CN118311434B 基于电化学阻抗谱的锂离子电池soh估计方法及系统 （中国海洋大学）

基于电化学阻抗谱的锂离子电池SOH估计方化学阻抗谱的锂离子电池SOH估计方法及系统，通过改进的弛豫时间分布算法对电化学阻抗谱阻抗谱进行锂离子电池SOH的端到端估计，神经网络模型将基于弛豫时间的DRT计算得到的DRT特征与神经网络模型自动提取的DRT特征进行融2i为阻抗谱对应的第i个样本电池容量真实值；22)S6、SOH估计步骤：将实时测量的锂离子电池的EIS数值面积输入至神经网络模型中得到锂离子电2.如权利要求1所述的基于电化学阻抗谱34.如权利要求1所述的基于电化学阻抗谱的锂离子电池SOH估计合成EIS数据与原始EIS数据的误差达到最小5.一种基于电化学阻抗谱的锂离子电池SOH估计系统，用于实现如权利要求1至4任意SOH估计模块，将实时测量的锂离子电池的EIS数据和实6.如权利要求5所述的基于电化学阻抗谱的评价模块，以历史EIS数据整体频率误差的均方根值作为EIS质量的评价数据清洗模块，基于历史EIS数据中相邻频点间的不连续性，去除不合7.如权利要求6所述的基于电化学阻抗谱的锂述数据处理模块还包括筛选模块，所述筛选模块用于剔除历史EIS数据中测量误差大于设8.如权利要求5所述的基于电化学阻抗谱的锂离子电9.如权利要求8所述的基于电化学阻抗谱的锂离子电池述系统还包括模型训练模块，用于根据合成EIS数据和原始EIS数据训练所述神经网络模4[0005]当锂离子电池的SOH衰减为[0007]基于模型的SOH估计方法按照模型的不同可以分为：等效电路模型(英文：阶RC模型(即Thevenin模型，参见图3)、二阶RC模型(参见图4)和二阶分数阶模型(参见图方法复杂且难以实现，研究人员需要对电池内部的电化学反应和失效机理有足够地了解。5和频域阻抗分析方法(例如：电化学阻抗谱分析法等)。增量曲线(英文：Incremental化，可以分析电池容量的下降趋势，从而进行容量估算。差分电析法，通过向电池施加一定频率范围的小幅值正弦电流(恒电流模式)或电压(恒电压模6[0019]S22、评价步骤：以历史EIS数据整体频率误差的均方根值作为EIS质量的评价指根据阻抗特征Pnew对原始EIS数据进行二次合成得到合成EIS数据，以评估提取的阻抗特征SOH估计系统，用于实现本发明第一方面所述基于电化学阻抗谱的锂离子电池SOH估计方值面积输入至神经网络模型中得到锂离子电根据阻抗特征Pnew对原始EIS数据进行二次合成得到合成EIS数据，以评估提取的阻抗特征7[0035]在一些实施例中，所述系统还包括模型训练模块，用于根据合成EIS数据和原始络模型采用改进的联合损失卷积神经网络，使用电化学阻抗谱进行锂离子电池SOH的端到[0038](2)本发明通过EIS二次合成扩大EIS数据的可用范围，以无监督学习的方式对神[0039](3)本发明构建的神经网络模型，针对SOH估计层和EIS二次合成层两个不同功能[0060]图25为本发明实施例所述基于电化学阻抗谱的锂离子电池SOH估计系统的结构框8[0066]图31为本发明实施例所述含有两个ZARC元素的等效电路模型的EIS及其DRT示意[0069]图34为本发明实施例全频率范围范围内所有采样点的EIS数据及其DRT计算结果[0070]图35为本发明实施例全频率范围内一半采样点的EIS数据及其DRT计算结果示意[0071]图36为本发明实施例缩短测量频率范围减少采样点数的EIS数据及其DRT计算结[0072]图37为本发明实施例两个不同老化时期的二次合成EIS与真实EIS对比结果示意[0076]图41为本发明实施例本发明神经网路模型有特征融合和无特征融合的SOH估计结必要的设备检修而导致浪费时间和成本。通过对锂离子电池健康状况的实时监测和分析，9离子电池的健康状况，本发明提供了一种基于电化学阻抗谱的锂离子电池SOH估计方法及[0081]本发明第一方面实施例提供了一种基于电化学阻抗谱的锂离子电池SOH估计方[0095]其中，上标T和H分别代表普通转置和共轭转置，矩阵A和B的具体值由式(4)和式[0112]本发明采用Savitzky_Golay滤波器(以下简称：S_G滤波器)进行阻抗曲线的平滑S_G滤波器在频域中具有更平滑的响应以及更少的幅值突变，它能够在保持信号的形状和选步骤：剔除历史EIS数据中测量误差大于设定误差的异常数据。将剔除异常数据的历史[0122]具体地，根据峰值弛豫时间计算原始EIS数据的DTR曲线的峰值面积的具体方法[0131]本发明提出了使用弛豫时间分布函数对复杂的EIS数据进行解释，针对传统正则根据阻抗特征Pnew对原始EIS数据进行二次合成得到合成EIS数据，以评估提取的阻抗特征其池化后的特征值如式(17)所示：向传播主要针对阻抗信息提取层提取的阻抗特征PZ进行权重更新，以优化特征的提取性j=5(R)(19)第二个全连接层则将中间特征空间映射到最终的SOH估计值。这些映射关系是通过监督学[0163]参见图24所示SOH估计层的结构示意图，它是决定整个网络输出结果的关键层之述神经网络模型的总损失函数由SOH估计层的损失函数和EIS二次合成层损失函数加权求[0174]SOH估计层的目标是使SOH估计层输出的电池容量估计值与阻抗谱对应的电池容i为阻抗谱对应的第i个样本电池容量真实值。[0177]EIS二次合成层的优化目标则是最小化重新合成的阻抗谱与真实阻抗谱之间的误2本发明第二方面提供了一种基于电化学阻抗谱的锂离子电池SOH估计系统，用于实现本发计算模块4，根据峰值弛豫时间计算原始EIS数据的DTR曲线的峰值面积，将峰值面积作为[0189]SOH估计模块6，将实时测量的锂离子电池的EIS数据和实际EIS数据的DTR曲线的峰值面积输入至神经网络模型中得到锂离子[0192]评价模块32，以历史EIS数据整体频率误差的均方根值作为选模块用于剔除历史EIS数据中测量误差大于设定误差的异根据阻抗特征Pnew对原始EIS数据进行二次合成得到合成EIS数据，以评估提取的阻抗特征PZ是否能够完整的描述原始EIS数据。所述EIS二次合成层的结构同上述方法中描述的EIS构同上述方法中描述的阻抗谱信息提取层、特征融合层和SOH估计层的结构，此处再在赘[0200]以下结合具体实施例对本发明上述基于电化学阻抗谱的锂离子电池SOH估计方法及系统中的DRT计算方法的有效性进行验证和构建的神经网络[0202](1)使用含有一个阻抗弧(ZARC元件)的分数阶RC等效电路模型生成的模拟阻抗谱进行本发明DRT计算方法有效性的验证。分数阶RC等效电路模型是由一个欧姆内阻R∞以及τ为R_CPE环节的等效时间常数，β代表分数阶RC等效电路模型R(Ω)τβ10.730.110.730.510.731810.851[0211]通过向四组不同参数的模拟阻抗谱添加不同水平的噪声，验证本发明所提出DRT49.93149.92449.95549.92449.96049.924DRT计算算法计算所得的DRT峰值的位置和宽度都与真实的DRT基本相同；在中等噪声水平峰值位置相比第二组具有更大的偏移量，但整体峰值宽度仍能保持与真实值相同的水平，算法在不同程度的噪声影响下均能较为准确地恢复含有单个ZARC元素的模拟阻抗谱的型进行本发明DRT计算方法的有效性验证。第一种等效电路模型为时间常数相近的二阶RC[0216]图30和图31所示的分别为两种等效电路添加少量噪声的EIS数据及其计算的DR从图中可以看出计算所得的DRT曲线的宽度与真实值几乎完全匹配，只是峰值的高度上稍[0217](3)使用商用锂离子电池的真实EIS数据进行本发明DRT计算方法的有效性验证。据处理的正则化算法由于无法处理噪声的影响，其DRT分布函数的峰值出现了很多分叉的了Warburg阻抗对于弛豫时间分布计算的干扰。其DRT计算结果与未经数据处理的EIS数据[0228]EIS二次合成层对整个神经网络模型的无监督学习性能起着至关重要的作用，为[0229]如图37所示，所示的是两个不同老化时期(老化前期A和老化后期B)的二次合成息，同时可以防止过拟合现象的发生。为了具体评估其合成质量，计算不同SOH水平下的征向量能够完整地表示原始的EIS，进一步验证了特征融合层在神经网络模型中所起的作[0231]由于EIS二次合成层的存在，本发明所提出的神经网络模型可以实现无监督学习0.010.06[0236]采用全部都为经过容量标注的阻抗谱数据作为训练集，该训练集同时用于传统[0240]为了验证特征融合层的作用，使用仅保留EIS二次合成层的神经网络模型进行神于弛豫时间的DRT计算得到的DRT特征与神经网络模型自动提取的DRT特征进行融合，避免[0244]使用箱形图对比了完整的神经网络模型、仅保留EIS二次合成层的神经网络模型估计中的表现是三个模型中最差的。这些结果均表明特征融合层和EIS二次合成层对于提