技术领域
[0001] 本发明涉及电池管理技术领域，特别涉及一种基于容量损失机理的退役电池余能快速 估计方法及系统。
相关背景技术
[0002] 电动汽车退役电池的梯次利用作为促进新能源汽车产业蓬勃发展的重要技术支撑，吸 引了国内外众多学者越来越多的关注。尽管研究者们已在技术可行性、经济性等方面进行 了相关研究，但梯次利用技术仍然处于理论研究阶段，制约其产业化发展的主要瓶颈问题 是，退役电池测试时间冗长，单一的健康状态评价依据使得退役电池再成组后的性能一致 性差，这极大的增加了梯次利用的后期使用成本。
[0003] 根据国标GB/T 34015‑2017中定义，余能是指动力蓄电池从电动汽车上移除后剩余的 实际容量，是电动汽车退役电池在梯次利用时需要评价的最关键健康状态。因此，余能估 计就是对退役电池剩余实际使用容量的估计。由于车载动力电池性能老化路径复杂且目前 余能测试多为平稳标准工况，造成了余能快速准确估计的难度。
具体实施方式
[0034] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0035] 下面参照附图描述根据本发明实施例提出的基于容量损失机理的退役电池余能快速 估计方法及系统，首先将参照附图描述根据本发明实施例提出的基于容量损失机理的退役 电池余能快速估计方法。
[0036] 图1是本发明一个实施例的基于容量损失机理的退役电池余能快速估计方法的流程 图。
[0037] 如图1所示，该基于容量损失机理的退役电池余能快速估计方法包括以下步骤：
[0038] 在步骤S1中，建立容量损失机理诊断模型。
[0039] 可以理解是，现有电动汽车用电池以锂离子电池为主，其容量损失机理主要包括 可循环锂损失(LLI)与活性材料损失(LAM)；其中，LAM又可细分为正极活性材 料损失(LAMPE)与负极活性材料损失(LAMNE)；由于容量损失机理诊断模型参数 的变化与电池容量损失机理直接相关，因此是诊断退役电池容量损失机理的重要基础。
[0040] 具体地，以充电过程为例，锂电池的容量损失机理诊断模型中的端电压数学表达式， 如下：
[0041] Ut(t)＝Up(SOCp)‑Un(SOCn)+ILRohm (1)
[0042] 式中，Ut为端电压(V)，Rohm为欧姆内阻(Ω)，Up为正极电势(V)，表达式如下：
[0043]
[0044] Un为负极电势(V)，表达式如下：
[0045]
[0046] SOCp为正极嵌锂率，表达式如下：
[0047]
[0048] SOCn为负极嵌锂率，表达式如下：
[0049]
[0050] 式中，SOCp,0为正极充电初始嵌锂率；SOCn,0为负极充电初始嵌锂率；Qp为正极容量 (Ah)；Qn为负极容量(Ah)；
[0051] 将公式(4)与公式(5)代入到公式(1)，则
[0052]
[0053] 至此，完整的锂电池的容量损失机理诊断模型建立完毕，再将公式(2)、(3) 和(6)组成锂电池的容量损失机理诊断模型为：
[0054]
[0055] 其中，锂电池的容量损失机理诊断模型输入为测试过程中电压、电流测试信号，模 型输出为待辨识模型参数，式中Up为正极电势，SOCp为正极嵌锂率，Un为负极电势， SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为 采样时间，Qp为正极容量，SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内 阻。
[0056] 需要说明的是，在容量损失机理诊断模型中，欧姆内阻Rohm不考虑在充放电过程中 随SOC的变化，而是电池欧姆内阻平均值。
[0057] 在步骤S2中，对预设退役电池进行恒流充电，获得退役电池恒流充电测试曲线，基 于容量损失机理诊断模型，并利用模式搜索非线性优化算法对退役电池恒流充电测试曲线 进行拟合，提取容量损失特征，其中，容量损失特征包括负极容量、欧姆内阻及负极终止 嵌锂率。
[0058] 具体地，在锂电池的容量损失机理诊断模型中，Qp与Qn物理意义明确，其变化分别表 征容量损失机理中的LAMFE与LAMNE。
[0059] 接下来分析锂电池的容量损失机理诊断模型中正负极初始嵌锂率(SOCp,0、SOCn,0) 及欧姆内阻(Rohm)与容量损失机理间的对应关系：
[0060] 由于在电池老化过程中，Rohm的变化主要表征电池内部SEI膜的生成与持续增厚过程， 由于SEI膜的增厚会导致锂离子传输阻力增大，进而导致欧姆内阻变大。锂电池在老化过 程中会不可避免的发生负极表面SEI膜持续增厚的副反应，不断消耗锂离子且此副反应通 常是不可逆的，因此会不断消耗锂离子而导致电池容量损失；
[0061] 当电池发生活性锂离子损失时，正负电极材料可利用率会减少，也就是说在充电过程 中，嵌锂的负极没有办法达到更高的富锂状态；在放电过程中，嵌锂的正极材料也没有办 法达到更高的富锂状态，这使得正负极电势会发生相对平移；当正负极电势曲线发生相对 平移时，正极初始嵌锂率SOCp,0变化较为明显，正极终止嵌锂率受影响较小；负极初始嵌 锂率SOCn,0受影响较小，而负极终止嵌锂率变化明显，由SOCn,1变为SOC'n,1；其中正负电 极终止嵌锂率的计算方式为
[0062]
[0063]
[0064] 式中，T为充/放电总时间(s)，SOCp,1为正极终止嵌锂率，SOCn,1为负极终止嵌锂率；
[0065] 通过分析可知，电池容量损失机理LLI会导致欧姆内阻(Rohm)、负极终止嵌锂率 (SOCn,1)及正极初始嵌锂率(SOCp,0)的变化；因此，将Qn、Rohm、SOCp,0及SOCn,1作 为电池容量损失特征；其中，Qn的变化表征负极活性材料损失，Rohm、SOCp,0及SOCn,1的 变化表征活性锂损失。
[0066] 故本发明实施例考虑锂电池的容量损失机理诊断模型形式的非线性，利用模式搜索非 线性优化算法，通过对退役电池充电测试曲线进行拟合来提取容量损失特征Qn、Rohm、 SOCp,0及SOCn,1。
[0067] 在步骤S3中，建立SVR模型，利用改进的飞蛾扑火优化算法对SVR模型中的核函 数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型。
[0068] 进一步地，在本发明的一个实施例中，步骤S3具体包括：
[0069] 步骤S301，建立初始SVR模型；
[0070] 步骤S302，利用对偶原理，向初始SVR模型引入拉格朗日乘法算子，得到可求解最大 值函数的SVR模型；
[0071] 步骤S303，根据Mercer定理法则对可求解最大值函数的SVR模型进行非线性映射， 得到SVR模型；
[0072] 步骤S304，利用改进的飞蛾扑火优化算法对SVR模型中的核参数与惩罚因子进行寻 优，得到ALMFO‑SVR余能估计模型，改进的飞蛾扑火优化算法为：先在标准飞蛾扑火 优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重法。
[0073] 可理解的是，SVR方法多用于解决小样本数据、时间序列以及非线性等问题，可将样 本数据映射到高维空间，并对样本进行线性回归分析，因此本发明实施例将基于SVR方法 构建用于退役电池的余能估计模型；
[0074] 对于给定一组样本数据 SVR模型如公式(9)所示：
[0075]
[0076] 式中，x为模型输入样本，f(x)为相应的输出值，ω为权重向量， 为非线性映射函 数，b为偏置量；
[0077] 根据结构风险最小化原则，f(x)可等效求解凸优化问题：
[0078]
[0079] 式中，C为惩罚因子，L为损失函数，其表达式为：
[0080]
[0081] 式中，ε为回归允许的最大误差；
[0082] 当数据不符合(11)式的约束条件时，通过引入松弛变量 和 来纠正那些不 规则的因子，此时可得：
[0083]
[0084] 其中
[0085]
[0086] 为求取目标函数的最小化，利用对偶原理，通过引入拉格朗日乘法算子 和αi，可得：
[0087]
[0088] 式中，maximize为求解最大值函数；
[0089] 且满足以下条件：
[0090]
[0091] 根据Mercer定理法则，非线性映射SVR表达式可更新为
[0092]
[0093] 式中K(xi,x)为核函数，计算方式如公式(17)所示；
[0094]
[0095] 核函数的种类有很多，主要包括：线性核函数，多项式核函数及径向基核函数。其中 径向基核函数用途广泛，可以解决非线性关系问题，即：
[0096]
[0097] 式中，σ为核参数；
[0098] 核参数σ和惩罚因子C决定了SVR模型估计结果的准确性。因此，利用改进的飞蛾 扑火优化(IMFO)算法对SVR模型中的σ与C参数进行寻优，进而实现锂离子电池余能 估计；
[0099] 需要说明的是，标准飞蛾扑火优化算法是一种基于种群的启发式智能优化算法，具有 模型结构简单和参数较少的优点。
[0100] 假设标准飞蛾扑火优化算法的飞蛾位置是M，则其相对应的适应度值为OM，如下所 示；
[0101]
[0102] OM＝[OM1，OM2，…，OMn]T (20)
[0103] 式中，m为第n个飞蛾的第d维飞蛾位置的值；
[0104] 火焰是MFO算法中另外一个关键组成部分，假设存储火焰的位置为F，则其相对应 的适应度值为OF，如下所示：
[0105]
[0106] OF＝[OF1，OF2，…，OFn]T (22)
[0107] 式中，f为第n个火焰的第d维位置的值。
[0108] 进一步地，MFO算法可以被视为一种近似于优化问题的全局最优的三元组；
[0109] MFO＝(I,P,T) (23)
[0110] 式中，f为随机产生飞蛾的位置和其对应的适应度值所组成的函数，计算方式如下：
[0111]
[0112] 式中，P为飞蛾在搜索空间内所遵循的主函数；
[0113] 当飞蛾到达新位置时，更新自身的位置
[0114]
[0115] 如果满足条件，则输出最优值，否则返回继续执行；
[0116] Tjud:M→{true,false} (26)
[0117] 式中，Tjud为终止判断函数。
[0118] I函数初始化后，进行P函数直到满足T函数为止，但在迭代过程中易陷入局部最优 解，因此本发明实施例为了精确的模拟飞蛾的行为，利用公式(27)来更新每一只飞蛾相 对于火焰的位置；
[0119] Mi＝S(Mi,Fj)＝Di·ebt.cos(2πt)+Fj (27)
[0120] 式中,S为螺旋函数，b为可以改变螺旋形状的常数，t为在[‑1,1]之间的随机数，Di为 第i个飞蛾到第j个火焰的距离，计算方式如公式(28)；
[0121] Di＝|Fj‑Mi| (28)
[0122] 在搜索空间中，飞蛾相对于n个不同位置可能会降低最优解的搜寻，本发明实施例为 解决此问题，又引入火焰数量的自适应机制；
[0123]
[0124] 式中，flame_no为当前迭代中的火焰数量，round为依据四舍五入原则执行取整的函 数，N为火焰数量总数，l为当前迭代次数，Tmax为最大迭代次数。
[0125] 需要说明的是，公式(27)为自适应权重法，飞蛾在火焰附近寻找最优解时，自适应 权值逐渐减小，从而提高飞蛾局部最优能力，具体地，
[0126]
[0127] 式中，rand为0和1之间的随机数；
[0128] 于是，飞蛾自适应更新的位置为：
[0129] Mi＝S(Mi,Fj)＝Di·ebt.cos(2πt)+ω.Fj (31)
[0130] 另外，Levy飞行算法能够扩大搜索空间，并增加种群的多样性；因此本发明实施例将 其应用到MFO算法中，能够有效平衡搜索与开发能力。
[0131] 具体地，在飞蛾位置更新后进行一次Levy飞行：
[0132]
[0133] 式中，α为常数，s为步长；
[0134]
[0135] 其中，u和v是均服从正态分布的随机数，β取值为1.5。
[0136] 由于α是一个常数，在迭代过程中搜索能力较差。因此，采用随机动态，如下所示：
[0137] α＝rand.sign(rand‑0.5) (34)
[0138] 式中，sign为符号函数。
[0139] 也就是说，改进的飞蛾扑火优化算法为：先在标准飞蛾扑火优化算法的飞蛾位置更新 后加入Levy飞行算法，后在迭代过程中加入自适应权重法。
[0140] 进而本发明实施例利用改进的飞蛾扑火优化算法分别对SVR模型中的σ与C参数进行 寻优。
[0141] 在步骤S4中，将预设容量损失特征以其对应的余能真值作为ALMFO‑SVR余能估计 模型的数据集，并将数据集分为训练样本和测试样本，利用训练样本对ALMFO‑SVR余能 估计模型进行训练。
[0142] 具体地，将容量损失特征{Qn,Rohm,SOCp,0,SOCn,1}作为步骤S3所建立ALMFO‑SVR 余能估计模型的输入，所对应的余能真值Qact为输出，将数据集 {Qn,Rohm,SOCp,0,SOCn,1,Qact}分为训练样本和测试样本，利用训练样本获得ALMFO‑SVR 余能估计模型，利用测试集来验证ALMFO‑SVR余能估计模型的准确性。
[0143] 在步骤S5中，利用恒流充电过程中记录的实际电压、实际电流测试数据提取实际容 量损失特征，并将实际容量损失特征输入至训练完成后的ALMFO‑SVR余能估计模型中， 对退役电池余能的快速估计。
[0144] 由前述可知，容量损失特征{Qn,Rohm,SOCp,0,SOCn,1}的能观性与充电电流大小无关，仅 与负极电势状态有关；因此，如图2所示，本发明实施例利用大倍率恒流充电过程中记录 的电压、电流测试数据，通过提取{Qn,Rohm,SOCp,0,SOCn,1}，并将其输入到ALMFO‑SVR 余能估计模型中，即可实现对退役电池余能的快速估计。
[0145] 综上，本发明实施例提出的基于容量损失机理的退役电池余能快速估计方法，通过利 用大倍率恒流充电数据曲线中所提取的容量损失特征，再从恒流充电曲线中提取表征电池 活性材料及活性锂离子损失的特征参数，并构建基于自适应权重及Levy飞行算法的 ALMFO算法优化SVR模型的估计方法，将所提取的容量损失特征作为ALMFO‑SVR余能 评估模型的输入进行训练，最后利用训练完成后的ALMFO‑SVR余能估计模型准确地估计 锂离子电池RUL，有效解决了退役电池余能估计精度低且测试时间长的问题，实现了余能 的快速准确估计。
[0146] 其次参照附图描述根据本发明实施例提出的基于容量损失机理的退役电池余能快速 估计系统。
[0147] 图3是本发明一个实施例的基于容量损失机理的退役电池余能快速估计系统的结构 示意图。
[0148] 如图3所示，该系统10包括：第一构建模块100、提取特征模块200、第二构建模块 300、训练模块400和估计模块500。
[0149] 其中，第一构建模块100用于建立容量损失机理诊断模型。提取特征模块200用于对 预设退役电池进行恒流充电，获得退役电池恒流充电测试曲线，基于容量损失机理诊断模 型，并利用模式搜索非线性优化算法对退役电池恒流充电测试曲线进行拟合，提取容量损 失特征，其中，容量损失特征包括负极容量、欧姆内阻及负极终止嵌锂率。第二构建模块 300用于建立SVR模型，利用改进的飞蛾扑火优化算法对SVR模型中的核函数与惩罚因 子进行寻优，得到ALMFO‑SVR余能估计模型。训练模块400用于将预设容量损失特征以 其对应的余能真值作为ALMFO‑SVR余能估计模型的数据集，并将数据集分为训练样本和 测试样本，利用训练样本对ALMFO‑SVR余能估计模型进行训练。估计模块500用于利用 恒流充电过程中记录的实际电压、实际电流测试数据提取实际容量损失特征，并将实际容 量损失特征输入至训练完成后的ALMFO‑SVR余能估计模型中，对退役电池余能的快速估 计。
[0150] 进一步地，在本发明的一个实施例中，容量损失机理诊断模型为：
[0151]
[0152] 其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，Ut为端电压，SOCp,0为正极充电初始嵌锂率，IL为负载电流，Δt为采样时间，Qp为正极容量， SOCn,0为负极充电初始嵌锂率，Qn为负极容量，Rohm为欧姆内阻。
[0153] 进一步地，在本发明的一个实施例中，步骤S3具体包括：步骤S301，建立初始SVR 模型；步骤S302，利用对偶原理，向初始SVR模型引入拉格朗日乘法算子，得到可求解 最大值函数的SVR模型；步骤S303，根据Mercer定理法则对可求解最大值函数的SVR模 型进行非线性映射，得到SVR模型；步骤S304，利用改进的飞蛾扑火优化算法对SVR模 型中的核参数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型。
[0154] 进一步地，在本发明的一个实施例中，SVR模型为：
[0155]
[0156] 其中，x为输入样本，f(x)为输出值，ω为权重向量，为非线性映射函数，b为偏置 量， 和αi为拉格朗日乘法算子，K(xi,x)为核函数。
[0157] 进一步地，在本发明的一个实施例中，改进的飞蛾扑火优化算法为：先在标准飞蛾扑 火优化算法的飞蛾位置更新后加入Levy飞行算法，后在迭代过程中加入自适应权重法。
[0158] 需要说明的是，前述对基于容量损失机理的退役电池余能快速估计方法实施例的解释 说明也适用于该实施例的系统，此处不再赘述。
[0159] 根据本发明实施例提出的基于容量损失机理的退役电池余能快速估计系统，通过利用 大倍率恒流充电数据曲线中所提取的容量损失特征，再从恒流充电曲线中提取表征电池活 性材料及活性锂离子损失的特征参数，并构建基于自适应权重及Levy飞行算法的ALMFO 算法优化SVR模型的估计方法，将所提取的容量损失特征作为ALMFO‑SVR余能评估模 型的输入进行训练，最后利用训练完成后的ALMFO‑SVR余能估计模型准确地估计锂离子 电池RUL，有效解决了退役电池余能估计精度低且测试时间长的问题，实现了余能的快速 准确估计。
[0160] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者 隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐 含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三 个等，除非另有明确具体的限定。
[0161] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须 针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一 个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合 和组合。
[0162] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例 进行变化、修改、替换和变型。
