[发明专利]一种基于自动编码器的电池状态评估方法

说明书

本发明公开了一种基于自动编码器的电池状态评估方法，包括S1获取电池的在线运行参数，并根据运行参数获得电池的电压容量曲线；S2根据预先设定的特征提取的电压区间，在电池的电压容量曲线对应电压区间中选择N个容量点作为模型的输入特征；S3根据电池的输入特征建立自动编码器模型，并采用电池从初始状态至当前状态的所有数据对自动编码器模型进行训练；S4根据训练后的自动编码器模型的输入和输出获得重构误差，并根据所述重构误差的大小评估电池的老化状态。本发明不需要对电池进行完整的充放电循环确定容量。在线测试电池的电压和电流，选择特征输入模型，计算模型的重构误差就能评估电池的老化状态。

技术领域

本发明属于电池储能领域，更具体地，涉及一种基于无监督机器学习模型的电池状态评估方法。

背景技术

锂离子电池具备高能量密度、无记忆效应、长循环寿命、环境友好等优点，在消费电子、电动汽车、电网储能等不同领域都取得了广泛应用。电池在充放电循环过程中逐渐老化，其可用容量逐渐衰减，定义电池的健康状态(State of Health，SOH)为电池的当前最大可用容量与初始额定容量的比值，当电池SOH下降到80％时认为电池寿命终止，继续使用会存在安全隐患。电池状态的健康监测和预测对于确保系统的安全可靠运行至关重要。

目前的电池状态估计应用主要分为模型驱动和数据驱动的方法。模型驱动的方法又分为电化学模型和等效电路模型。电化学模型从锂离子扩散，欧姆效应，电化学动力学等角度描述电池的失效机理，具有较高的精度，然而求解模型的偏微分方程需要大量的计算，难以将其应用在在线的电池管理系统中。等效电路模型主要关注电池的电气外特性，包括开路电压、欧姆内阻、极化内阻、极化电容等参数。电气参数能一定程度反映电池的健康特性，且参数易获取，在电池管理系统中有一定应用。但参数与老化的关系不够直观。近年来随着计算机算力的提升及机器学习算法的发展，基于数据驱动的模型有望成为电池状态估计的解决方案。

目前针对电池的状态评估的数据驱动方法可以从输入和输出上进行分类。

输入上可分为电池的原始数据和特征数据，原始数据包括运行的电池电压、电流、温度，现有技术1提出了一种采用电池的原始数据预测电池的SOH的方法。原始数据输入的方法虽然不用进行特征提取，但采用原始数据的神经网络需要更多的数据进行训练，网络规模和计算量更大。特征数据为能表征电池老化状态的参数，现有技术2提出了一种采用电池阻抗谱作为输入的数据驱动模型估计电池的容量，该方法虽然不需要大量数据训练，但阻抗谱的测试需要专业的测试设备，不适合在线应用。

输出上可分为需要目标真实值的监督式机器学习方法和不需要目标真实值的无监督式机器学习方法。目前的大部分研究采用的是监督式机器学习模型，现有技术3提出了一种监督式机器学习的电池健康诊断方法，模型的输出为电池的真实容量，然而模型的真实训练数据的收集需要对电池在全寿命周期内进行循环测试，这一过程的经济成本和时间成本是高昂的。同时在实际应用场景中电池的可用容量受到充放电倍率、温度等的影响，实际工况与上述现有技术中的实验室测试条件不同，电池理论上的当前最大可用容量需要在实验室中进行测试。在在线应用中电池的最大可用容量往往是无法获得的。这给监督式机器学习模型的建立造成了障碍。

发明内容

针对当前数据驱动的电池状态评估方法训练数据真实值难以获得或是测试的时间和经济成本高昂的问题，本发明提出一种基于无监督机器学习的自动编码器模型，不需要在线测试真实的最大容量，从电池的运行数据选择特征作为输入，通过模型输入和输出的重构误差反映电池的老化状态。

本发明提供了一种基于自动编码器的电池状态评估方法，包括下述步骤：

S1：获取电池的在线运行参数，并根据所述运行参数获得电池的电压容量曲线；

S2：根据预先设定的特征提取的电压区间，在电池的电压容量曲线对应电压区间中选择N个容量点作为模型的输入特征；