一种基于电化学阻抗谱数据的多视图锂电池SOH估计方法

本发明涉及电池储能，具体涉及一种基于电化学阻抗谱数据的多视图锂电池soh估计方法。

背景技术：

1、国内外针对如何准确估计锂电池soh的问题开展了大量研究，其中电化学阻抗谱数据能够反映电池内部电化学过程，被广泛应用。对电化学阻抗谱模态的特征提取主要有两类方法，分别是基于人工提取特征及自动提取特征。对于人工提取特征在很大程度上依赖于研究人员的先验知识和经验，对于推广普及存在一定的困难。使用神经网络、人工智能等方法进行自动提取特征时，针对电化学阻抗谱数据蕴含复杂的电化学信息，可以通过神经网络的多层非线性变换来学习数据中的特征。这些特征的表示不依赖于先验知识和特征工程，可以基于大量数据进行优化和自适应。

2、然而，目前使用电化学阻抗谱进行锂电池soh估计的方法，估计模型的输入一般为特定频率下的单一角度视图或实部虚部数据，没有通过对不同形式的输入组合形成多角度视图，缺乏实质的融合操作，难以全面挖掘电化学阻抗谱数据中蕴含的电池健康信息。同时，现有多数研究将自动提取特征的神经网络当成黑盒子，没有充分考虑电化学阻抗谱数据不同表达形式构成的输入与电池内特性的一致性，不能全方位地描述电池老化。

技术实现思路

1、本发明为了克服上述现有的使用电化学阻抗谱进行锂电池soh估计的方法存在的问题，提出一种基于电化学阻抗谱数据的多视图锂电池soh估计方法。

2、本发明的首要目的是为了解决上述技术问题，本发明的技术方案如下：

3、s1：选取多个同类型锂电池进行充放电循环测试，在每次充放电循环过程中的特定soc处暂停并采集阻抗数据，具体包括充电前的阻抗数据、充电至soc达50％时的阻抗数据、充电至soc达80％时的阻抗数据、充电完成时的阻抗数据、充电结束静置15分钟时的阻抗数据、放电前的阻抗数据、放电至soc达80％时的阻抗数据、放电至soc达50％时的阻抗数据、放电完成时的阻抗数据、放电结束静置15分钟时的阻抗数据；将上述数据形成数据集，将数据集按70％和30％的比例，划分为训练集和测试集；

4、s2：根据训练集的阻抗数据生成四种不同的电化学阻抗谱视图，分别是奈圭斯特图、相频图、阻抗数据二维图、相频数据二维图；以展示全局视角为目标，使用阻抗的实部与虚部形成奈圭斯特图，使用相角与频率的关系形成相频图；以展示局部信息为目标，使用马尔可夫转移场方法，根据阻抗数据与相角数据，分别形成阻抗数据二维图和相频数据二维图，以揭示数据中的周期性模式、趋势变化以及异常点；

5、s3：将步骤s2所述四种电化学阻抗谱视图分别输入到深度学习特征提取网络中，由该网络输出所述四种电化学阻抗谱视图的特征矩阵，捕捉图像中不同层次的特征，所述深度学习特征提取网络由残差学习层、卷积神经网络、注意力层组成；

6、s4：采用低秩优化模型对步骤s3所述四种电化学阻抗谱视图的特征矩阵进行融合，具体步骤包括构建低秩优化模型，并引入一致性正则项捕捉不同电化学阻抗谱视图间的一致性，然后通过连续最小二乘优化算法求解目标函数的最小值，最终获得一个融合特征矩阵；

7、s5：搭建基于人工神经网络的soh估计模型；

8、s6：采用训练集对模型进行训练，采用测试集对训练完成的模型进行性能验证，使用均方根误差、平均绝对值误差作为指标来评估模型性能，如性能未能达到要求则重新训练，若达到要求则将训练完成的模型保存到锂电池管理系统中；

9、s7：实际运行时，锂电池管理系统采集锂电池的阻抗数据，并采用步骤s2所述方法生成四种电化学阻抗谱视图，即奈圭斯特图、相频图、阻抗数据二维图、相频数据二维图，将所述四种电化学阻抗谱视图输入到特征提取网络中得到融合特征矩阵，然后利用步骤s6训练完成的soh估计模型进行在线soh估计。

10、本方案中，步骤s2所述根据训练集的阻抗数据生成四种不同的电化学阻抗谱视图，具体方法如下：

11、s2-1：根据每一个电池在每一次充放电循环过程中每一个soc暂停点处采集的所有阻抗数据，构建一维阻抗数组z＝[r1+jx1,r2+jx2,...,rn+jxn]，具体包括充电前的阻抗数据、充电至soc达50％时的阻抗数据、充电至soc达80％时的阻抗数据、充电完成时的阻抗数据、充电结束静置15分钟时的阻抗数据、放电前的阻抗数据、放电至soc达80％时的阻抗数据、放电至soc达50％时的阻抗数据、放电完成时的阻抗数据、放电结束静置15分钟时的阻抗数据；

12、s2-2：基于步骤s2-1所述一维阻抗数组，根据阻抗的实部r＝[r1,r2,...,rn]与虚部x＝[x1,x2…,xn]，在复数平面上绘制奈圭斯特图；

13、s2-3：基于步骤s2-1所述一维阻抗数组，计算每个阻抗对应的相角，根据阻抗的相角随频率变化的情况，绘制相频图；

14、s2-4：基于步骤s2-1所述一维阻抗数组，根据一维阻抗数组中阻抗数据实部的最大值和最小值构建阻抗数据区间，将该区间平均划分为四个阻抗数据子区间；

15、s2-5：根据步骤s2-1所述每一个soc暂停点，针对每一个频率，统计该频率在相邻soc暂停点中对应的实部数值在不同阻抗数据子区间之间的转移次数，据此构建马尔可夫转移场矩阵，形成阻抗与频率关系的阻抗数据二维图，关于阻抗数据的马尔可夫转移场矩阵s的具体表示如下：

16、

17、其中，α11表示第1个阻抗数据子区间内部转移的频率，α12表示第1个阻抗数据子区间向第2个阻抗数据子区间转移的频率，α21表示第2个阻抗数据子区间向第1个阻抗数据子区间转移的频率，其余元素的含义以此类推；

18、s2-6：采用步骤s2-3所述每个阻抗对应的相角构建一维相角数组，即δ＝[δ1,δ2,…,δn]，根据一维相角数组中相角数据的最大值和最小值构建相角数据区间，将该数据区间平均划分为四个相角数据子区间；

19、s2-7：根据步骤s2-1所述每一个soc暂停点，针对每一个频率，统计该频率在相邻soc暂停点中对应的相角数值在不同相角数据子区间之间的转移次数，据此构建马尔可夫转移场矩阵，形成相角与频率关系的相角数据二维图，关于相角数据的马尔可夫转移场矩阵s'的具体表示如下：

20、

21、其中，ε11表示第1个相角数据子区间内部转移的频率，ε12表示第1个相角数据子区间向第2个相角数据子区间转移的频率，ε21表示第2个相角数据子区间向第1个相角数据子区间转移的频率，其余元素的含义以此类推。

22、本方案中，步骤s3所述深度学习特征提取网络由残差学习层、卷积神经网络、注意力层组成，具体提取步骤如下：

23、s3-1：将步骤s2所构建的四个视图分别输入到所述残差学习层中，该残差学习层由两个卷积层和一个残差块组成，最终输出四个特征矩阵，具体计算公式如下：

24、conv1＝σ(w1*x+a1)

25、conv2＝w2*conv1+a2

26、yadjust＝wadjust*x+aadjust

27、res＝σ(yadjust+conv2)

28、其中，conv1和conv2为两个卷积层，σ为激活函数，这里使用relu函数，w1和w2为权重，*表示卷积操作，x为输入的电化学阻抗谱视图，a1和a2为偏置，yadjust为调整后的输出，wadjust为调整后的权重，aadjust为调整后的偏置，res为残差块的输出；

29、s3-2：将s3-1所述残差学习层输出的特征矩阵，输入到由三个卷积层与一个池化层组成的卷积神经网络，其输出定义为pi，i＝1,2,3,4；

30、s3-3：将s3-2所述卷积神经网络输出的pi输入到注意力层，定义注意力层的表达式为：

31、ci＝[β(wattention*pi+aattention)]⊙pi

32、其中，β为激活函数，这里使用sigmoid函数，ci表示注意力层的输出，i＝1,2,3,4，wattention表示注意力层的权重，aattention表示注意力层偏置；

33、s3-4：将s3-3所述注意力层的输出ci输入到s3-1所述残差学习层中，对残差块进行更新得到新残差块，具体计算公式为：

34、res'＝σ(wadjust*ci+aadjust+w2*σ(w1*ci+a1)+a2)

35、其中，res'表示新残差块的输出；

36、s3-5：将s3-4所述的新残差块的输出res'与s3-3所述注意力层的输出ci进行拼接，最终得到四种电化学阻抗谱视图的特征矩阵，具体计算公式为：

37、fi＝concatenate([ci,res'])

38、其中，fi为电化学阻抗谱视图的特征矩阵，i＝1,2,3,4，concatenate表示拼接操作。

39、本方案中，步骤s4所述采用低秩优化模型对步骤s3所述四种电化学阻抗谱视图的特征矩阵进行融合，具体方法如下：

40、s4-1：构建低秩优化模型，该低秩优化模型由引入一致性正则项的目标函数与约束条件组成；

41、定义所述引入一致性正则项的目标函数的计算公式如下：

42、

43、其中，λ为惩罚因子，fi为步骤s3-5所述输出的电化学阻抗谱视图的特征矩阵，yi为fi的低秩矩阵，hi为fi的残差矩阵，其中i＝1,2,3,4，||hi||2,1表示hi的行稀疏范数，ω为控制一致性正则项权重的参数，||(1-ω)yi+ωymean||*表示(1-ω)yi+ωymean的核范数，y表示一致性正则项，表示yi-ymean的弗罗贝尼乌斯范数，ymean为所有低秩矩阵的平均值；

44、定义所述约束条件为fi＝fiyi+hi；

45、s4-2：使用连续最小二乘优化算法求解目标函数的最小值，在迭代过程中更新s4-1所述步骤输出的fi、yi、hi以使目标函数的值最小化，并提取更新后的矩阵yi与hi；

46、s4-3：对s4-2所述步骤更新后的所有yi、hi矩阵按列拼接形成融合后的低秩矩阵与融合后的残差矩阵，并将融合后的低秩矩阵和融合后的残差矩阵相加最终输出一个融合特征矩阵，其计算公式如下：

47、yfuse＝concatenate(y1,…,yi)

48、hfuse＝concatenate(y1,…,yi)

49、ffinal＝yfuse+hfuse

50、其中，yfuse表示融合后的低秩矩阵，hfuse表示融合后的残差矩阵，ffinal表示融合特征矩阵。

51、本方案中，步骤s7所述实际运行时，利用soh估计模型进行在线soh估计，其具体步骤如下：

52、s7-1：将训练好的soh估计模型部署到电池管理系统中；

53、s7-2：锂电池管理系统采集锂电池的阻抗数据，并采用步骤s2所述方法生成四种电化学阻抗谱视图，即奈圭斯特图、相频图、阻抗数据二维图、相频数据二维图，将所述四种电化学阻抗谱视图输入到特征提取网络中得到融合特征矩阵，然后利用soh估计模型进行在线soh估计。

54、与现有技术相比，本发明技术方案的有益效果是：

55、本发明提出的一种基于电化学阻抗谱数据的多视图锂电池soh估计方法，基于电化学阻抗谱数据构建多角度视图，能够从全局视角与局部视角全面挖掘电化学阻抗谱数据中蕴含的电池健康信息。同时，通过将不同角度的视图融合进行特征提取，在捕捉不同角度视图之间一致性的同时保持每个视图的特征信息，提高了soh估计精度。