系统101可以是任意的使用二次电池的设备中的包括一个或多个电池的电池系统,在图1A所示的例子中,电池系统101主 要包含电池组及其充电设备(Power Conditioning System,PCS)。

控制指令计算单元102与电池系统101和外部设备(例如上级控制器等)连接,其作用是计算对电池系统101中的电池的充放电进行指示的将来一段时间的充放电控制指令,并将该指令发送给电池系统101或电池健康状态分析单元103。其中,充放电控制指令的对象可以是电池系统101中的每个单体电池(cell),也可以是多个单体电池构成的电池组,或者电池系统101中的所有电池的整体。在下文中,如没有特别的说明,所称“电池”、“每个电池”等用语均具有同样的含义。

这里的充放电控制指令可以表示为电池将来一段时间内的充放电电压、电流和/或功率等,即,是充放电电压、电流和/或功率等的时间序列。

具体而言,充放电控制指令的主要计算方法是,如果电池将来的充放电控制指令已经存在(例如从外部接收到充放电控制指令,或已经预先设定),则以此作为充放电控制指令,如果将来的充放电控制指令不存在,那么以(时间,日期,充放电控制指令的历史值)来组成特征向量,将多个代表不同历史时刻充放电指令的特征向量集合作为输入,通过统计或机器学习的方法,根据历史的以及当前的充放电控制指令来预测将来的充放电控制指令。

电池健康状态分析单元103基于从电池系统101获取的各电池的充放电历史数据建立电池的劣化模型,该劣化模型以电池充放电模式和环境信息的数据为输入,以电池的电气特性为输出。其中,电池的充放电历史数据是电池使用过程中可直接测量监视的数据,例如充电电压、电流和/或功率(可基于电压电流来计算得出),也可以包括温度,例如电池本身的温度或周边环境的温度等。而电池的电气特性指的是通常无法实时测量得到的电池的开路电压(Open Circuit Voltage,OCV)、内阻、内部电容、电感等参数。不过,关于这些电气特性参数(或称电气参数)的电池出厂时的铭牌数据,例如电池的全新状态下的满充电开路电压、初始内阻、初始内部电容、初始电感等的部分参数也可以包括在电池的充放电历史数据中,或者,在充放电历史数据中,也可以包括电池的关于故障的信息,例如是否故障,故障类型具体是什 么等。

电池健康状态分析单元103接收从控制指令计算单元102输出的将来的充放电控制指令,基于该指令利用所建立的劣化模型得到电池按照该充放电控制指令充放电后的将来时刻的预测电气特性。电池健康状态分析单元103的更详细的内容将参照图2A、2B和图3A、3B在后文描述。

电池健康状态诊断单元104从电池健康状态分析单元103接收计算出的将来时刻的预测电气特性,基于该预测电气特性向外部输出表征电池的健康状态的指标。其中,关于该表征电池的健康状态的指标,可以直接输出预测电气特性中的某种电气特性参数的值,也可以输出将预测电气特性中的各个电气特性参数的值以不同的权重叠加而得到的值,此外,还可以根据历史的故障信息建立电池的健康状态诊断模型,将电池的预测电气特性输入健康状态诊断模型,输出表示是否故障或故障类型的信息。关于电池健康状态诊断单元104的更详细的内容将参照图4在后文描述。

基于图1A所示的结构,本发明的电池的健康状态诊断装置100的健康状态诊断流程如图1B所示。首先,健康状态分析单元103从电池系统101中收集电池的充放电数据,根据该数据建立电池的劣化模型(S105),健康状态诊断单元104从电池系统101中收集电池的正常或故障数据,建立电池的健康状态诊断模型(S106),并且,控制指令计算中心根据历史的以及当前的充放电控制指令或者来自外部的控制指令来计算电池将来的充放电控制指令(S107)。该充放电控制指令输入到步骤S105所建立的电池劣化模型中,计算电池在将来时刻的电气特性(S108),将该电气特性输入到步骤S106所建立的健康状态诊断模型中,输出电池在将来时刻的健康状态(S109)。

这样,根据本发明的电池的健康状态诊断装置100,只利用电池的日常应用数据来计算电池的劣化模式,就能够精确地诊断电池在历史时刻、当前和将来时刻的健康状态(SOH)。

下面对电池健康状态分析单元103的具体结构进行说明。

图2A是电池健康状态分析单元103的功能模块图。如图2A所示,电池健康状态分析单元103包括电池充放电历史数据库201、特征生成 部202、特征选择部203、劣化模型建立部204、电池充放电指令数据库205、电气特性预测部206。其中,电池充放电历史数据库201为存放从电池系统101获取到的电池的充放电历史数据的数据库。电池充放电指令数据库205为存放从控制指令计算单元102发送来的电池的充放电控制指令的数据库。这些数据库可以由存储设备构成,例如可以采用常用的光存储、磁存储或半导体存储设备等任意的存储设备,当然也可以不在健康状态分析单元103中设置这些数据库,而是直接从电池系统101和控制指令计算单元102实时调用数据。

特征生成部202对来自电池充放电历史数据库201中的历史充放电数据进行处理。具体而言,针对每个电池,对其一段时间区间的历史数据按每个时间段生成一系列反映不同充放电模式和环境信息的参数并将之组成一组数据作为特征向量,并将该时间段的电池的某个电气特性作为目标变量,以特征向量和目标变量构成一个训练数据。进而,按不同时间段构成训练数据,将它们组成集合。

其中,时间区间和时间段的选择并没有特别的限定,优选时间区间的选择保证构成的训练数据集合足够大,并且所选取的时间段优选能够覆盖整个时间区间。

对特征生成部202中各时间段的特征向量的生成的处理进一步说明如下。

首先,采集目标时间段中的电池的充放电电压、电流、温度等数据,这样的数据(例如充电电压)如附图5A的坐标图(1)中的501所示。然后将每一个采集到的数据分解到多个频率范围中,计算出一组不同的数据分量,并将这些数据分量组成特征向量。其中一个分量代表一个频率范围的充放电模式(电压、电流)以及环境信息(温度),不同的数据所采用的多个频率范围划分可以不同。

具体采用的计算方法可以是小波变换,短时傅里叶变换等,或者其他可以将一个信号分解为代表不同频率范围的分量的方法。

如果采用小波变换那么将小波变换中的尺度因子作为区分不同频率区段的参数,如(公式1)所示:

其中b为决定频率区段的参数。

类似地也可以采用小波变换的离散形式,如(公式2)所示:

其中i为决定频率区段的参数。

Ψ(t)为小波函数,h[k]、g[k]为由小波函数决定的函数。小波函数的选择可以参照相关数据的特点来确定,基本原则是选择与相关数据曲线最相似的小波函数。例如,如果电池的充放电电压或电流的曲线是类似于方波的样式,则选择哈尔小波函数。

信号分量在某频率区段的大小由小波变换得到的子信号强度决定。

例如,对于图5A的坐标图(1)中的501所示的充放电历史数据利用小波变换进行数据的分解,结果如图5A的(2)所示。502、503、504、505、506为分解之后的各个子数据,507、508为不同的频率分段,每一个频率分段可进一步统计出一个数据分量,由所有的数据分量组成特征向量。

或者,除了采用小波变换外,也可以采用傅里叶变换、短时傅里叶变换或快速傅里叶变换等,其中决定频率范围的参数是傅里叶反变换的积分上下限。以傅里叶变换为例,其计算公式如(公式3)所示:

其中[a1,2]代表某个频率范围,信号分量在某频率区段的大小由小波变换得到的子信号强度决定。

对于图5A的坐标图(1)中的501所示的充放电历史数据利用傅里叶变换进行数据的分解,结果如图5A的(3)所示。其中510、511、512代表不同的频率范围,每个频率范围内的子信号可以根据傅里叶反变换计算出一个数据分量,由所有的数据分量组成特征向量。

这样,生成一系列反映不同充放电模式和环境信息的参数并将之组成一组数据作为特征向量,之后,如上所述,将该时间段的电池的某个电气特性作为目标变量,以特征向量和目标变量构成一个训练数据。进而,将不同时间段的训练数据组成集合。

另外,特征生成部202除了对来自电池充放电历史数据库201中的历史充放电数据进行处理之外,还对从电池充放电指令数据库205发送来的充放电控制指令进行与充放电历史数据同样的处理,得到用 于进行预测的特征向量。

这样,不同的电池充放电模式的信息,不同的环境信息都被包含在训练数据中,以表现实际电池应用过程中对电池产生劣化影响的多个因素。

特征选择部203对由特征生成单元202生成的多个不同特征例如根据相关性的程度进行筛选,得到劣化建模用训练数据集。特征选择部203所采用的主要方法例如可以为PCA(Principle component analysis,主成分分析)。

劣化模型建立部204基于特征选择部203筛选出的劣化建模用训练数据集,按照统计或机器学习方法,计算出一个劣化模型。其中,劣化模型的计算准则是使得该模型与训练数据集之间的误差最小,即,使得训练数据的目标变量与同特征向量时该模型的输出之间的差别最小。这里的统计或机器学习方法可以是线性拟合、非线性拟合、支持向量机、人工神经网络等。

劣化模型的示意图如图5B所示。其中513是以训练数据为坐标的点,为了方便示意,在本图中只显示了训练数据的在两个维度上的数据,实际的训练数据将不限于两维,514所示的曲线是训练得到的劣化模型的示例。

电池劣化模型从劣化模型建立部204输出到电气特性预测部206,同时,特征生成部202对充放电控制指令进行处理而得到的用于进行预测的特征向量也经特征选择部203输入到电气特性预测部206。在该电气特性预测部206中,预测按照充放电控制指令进行了充放电后的电池的电气特性。

另外,特征生成部202构成的训练数据中的目标变量可以是任意的电气特性参数,这样,对于每种电气特性参数可以构成一个劣化模型。从而,在电气特性预测部206中,将用于进行预测的特征向量输入到每种劣化模型中,可以获得将来时刻(例如,按照充放电控制指令完成充放电的时刻)的各种电气特性参数的值。对应于图5B所示的模型中,例如输入横轴的特性1,得到将来时刻的纵轴的特性2(例如可以是开路电压)的值。当然,也可以输入基于历史充放电数据处理得到的训练数据,输出历史时刻的电气特性参数。

图3A是与图2A所示的电池健康状态分析单元103对应的将来时刻的电气特性的预测流程图。

首先,在步骤S301中对电池充放电历史数据进行处理而生成训练数据的集合,具体过程如上文针对特征生成部202所说明的那样,针对每个电池,对其一段时间区间的历史数据按每个时间段生成一系列反映不同充放电模式和环境信息的参数并将之组成一组数据作为特征向量,并将该时间段的电池的某个电气特性作为目标变量,以特征向量和目标变量构成一个训练数据。

接着,在步骤S302中对步骤S301中生成的训练数据的集合进行筛选,如上文针对特征选择部203所说明的那样,例如根据相关性的程度进行筛选,得到劣化建模用训练数据集。

然后,在步骤S303中,对于步骤S302中筛选出的劣化建模用训练数据集,如上文针对劣化模型建立部204所说明的那样,按照统计或机器学习方法,按每个电池建立与不同的电气特性分别对应的不同的劣化模型。

同时,在步骤S301~S303的同时,在步骤S304中对从电池充放电指令数据库205发送来的充放电控制指令进行与充放电历史数据同样的处理,得到用于进行预测的特征向量。

接着,在步骤S305中,利用步骤S303中建立的劣化模型,以步骤S304输出的用于进行预测的特征向量作为劣化模型的输入,进行将来时刻的电气特性的预测。在步骤S306中输出将来时刻的预测电气特性。

以上对本发明的健康状态诊断装置100中的健康状态分析单元103的结构及与其对应的将来时刻的电气特性的预测流程进行了说明。

在健康状态分析单元103中,在特征生成部202构建训练数据时,需要使用的作为目标变量的电气特性参数,例如开路电压、内部电阻、电感、电容等的值由于无法直接测得,因此通常是未知的。不过,如上所述,电池的充放电历史数据中包括电池出厂时的铭牌数据,例如电池的全新状态下的满充电开路电压、初始内阻、初始内部电容、初始电感等部分电气特性参数的值。在认为使用这些初始参数足以保证预测精度的情况下,健康状态分析单元103可以直接使用这些少量的 已知电气特性参数的值作为目标变量进行训练,建立劣化模型。

不过,在认为历史充放电数据中的电气特性参数数据数量较少或某些数据缺失,不足以保证电气特性的预测精度的情况下,为了进一步提高预测精度,采用图2B所示的健康状态分析单元103’。

如图2B所示,健康状态分析单元103’包括电池充放电历史数据库201、特征生成部202、特征选择部203、劣化模型建立部204、电池充放电指令数据库205、电气特性预测部206、新区间电气特性预测部207和电气建模部208。

除新区间电气特性预测部207和电气建模部208外,其它各构成要素的基本功能与电池健康状态分析单元103中的各构成要素相同,对它们标注相同的标记,省略重复的说明。

假定历史充放电数据中在某段时间区间(第一时间区间)已知某些电气特性参数,如上文中关于健康状态分析单元103的说明,基于该时间区间的历史充放电数据,以这些已知电气特性中的部分或全部电气特性(第一组电气特性)为目标变量,利用特征生成部202、特征选择部203和劣化模型建立部204首先建立初始的劣化模型。

在新区间电气特性预测部207中,从电池充放电历史数据库201中获取第一时间区间之后的新时间区间(第二时间区间)中的电池的充放电历史数据。对于该数据,与特征生成部202同样地进行特征向量的提取,并将提取出的特征向量输入到从劣化模型建立部204获取到的电池的初始劣化模型中,得到第一组电气特性在第二时间区间的预测值。

新区间电气特性预测部207计算出的第二时间区间中的第一组电气特性的值被输入到电气建模部208中。电气建模部208利用迭代的方式来尝试缺失的电气特性(统称为第二组电气特性)的数据,在每一次迭代中,以新尝试的第二组电气特性的数据和从新区间电气特性预测部207获得的第一组电气特性的数据为基础得到代表电池电气特性的电气模型,来对电池的充放电进行模拟,比较模拟的充放电电流或电压与实际的充放电电流或电压的差别,该差别记为误差,在多次迭代后选择误差最小的值作为第二组电气特性的参数值。电气建模部208将其计算出的第二组电气特性的参数值和从新区间电气特性预测 部207获得的第一组电气特性的数据组成一组新的电气特性参数,输出到特征生成部202中。

在特征生成部202中,针对第二时间区间的充放电历史数据和从电气建模部208获得的第一组、第二组电气特性的数据生成训练数据,添加到基于第一时间区间的数据生成的训练数据的集合中。经特征选择部203筛选后,重新由劣化模型建立部204建立劣化模型。可选的,特征生成部202、特征选择部203、劣化模型建立部204、新区间电气特性预测部207和电气建模部208可以组成一个迭代过程,迭代停止的准则是特征选择部203中的训练数据集是否足够大。

其中,在迭代的过程中优选采用这样的方式,即,如果上一次迭代中第一组电气特性根据劣化模型预测,而缺失的其它电气特性(第二组电气特性)根据电气建模求得,则在当前的迭代中,利用劣化模型预测新时间区间(第三时间区间)的第二组电气特性,并利用电气建模根据预测的第二组电气特性求取第一组电气特性的值。通过嵌套着进行基于劣化模型的预测和基于电气建模的求解,能够进一步提高所求得的电气特性参数的精度。

举例来说,例如在第一时间区间已知OCV的情况下,此时新区间电气特性预测部207根据劣化模型预测第二时间区间的OCV的值,该预测出的OCV的值输入到电气建模部208中计算得出第二时间区间的内阻或内部电容的值。接着,劣化模型建立部204选择内阻或内部电容为目标变量建立劣化模型,新区间电气特性预测部207根据劣化模型预测下一时间区间(第三时间区间)内的内阻或内部电容的值,然后,电气建模部208根据预测出的值计算得出第三时间区间内的OCV的值,以此类推。

此外,关于迭代的停止与否,还可以在劣化模式建立部204中设置迭代停止条件判断部209(未图示)。例如,在某一迭代过程中求得当前过程中所选择的新的时间区间的全部电气特性参数的值,具体而言,其中一部分电气特性参数的值由新区间电气特性预测部207预测得到,其它一部分电气特性参数基于预测到的电气特性参数的值而由电气建模部208计算得到。之后,将这些电气特性参数输入到电气模型中并以实际的充放电电压或电流为模型输入进行充放电模拟,比较 模拟出的电流或电压与选择的新的时间区间内实际充放电电流或电压的差别,记为劣化模型的误差。

对该劣化模式的误差给定一阈值(该阈值可在任何时刻更改),如果误差大于阈值,那么继续新一轮的迭代,即,重复特征生成部202、特征选择部203、劣化模型建立部204、新区间电气特性预测部207和电气建模部208的处理。如果误差小于阈值则停止迭代,将最新的劣化模型作为最终的劣化模型。

这样,通过使用迭代停止条件判断部209终止迭代,能够避免迭代不必要地反复,节省计算资源。

图3B是与图2B所示的电池健康状态分析单元103’对应的将来时刻的电气特性的预测流程图。

与图3A的流程图相比,图3B的流程图的不同之处在于新时间区间选择步骤S307、电池电气建模步骤S308、劣化模型校验步骤S309和误差判断步骤S310。

首先,与参照图2B在上文中已经说明的同样地,经过步骤S301~S303,利用历史充放电数据中第一时间区间的已知的第一组电气特性的数据建立初始的劣化模型。

接着,在步骤S307中选择新的时间区间(第二时间区间),如上述新区间电气特性预测部207所描述的那样,利用充放电历史数据和初始的劣化模型预测第二时间区间上的第一组电气特性的数据。

然后,在步骤S308中利用电气建模的方法根据步骤S307中预测出的第二时间区间上的第一组电气特性的数据,计算缺失的电气特性(即第二组电气特性)的数据。

之后进入步骤S309进行劣化模型的校验。该步骤S309中进行的处理与上文描述的迭代停止条件判断部209相同,即,在步骤S307中所选择的新时间区间(目前为第二时间区间)的第一组、第二组电气特性参数的值已获得之后,将这些电气特性参数输入到电气模型中并以实际的充放电电压或电流为模型输入进行充放电模拟,比较模拟出的电流或电压与选择的新的时间区间内实际充放电电流或电压的差别作为劣化模型的误差。

然后,在步骤S310中,比较步骤S309中的误差与规定的阈值之 间的大小关系,如果误差大于阈值,则返回步骤S301,将第二时间区间的充放电历史数据和电气特性的数据与第一时间区间的数据一起生成训练数据,重新建立劣化模型,再次选择新的时间区间进行迭代处理。同样地,在迭代的过程中,优选在当前迭代过程中根据劣化模型预测上一次迭代过程中使用电气建模的方式求取的电气特性参数,并使用电气建模的方式求取上一次迭代过程中根据劣化模型预测的电气特性参数。

在步骤S310中,如果误差小于阈值则前进至步骤S305,接下来的处理与图3A相同。

以上对电池健康状态分析单元103、103’进行了说明,接下来使用图4说明电池健康状态诊断单元104对电池健康状态的诊断流程。

其中步骤S401中从电池系统101获取电池的历史充放电数据。

步骤S402中获取电池在将来时刻的预测电气特性参数,该数据是由上述电池健康状态分析单元103或103’所输出的电池在将来某个时刻的电气特性参数。

并且,步骤S402中也获取电池的历史电气特性参数,这样的数据例如是上述电池健康状态分析单元103’在劣化建模过程中由新区间电气特性预测部207预测或电气建模部208计算出的数据。

在步骤S403中,判断历史充放电数据中是否存在关于故障的信息,如果没有关于故障的信息则进入步骤S404。在步骤S404中根据步骤S402中获取的预测电气特性参数来计算出一个表征电池的健康状态的劣化指标,该劣化指标可以是由某种电气特性来表征,如电池的开路电压。

或者,根据步骤S402中获得的历史电气特性参数进行统计,给每一个电气特性计算出一个权重值,其中经过了不同的充放电历史后变化越大的电气特性,其权重越大。然后将同时刻同一个电池的各个电气特性参数以这些不同的权重叠加在一起,将叠加后的值作为劣化指标。

如果历史充放电数据中存在故障信息,则进入步骤S405判断是否区分多种故障。如果故障信息中包含多种故障,那么进入步骤S406。在步骤S406中,将电池的历史电气特性组成训练特征向量,将电池的 故障信息(即故障类型)设为目标变量,将特征向量和目标变量组成一个训练数据,将多个电池的多个训练数据组成训练数据集,采用聚类或多区间分类的方法计算电池的故障模型(即上述的健康状态诊断模型),将训练数据集分为多个代表不同的故障类型的区域,其中聚类的类别个数等于电池的故障类型。然后在步骤S408中,基于步骤S402中获得的预测电气特性的数据和故障模型计算电池的故障类型。

电池的故障模型的示意图如图5C的(2)所示。其中518、520、522为电池处于不同故障类型时其特征向量的坐标位置,为了便于示意,本图中只展示了两个维度的特征向量,实际情景中不限于两维。519、521、523为训练得到的电池故障模型。524为步骤S402中获得的预测电气特性数据的特征向量的坐标位置,525、526、527为该特征向量与不同的故障模型之间的距离,选择距离最小的一个作为故障诊断结果,预测出故障类型。

如果故障信息中不区分多种故障,则进入步骤S407。在步骤S407中,将电池的历史电气特性组成训练特征向量,将表示电池是否故障的状态设为目标变量,将特征向量和目标变量组成一个训练数据,并将多个电池的多个训练数据组成训练数据集,利用分类的方法计算出一个正常与故障状态的分类模型,该模型常常是以一条正常与故障状态之间的边界曲线存在。图5C的(1)给出了该分类模型的示例,其中516是电池正常状态时电气特性组成的特征向量的坐标位置,515是电池故障状态时电气特性组成的特征向量的坐标位置。517是正常与故障状态的边界曲线,为了便于示意,本图中只展示了两个维度的特征向量,实际情景中不限于两维。在步骤S409中,根据步骤S402中获得的预测电气特性数据和训练得到分类模型来计算电池是否故障,或者是电池的故障度。如果预测电气特性组成的特征向量的坐标在正常的一侧,则认为电池正常,反之则认为电池故障。故障度的计算方法是计算预测电气特性组成的特征向量与分类曲线之间的距离,以该距离占全新的电池的电气特性组成的特征向量与分类曲线之间的距离的百分比作为电池的故障度。

另外,在以上说明中,电池健康状态诊断单元104根据电池在将来时刻的预测电气特性参数进行电池的健康状态的预测,不过,由于 步骤S402中获取了电池健康状态分析单元103’在劣化建模过程中由新区间电气特性预测部207预测或电气建模部208计算出的电池的历史电气特性参数(包括当前值),因此也可以根据电池的电气特性参数的历史数据(包括当前值)进行电池的历史(或当前)健康状态的诊断。

具体而言,这种情况下,在步骤S404中根据步骤S402中获取到的历史上某个时刻(或当前时刻)的电气特性参数来计算出一个表征电池的健康状态的劣化指标,同样地,该劣化指标可以是由某种电气特性来表征,如电池的开路电压。

此外,在步骤S408中,根据步骤S406得出的电池的故障模型和步骤S402中获取到的历史上某个时刻(或当前时刻)的电气特性参数,来诊断电池在该历史上某个时刻(或当前时刻)的故障类型。

同样地,地步骤S409中,根据步骤S407中训练得到的分类模型和步骤S402中获取到的历史上某个时刻(或当前时刻)的电气特性参数,诊断电池在该历史上某个时刻(或当前时刻)是否发生故障,或者计算电池的故障度。

如上所述,根据本发明的电池的健康状态诊断装置,只利用电池的日常的充放电历史数据就能够计算电池的劣化模型,来精确地诊断电池在历史时刻、当前和将来时刻的健康状态(SOH)。与现有技术相比,本发明适用于多种电池、多个电池的监控,降低对专家经验的需求,提高电池的安全性,提高电池的可利用率。

本发明并不限定于上述实施例,还包含各种变形例。例如,上述实施例是为了使本发明简单易懂而进行的详细说明,并非限定必须具备所说明的全部的结构。此外,可将某实施例的结构的一部分替换成其它实施例的结构,或者可在某实施例的结构上添加其它实施例的结构。另外,针对各实施例的结构的一部分,能够进行其它结构的追加、删除、替换。

此外,上述各结构、功能、处理部、处理单元等,其一部分或全部例如可以通过集成电路设计等而利用硬件实现。此外,上述各结构、功能等,也可以通过由处理器解释、执行实现各功能的程序而利用软件实现。实现各功能的程序、表、文件等信息能够保存在存储器、硬盘、SSD(Solid State Drive)等记录装置,或者IC卡、SD卡、DVD 等记录介质中。

此外,控制线和信息线表示了说明上必要的部分,并不一定表示了产品上所有的控制线和信息线。实际上也可以认为几乎所有结构都相互连接。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1
中文字幕极速在线观看