CN118311434B 基于電化學阻抗譜的鋰離子電池soh估計方法及系統(tǒng) （中國海洋大學）

基于電化學阻抗譜的鋰離子電池SOH估計方化學阻抗譜的鋰離子電池SOH估計方法及系統(tǒng)，通過改進的弛豫時間分布算法對電化學阻抗譜阻抗譜進行鋰離子電池SOH的端到端估計，神經(jīng)網(wǎng)絡模型將基于弛豫時間的DRT計算得到的DRT特征與神經(jīng)網(wǎng)絡模型自動提取的DRT特征進行融2i為阻抗譜對應的第i個樣本電池容量真實值；22)S6、SOH估計步驟：將實時測量的鋰離子電池的EIS數(shù)值面積輸入至神經(jīng)網(wǎng)絡模型中得到鋰離子電2.如權利要求1所述的基于電化學阻抗譜34.如權利要求1所述的基于電化學阻抗譜的鋰離子電池SOH估計合成EIS數(shù)據(jù)與原始EIS數(shù)據(jù)的誤差達到最小5.一種基于電化學阻抗譜的鋰離子電池SOH估計系統(tǒng)，用于實現(xiàn)如權利要求1至4任意SOH估計模塊，將實時測量的鋰離子電池的EIS數(shù)據(jù)和實6.如權利要求5所述的基于電化學阻抗譜的評價模塊，以歷史EIS數(shù)據(jù)整體頻率誤差的均方根值作為EIS質量的評價數(shù)據(jù)清洗模塊，基于歷史EIS數(shù)據(jù)中相鄰頻點間的不連續(xù)性，去除不合7.如權利要求6所述的基于電化學阻抗譜的鋰述數(shù)據(jù)處理模塊還包括篩選模塊，所述篩選模塊用于剔除歷史EIS數(shù)據(jù)中測量誤差大于設8.如權利要求5所述的基于電化學阻抗譜的鋰離子電9.如權利要求8所述的基于電化學阻抗譜的鋰離子電池述系統(tǒng)還包括模型訓練模塊，用于根據(jù)合成EIS數(shù)據(jù)和原始EIS數(shù)據(jù)訓練所述神經(jīng)網(wǎng)絡模4[0005]當鋰離子電池的SOH衰減為[0007]基于模型的SOH估計方法按照模型的不同可以分為：等效電路模型(英文：階RC模型(即Thevenin模型，參見圖3)、二階RC模型(參見圖4)和二階分數(shù)階模型(參見圖方法復雜且難以實現(xiàn)，研究人員需要對電池內部的電化學反應和失效機理有足夠地了解。5和頻域阻抗分析方法(例如：電化學阻抗譜分析法等)。增量曲線(英文：Incremental化，可以分析電池容量的下降趨勢，從而進行容量估算。差分電析法，通過向電池施加一定頻率范圍的小幅值正弦電流(恒電流模式)或電壓(恒電壓模6[0019]S22、評價步驟：以歷史EIS數(shù)據(jù)整體頻率誤差的均方根值作為EIS質量的評價指根據(jù)阻抗特征Pnew對原始EIS數(shù)據(jù)進行二次合成得到合成EIS數(shù)據(jù)，以評估提取的阻抗特征SOH估計系統(tǒng)，用于實現(xiàn)本發(fā)明第一方面所述基于電化學阻抗譜的鋰離子電池SOH估計方值面積輸入至神經(jīng)網(wǎng)絡模型中得到鋰離子電根據(jù)阻抗特征Pnew對原始EIS數(shù)據(jù)進行二次合成得到合成EIS數(shù)據(jù)，以評估提取的阻抗特征7[0035]在一些實施例中，所述系統(tǒng)還包括模型訓練模塊，用于根據(jù)合成EIS數(shù)據(jù)和原始絡模型采用改進的聯(lián)合損失卷積神經(jīng)網(wǎng)絡，使用電化學阻抗譜進行鋰離子電池SOH的端到[0038](2)本發(fā)明通過EIS二次合成擴大EIS數(shù)據(jù)的可用范圍，以無監(jiān)督學習的方式對神[0039](3)本發(fā)明構建的神經(jīng)網(wǎng)絡模型，針對SOH估計層和EIS二次合成層兩個不同功能[0060]圖25為本發(fā)明實施例所述基于電化學阻抗譜的鋰離子電池SOH估計系統(tǒng)的結構框8[0066]圖31為本發(fā)明實施例所述含有兩個ZARC元素的等效電路模型的EIS及其DRT示意[0069]圖34為本發(fā)明實施例全頻率范圍范圍內所有采樣點的EIS數(shù)據(jù)及其DRT計算結果[0070]圖35為本發(fā)明實施例全頻率范圍內一半采樣點的EIS數(shù)據(jù)及其DRT計算結果示意[0071]圖36為本發(fā)明實施例縮短測量頻率范圍減少采樣點數(shù)的EIS數(shù)據(jù)及其DRT計算結[0072]圖37為本發(fā)明實施例兩個不同老化時期的二次合成EIS與真實EIS對比結果示意[0076]圖41為本發(fā)明實施例本發(fā)明神經(jīng)網(wǎng)路模型有特征融合和無特征融合的SOH估計結必要的設備檢修而導致浪費時間和成本。通過對鋰離子電池健康狀況的實時監(jiān)測和分析，9離子電池的健康狀況，本發(fā)明提供了一種基于電化學阻抗譜的鋰離子電池SOH估計方法及[0081]本發(fā)明第一方面實施例提供了一種基于電化學阻抗譜的鋰離子電池SOH估計方[0095]其中，上標T和H分別代表普通轉置和共軛轉置，矩陣A和B的具體值由式(4)和式[0112]本發(fā)明采用Savitzky_Golay濾波器(以下簡稱：S_G濾波器)進行阻抗曲線的平滑S_G濾波器在頻域中具有更平滑的響應以及更少的幅值突變，它能夠在保持信號的形狀和選步驟：剔除歷史EIS數(shù)據(jù)中測量誤差大于設定誤差的異常數(shù)據(jù)。將剔除異常數(shù)據(jù)的歷史[0122]具體地，根據(jù)峰值弛豫時間計算原始EIS數(shù)據(jù)的DTR曲線的峰值面積的具體方法[0131]本發(fā)明提出了使用弛豫時間分布函數(shù)對復雜的EIS數(shù)據(jù)進行解釋，針對傳統(tǒng)正則根據(jù)阻抗特征Pnew對原始EIS數(shù)據(jù)進行二次合成得到合成EIS數(shù)據(jù)，以評估提取的阻抗特征其池化后的特征值如式(17)所示：向傳播主要針對阻抗信息提取層提取的阻抗特征PZ進行權重更新，以優(yōu)化特征的提取性j=5(R)(19)第二個全連接層則將中間特征空間映射到最終的SOH估計值。這些映射關系是通過監(jiān)督學[0163]參見圖24所示SOH估計層的結構示意圖，它是決定整個網(wǎng)絡輸出結果的關鍵層之述神經(jīng)網(wǎng)絡模型的總損失函數(shù)由SOH估計層的損失函數(shù)和EIS二次合成層損失函數(shù)加權求[0174]SOH估計層的目標是使SOH估計層輸出的電池容量估計值與阻抗譜對應的電池容i為阻抗譜對應的第i個樣本電池容量真實值。[0177]EIS二次合成層的優(yōu)化目標則是最小化重新合成的阻抗譜與真實阻抗譜之間的誤2本發(fā)明第二方面提供了一種基于電化學阻抗譜的鋰離子電池SOH估計系統(tǒng)，用于實現(xiàn)本發(fā)計算模塊4，根據(jù)峰值弛豫時間計算原始EIS數(shù)據(jù)的DTR曲線的峰值面積，將峰值面積作為[0189]SOH估計模塊6，將實時測量的鋰離子電池的EIS數(shù)據(jù)和實際EIS數(shù)據(jù)的DTR曲線的峰值面積輸入至神經(jīng)網(wǎng)絡模型中得到鋰離子[0192]評價模塊32，以歷史EIS數(shù)據(jù)整體頻率誤差的均方根值作為選模塊用于剔除歷史EIS數(shù)據(jù)中測量誤差大于設定誤差的異根據(jù)阻抗特征Pnew對原始EIS數(shù)據(jù)進行二次合成得到合成EIS數(shù)據(jù)，以評估提取的阻抗特征PZ是否能夠完整的描述原始EIS數(shù)據(jù)。所述EIS二次合成層的結構同上述方法中描述的EIS構同上述方法中描述的阻抗譜信息提取層、特征融合層和SOH估計層的結構，此處再在贅[0200]以下結合具體實施例對本發(fā)明上述基于電化學阻抗譜的鋰離子電池SOH估計方法及系統(tǒng)中的DRT計算方法的有效性進行驗證和構建的神經(jīng)網(wǎng)絡[0202](1)使用含有一個阻抗弧(ZARC元件)的分數(shù)階RC等效電路模型生成的模擬阻抗譜進行本發(fā)明DRT計算方法有效性的驗證。分數(shù)階RC等效電路模型是由一個歐姆內阻R∞以及τ為R_CPE環(huán)節(jié)的等效時間常數(shù)，β代表分數(shù)階RC等效電路模型R(Ω)τβ10.730.110.730.510.731810.851[0211]通過向四組不同參數(shù)的模擬阻抗譜添加不同水平的噪聲，驗證本發(fā)明所提出DRT49.93149.92449.95549.92449.96049.924DRT計算算法計算所得的DRT峰值的位置和寬度都與真實的DRT基本相同；在中等噪聲水平峰值位置相比第二組具有更大的偏移量，但整體峰值寬度仍能保持與真實值相同的水平，算法在不同程度的噪聲影響下均能較為準確地恢復含有單個ZARC元素的模擬阻抗譜的型進行本發(fā)明DRT計算方法的有效性驗證。第一種等效電路模型為時間常數(shù)相近的二階RC[0216]圖30和圖31所示的分別為兩種等效電路添加少量噪聲的EIS數(shù)據(jù)及其計算的DR從圖中可以看出計算所得的DRT曲線的寬度與真實值幾乎完全匹配，只是峰值的高度上稍[0217](3)使用商用鋰離子電池的真實EIS數(shù)據(jù)進行本發(fā)明DRT計算方法的有效性驗證。據(jù)處理的正則化算法由于無法處理噪聲的影響，其DRT分布函數(shù)的峰值出現(xiàn)了很多分叉的了Warburg阻抗對于弛豫時間分布計算的干擾。其DRT計算結果與未經(jīng)數(shù)據(jù)處理的EIS數(shù)據(jù)[0228]EIS二次合成層對整個神經(jīng)網(wǎng)絡模型的無監(jiān)督學習性能起著至關重要的作用，為[0229]如圖37所示，所示的是兩個不同老化時期(老化前期A和老化后期B)的二次合成息，同時可以防止過擬合現(xiàn)象的發(fā)生。為了具體評估其合成質量，計算不同SOH水平下的征向量能夠完整地表示原始的EIS，進一步驗證了特征融合層在神經(jīng)網(wǎng)絡模型中所起的作[0231]由于EIS二次合成層的存在，本發(fā)明所提出的神經(jīng)網(wǎng)絡模型可以實現(xiàn)無監(jiān)督學習0.010.06[0236]采用全部都為經(jīng)過容量標注的阻抗譜數(shù)據(jù)作為訓練集，該訓練集同時用于傳統(tǒng)[0240]為了驗證特征融合層的作用，使用僅保留EIS二次合成層的神經(jīng)網(wǎng)絡模型進行神于弛豫時間的DRT計算得到的DRT特征與神經(jīng)網(wǎng)絡模型自動提取的DRT特征進行融合，避免[0244]使用箱形圖對比了完整的神經(jīng)網(wǎng)絡模型、僅保留EIS二次合成層的神經(jīng)網(wǎng)絡模型估計中的表現(xiàn)是三個模型中最差的。這些結果均表明特征融合層和EIS二次合成層對于提