本技術涉及動力電池健康狀態(tài)快速檢測，具體公開了一種用于動力電池健康狀態(tài)預測的特征參數(shù)集測試方法。

背景技術：

1、當前，電動汽車中廣泛使用的動力電池面臨退役問題。隨著使用年限增長，電池內部可能出現(xiàn)腐蝕、活性物質脫落、電解液分解或揮發(fā)等現(xiàn)象，導致性能下降，影響設備效能并可能引發(fā)過熱、短路等安全隱患。因此，退役動力電池的性能評估至關重要，以確定電池是否適合再利用于儲能系統(tǒng)或需報廢處理，這對資源利用和環(huán)境保護意義重大。

2、目前，電池壽命檢測主要依賴容量測試和內阻測試。前者耗時長，后者雖快捷但精度不足。隨著大數(shù)據(jù)和機器學習技術的發(fā)展，基于這些技術的預測方法正成為新趨勢，能夠顯著降低測試時間和成本，同時提高壽命預測的準確性。通過構建數(shù)學模型，有效預測電池性能衰退趨勢，為電池的再利用和安全回收提供科學依據(jù)。

3、但同樣的，模型的訓練需要大量的數(shù)據(jù)和與電池性能相關的特征參數(shù)來優(yōu)化模型，提高模型的準確性。這些特征參數(shù)可以是電池的充放電速率、工作溫度范圍、充放電深度、使用頻率等基本參數(shù)，還可以是電壓曲線的變化、內阻變化、溫度梯度、電池內部化學成分的變化等數(shù)據(jù)。合理的特征參數(shù)選擇能夠更全面地反映電池的實際運行狀態(tài)，從而提高模型的預測精度。此外，多樣化的特征參數(shù)有助于模型更好地適應不同的應用場景和環(huán)境條件，增強模型的泛化能力，并能揭示電池性能衰退背后的深層次機制。

4、總之，特征參數(shù)的選擇是構建高效、準確的動力電池壽命預測模型的關鍵步驟。通過科學合理地選取和處理這些參數(shù)，不僅可以顯著提升模型的預測性能，還能為電池的高效再利用和安全回收提供更加科學的依據(jù)。

5、在電池性能檢測中，直流內阻和交流阻抗是兩個關鍵參數(shù)。這些參數(shù)能夠提供關于電池健康狀態(tài)的重要信息，尤其是對于退役電池來說，通過阻抗測試可以有效評估電池的老化程度，并為進一步構建電池健康狀態(tài)(soh)的預測模型提供基礎數(shù)據(jù)。此外，從收集到的阻抗特性數(shù)據(jù)中篩選并確定具有代表性的特征參數(shù)，對于確保模型的準確性至關重要。

6、直流內阻常通過混合脈沖功率特性(hppc)測試計算得出，而交流阻抗則通過電化學阻抗譜(eis)技術進行測量得出。

7、hppc測試作為動態(tài)測試手段，主要用于評估動力電池的脈沖充放電性能，特別是電池的功率密度和能量密度。測試從滿電狀態(tài)開始，通過在不同放電深度(dod)下進行脈沖放電和充電，來評估電池的瞬態(tài)響應能力。測試流程通常包括快速放電和充電脈沖，以及在脈沖之間的靜置時間，以確保電池達到電化學和熱平衡狀態(tài)。采集得到的hppc測試數(shù)據(jù)經分析計算后，可提取充/放電歐姆內阻、充/放電極化內阻、回彈電壓、壓降等特征參數(shù)，這些特征參數(shù)無明確定義，依靠主觀判斷；

8、eis測試作為一種靜態(tài)測試手段，探測電池在不同頻率下的交流阻抗特性。eis測試的結果通常在nyquist圖或bode圖上表示，能夠反映出電池的電化學動力學過程。譜圖主要包括三個區(qū)域，高頻區(qū)(＞1khz)主要反映的是電池的電子傳導和電解質電阻；中頻區(qū)(1khz到1hz)主要反映的是電荷轉移阻抗和sei膜電阻；低頻區(qū)(＜1hz)主要反映的是擴散過程。通過弛豫時間分布(drt)對譜圖進行分析以獲取交流阻抗特征參數(shù)，drt分析將阻抗數(shù)據(jù)從頻域轉換至時域，提取各個電化學過程的弛豫時間常數(shù)(τ)，以此反映這些過程的響應速度，并提供關于電池內部電化學過程的詳細信息。如時間常數(shù)(τ)確定峰位置，量化電池內部特定動力學過程的弛豫時間，即系統(tǒng)從非平衡狀態(tài)恢復到平衡狀態(tài)所需的時間尺度；半峰寬反映阻抗分布的分散程度；峰高反映阻抗分布的強度；峰面積反映阻抗分布的總量。

9、直流內阻測試的優(yōu)點在于其實現(xiàn)簡單快速，適用于現(xiàn)場測試和電池管理系統(tǒng)(bms)集成。然而，它只能提供電池的部分信息，無法詳細區(qū)分電池內部的不同電化學過程；此外，直流內阻測試結果可能會受到溫度和電池充放電狀態(tài)的影響。交流阻抗測試則提供了更為詳細的電池內部信息，能夠區(qū)分電池內部的各種電化學過程，有助于電池內部機制的理解。隨著電池老化，內部阻抗會發(fā)生變化，eis測試可以進一步反映出電池的健康狀態(tài)，揭示電池內部可能存在的問題區(qū)域，如活性物質脫落、電極材料退化等；

10、現(xiàn)有的方法往往形成單一參數(shù)依賴，如內阻、容量等，而忽略了其他可能影響電池健康狀態(tài)的重要參數(shù)。此外，這些方法通常停留在表面參數(shù)的測量，未能深入理解和分析電池內部的老化狀態(tài)及機制，也未進行全面的阻抗量化處理；

11、本方法綜合了直流內阻和交流阻抗數(shù)據(jù)，充分考慮了測試環(huán)境影響，在不同溫度條件和荷電狀態(tài)下，全面采集相關數(shù)據(jù)，提取一組關鍵特征參數(shù)集用于數(shù)據(jù)建模。這些特征參數(shù)能夠更全面地反映電池的健康狀態(tài)，為退役動力電池的性能評估、再利用和安全回收提供了更加科學和可靠的依據(jù)。

技術實現(xiàn)思路

1、本方法立足電化學角度，解決以往特征參數(shù)覆蓋不全的局限性，綜合兩種阻抗特性，通過分析并量化電池內部阻抗狀態(tài)，提取關鍵特征參數(shù)，確保建模數(shù)據(jù)的有效性和可靠性。

2、為了達到上述目的，本發(fā)明提供以下基礎方案：

3、一種用于動力電池健康狀態(tài)預測的特征參數(shù)集測試方法，包括以下步驟：

4、特征參數(shù)提取和特征參數(shù)集形成；

5、特征參數(shù)提取，包括以下步驟：

6、a01：eis數(shù)據(jù)處理：對同一批次同一類型不同soh老化程度的動力電池進行eis中頻區(qū)間測試，獲取電池的交流阻抗數(shù)據(jù)；

7、a02：對eis圖譜進行drt分析，提取峰特征情況作為特征參數(shù)；

8、a03：hppc數(shù)據(jù)處理：對不同soh的動力電池進行hppc測試，獲取電池的直流內阻數(shù)據(jù)；

9、a04：提取單次脈沖數(shù)據(jù)，計算特征參數(shù)；

10、a05：對多條件下的eis和hppc實驗測試；

11、特征參數(shù)集形成，包括以下步驟：

12、b01：數(shù)據(jù)處理軟件、識別移除異常值、移除之前檢查值的背景和保留依據(jù)；

13、b02：標準化處理、特征選擇f1、特征提取f2和特征組合f3；

14、b03：選擇基準模型、選擇驗證指標和特征篩選驗證。

15、本基礎方案的原理及效果在于：

16、1.與現(xiàn)有技術相比，特征參數(shù)覆蓋面廣且深入，通過提取多種特征參數(shù)，本方法提供了更全面的電池內部性能狀態(tài)信息。這些參數(shù)涵蓋了電池的阻抗特性、電壓響應和時間常數(shù)等多個方面。通過綜合分析這些多維度的特征參數(shù)，本方法能夠得到高質量的特征參數(shù)集，用于電池健康狀態(tài)的快速預測。

17、2.與現(xiàn)有技術相比，提高測試效率，eis聚焦中頻區(qū)間測試，不同于以往的全頻率采集，減少了不必要的測試時間，提高了測試效率。中頻區(qū)域的數(shù)據(jù)主要反映了電池內部的電荷傳遞過程和電極/電解質界面的特性，且相較于高頻和低頻，中頻受到外部干擾的影響較小，更能準確反映電池內部的真實狀態(tài)。同時，中頻采集步長設置為40，不同于常規(guī)的10，提升測試數(shù)據(jù)的準確性和可靠性。

18、進一步，所述eis中頻區(qū)間在1khz至1hz。

19、進一步，所述多條件下的eis和hppc實驗測試包括溫度測試和荷電狀態(tài)測試；

20、溫度測試：在-20℃、25℃和55℃三個溫度點進行測試，以評估電池在低溫、常溫和高溫環(huán)境下的性能；

21、荷電狀態(tài)測試：在10％至100％ soc范圍內，每隔10％進行一次測試，以評估電池在不同荷電狀態(tài)下的性能。

22、進一步，在步驟b01中，識別移除異常值從eis測試和hppc測試中提取到的所有特征參數(shù)以xlsx格式呈現(xiàn)，使用基于python的pandas、numpy及scikit-learn等算法庫下的基本數(shù)據(jù)處理方法，將特征數(shù)據(jù)處理為讀取效率高的npz格式。

23、進一步，箱型圖中基于數(shù)據(jù)的四分位數(shù)(q1、q2、q3)來構建箱體，箱體包含了中間50％的數(shù)據(jù)，上下延伸到一定倍數(shù)的四分位距(iqr＝q3-q1)范圍內的數(shù)據(jù)點，將小于q1-1.5*iqr或大于q3+1.5*iqr的數(shù)據(jù)點視為異常值，直接從數(shù)據(jù)集中刪除這些異常值點，識別并移除異常值后，若當前列的異常值比例小于5％，則利用均值填充、中位數(shù)填充、前向填充、后向填充或插值法進行合適填補，若比例大于等于5％直接刪除含有大量缺失值的樣本，確保數(shù)據(jù)的完整性。其中，如果數(shù)據(jù)是正態(tài)分布，多使用均值填充；如果數(shù)據(jù)有較多的偏斜，多使用中位數(shù)填充。

24、進一步，采集eis數(shù)據(jù)時電池所處的環(huán)境條件，如溫度是否異常(與設定值偏離＞5℃)、設備是否正常工作(設備未發(fā)生異常，測試過程未中斷)等，若由這類因素所產生的異常值的存在需要重新采集數(shù)據(jù)。

25、進一步，標準化處理選擇了z-score標準化的方法，其計算公式為z＝(x-μ)/σ，μ是數(shù)據(jù)集的平均值，σ是標準差。

26、進一步，選擇基準模型：使用支持向量機(svm)等模型，基于特征提取和特征選擇所構建的最終特征，進行模型預測。通過對預測值和真實值進行精度對比分析構建特征的合理性。

27、進一步，選擇驗證指標：評價指標以自定義的accratio為主，衡量的是預測值與真實值之間的相對偏離程度，確保模型預測盡可能貼近實際數(shù)據(jù)。accratio越大表明預測值與真實值之間的偏離越小，即模型的預測精度越高。公式：

28、

29、其中，yi表示第i個樣本的真實值，表示第i個樣本的預測值，n表示樣本總數(shù)。accratio的范圍在(0,1]之間，值越大預測效果越好，當預測值完全準確時，分數(shù)趨向于1，預測偏差大時，分數(shù)會逐漸減小。

30、進一步，使用svm等模型，分別對f1、f2、f3三類特征進行模型預測，通過對預測值和真實值進行精度對比分析，得到最優(yōu)特征列組合。

相關知識

一種動力電池健康狀態(tài)檢測及預警的方法與流程
一種動力電池健康狀態(tài)的檢測方法及裝置
電動汽車動力電池健康狀態(tài)評估方法與流程
基于動態(tài)工況模型誤差特征的動力電池健康狀態(tài)估計方法
一種電池健康狀態(tài)檢測方法
評估電池健康狀態(tài)的方法與流程
電池健康狀態(tài)檢測系統(tǒng)及方法與流程
電池健康狀態(tài)檢測方法、裝置和電子設備與流程
電池健康狀態(tài)測算方法以及相關設備與流程
電池荷電量及電池健康狀態(tài)的檢測、診斷方法.pdf

網址: 一種用于動力電池健康狀態(tài)預測的特征參數(shù)集測試方法與流程 http://www.gysdgmq.cn/newsview1388065.html