本發(fā)明屬于動力電池，電池壽命評估等技術(shù)，特別是涉及一種動力電池壽命狀態(tài)識別方法。

背景技術(shù)：

隨著經(jīng)濟的發(fā)展，煤炭、石油等能源嚴重短缺，開發(fā)和利用新能源成為世界各國可持續(xù)發(fā)展的必經(jīng)之路。所以，目前對電動力的研究已成為主流研究方向。電池作為電動力產(chǎn)品的核心部件，其發(fā)展水平直接影響電動力產(chǎn)業(yè)的發(fā)展，只有技術(shù)成熟、成本低、安全性高的動力電池才能使電動產(chǎn)品得到廣泛的發(fā)展。一方面我們應該研發(fā)高性能長壽命的動力電池；另一方面應該建立動力電池壽命評估方法和壽命模型，科學的評價和預測電池壽命。電池壽命狀態(tài)識別問題是電池系統(tǒng)最為關(guān)鍵的問題之一，而電池壽命的長短可以通過電池等效內(nèi)阻或者電池循環(huán)使用次數(shù)來表示，根據(jù)這兩點，一種簡單又有效地判斷電池壽命狀態(tài)的方法顯得非常重要。

目前，對于動力電池壽命問題的研究，大部分是建立電池壽命模型。一些研究根據(jù)電池阻抗、容量、能量、功率等因素發(fā)生不同程度的衰退建立電池壽命等效模型，然后根據(jù)電流、電壓、溫度、等效內(nèi)阻等因素識別、預測電池壽命狀態(tài)；還有一些研究是建立電池循環(huán)壽命模型，這種方法可以預測電池未來的循環(huán)次數(shù)，但卻不能識別當前的循環(huán)次數(shù)或者當前的壽命狀態(tài)。而且這兩類方法都需要搭建一個有效的電池系統(tǒng)模型，然而一個電池系統(tǒng)模型需要考慮大量的參數(shù)，參數(shù)的增多使得模型變得復雜，搭建電池等效模型也變得復雜。

根據(jù)以上分析，通過搭建電池等效模型來分析電池壽命的方法比較復雜。隨著計算機技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的識別方法得到很大發(fā)展，電池壽命狀態(tài)識別技術(shù)也必定會向基于數(shù)據(jù)驅(qū)動的方向發(fā)展。而且，目前隱馬爾科夫模型的識別技術(shù)在很多方面都已經(jīng)有成熟的應用，所以本發(fā)明提出一種利用隱馬爾科夫模型識別電池壽命狀態(tài)的方法。

技術(shù)實現(xiàn)要素：

針對上述背景技術(shù)中存在的問題，本發(fā)明提出一種電池壽命狀態(tài)識別方法，解決了物理模型參數(shù)配置復雜的問題，同時，解決了在線計算和動力電池在線識別的問題。

本發(fā)明采用的技術(shù)方案步驟如下：

一種電池壽命狀態(tài)識別方法，用于實現(xiàn)在線計算和狀態(tài)評估電池壽命狀態(tài)，包括步驟：

A.采集動力電池系統(tǒng)在各個電池壽命狀態(tài)下的端電壓和充放電電流，對這兩個參數(shù)集進行預處理；

B.對預處理后的數(shù)據(jù)進行特征值提取，將特征值歸一化后得到隱馬爾科夫模型的輸入特征值序列；

C.建立特征值序列混合高斯分布模型，確定隱馬爾科夫模型參數(shù)，建立適合電池壽命狀態(tài)的隱馬爾科夫模型；

D.采集觀察數(shù)據(jù)，特征提取后，導入隱馬爾科夫模型，計算前向概率；

E.比較各個模型輸出的概率值，得到識別結(jié)果，然后跳轉(zhuǎn)至步驟D，進行下一組觀察數(shù)據(jù)的識別。

所述步驟A電池壽命狀態(tài)按照等效內(nèi)阻被劃分為4個狀態(tài)，標準內(nèi)阻代表電池壽命初始狀態(tài)，二倍、三倍標準內(nèi)阻代表電池壽命中間狀態(tài)，四倍標準內(nèi)阻代表電池壽命失效狀態(tài)。

所述步驟A采集動力電池系統(tǒng)在各個狀態(tài)下的端電壓和充放電電流，采集完成后對數(shù)據(jù)進行預處理，首先將端電壓和充放電電流相除，將相除的結(jié)果與電壓組成新的數(shù)據(jù)集。

所述步驟B對預處理后的數(shù)據(jù)進行特征值提取，提取U的均方值、有效值、均值、中位數(shù)和U/I的均值、離散系數(shù)。對U作最大值歸一化，對U/I作[-1，1]歸一化。當某一段數(shù)據(jù)的特征值提取完成后，更新數(shù)據(jù)段，提取下一段數(shù)據(jù)的特征值。

所述步驟C建立特征值序列混合高斯分布模型，將馬爾科夫鏈與混合高斯概率的參數(shù)相結(jié)合，確定隱馬爾科夫模型參數(shù)，將訓練數(shù)據(jù)進行特征值提取后，利用前向-后向算法和Baum-Welch算法估計隱馬爾科夫模型參數(shù)，進而獲得各個狀態(tài)所對應的模型參數(shù)。

所述步驟D采集觀察數(shù)據(jù)，特征提取后，導入隱馬爾科夫模型，計算前向概率，利用隱馬爾科夫模型參數(shù)計算前向概率P(O|λ)公式如下所示：

α_i(1)＝π_ib_i(o₁)，1≤i≤N

${\mathrm{\α}}_j(t+1)=\left[{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(t\right)a_{\mathrm{ij}}\right]b_j\left(o_{t+1}\right),t=\mathrm{1,2},\·\·\·,T-\mathrm{1,1}\≤j\≤N$

P(O|λ)＝[α₁(T)，α₂(T)，…，α_N(T)]

其中π_i表示初始時刻狀態(tài)i的概率，b_i(o_t)表示狀態(tài)i下o_t的概率分布，a_ij 表示觀察序列從狀態(tài)i向狀態(tài)j轉(zhuǎn)移的概率，N表示狀態(tài)數(shù)。

所述步驟E比較各個模型輸出的概率值，得到識別結(jié)果。將步驟D中獲得的P(O|λ)進行比較，P(O|λ)中最大的概率值所對應的電池壽命狀態(tài)即為識別結(jié)果，保存識別結(jié)果，然后跳轉(zhuǎn)至步驟D進行下一數(shù)據(jù)段的識別，直至完成所有觀察序列的識別，通過上述方式實現(xiàn)在線計算和狀態(tài)評估。

附圖說明

圖1是本發(fā)明建立電池壽命狀態(tài)的隱馬爾科夫模型流程圖。

圖2是本發(fā)明識別電池壽命狀態(tài)的流程圖。

具體實施方式

下面，結(jié)合附圖對本發(fā)明的具體實施方式作進一步說明。

如圖1與圖2所示，本發(fā)明的具體實施過程和工作原理如下：

A.采集動力電池系統(tǒng)在各個電池壽命狀態(tài)下的端電壓和充放電電流，并對這兩個參數(shù)集進行預處理；

B.對預處理后的數(shù)據(jù)進行特征值提取，將特征值歸一化后得到隱馬爾科夫模型的輸入特征值序列；

C.根據(jù)電池壽命特點，建立混合高斯概率分布模型表征電池數(shù)據(jù)特征值序列的概率分布，利用采集的數(shù)據(jù)訓練隱馬爾科夫模型，獲得模型參數(shù)；

D.采集觀察數(shù)據(jù)，特征提取后，導入各狀態(tài)隱馬爾科夫模型，計算前向概率；

E.比較各個模型輸出的概率值，得到識別結(jié)果，然后跳轉(zhuǎn)至步驟D，進行下一組觀察數(shù)據(jù)的識別。

步驟A中采集動力電池系統(tǒng)在各個狀態(tài)下的端電壓和充放電電流，比物理模型參數(shù)配置簡單得多，采集完成后，用端電壓除以電流。預處理后，每個狀態(tài)的數(shù)據(jù)由兩部分組成，分別是端電壓和電壓除以電流。

步驟B通過分析數(shù)據(jù)的特征，提取數(shù)據(jù)的時域特征值，分別是電壓的均方值、有效值、均值、中位數(shù)和電壓除以電流的均值、離散系數(shù)。電壓部分的特征值采用最大值歸一化進行處理，電壓除以電流部分的歸一化采用[-1，1]歸一化處理，歸一化后得到特征值序列。

步驟C建立電池壽命狀態(tài)識別的隱馬爾科夫模型，圖1介紹建模的過程。電池的使用過程是一個電池退化過程，狀態(tài)由好到壞，選用左-右型馬爾科夫鏈，特征值概率分布利用三個混合高斯分布表示，公式如下

其中b_j(o_t)表示狀態(tài)j下o_t的概率分布，Q表示高斯模塊的個數(shù)，Q＝3，是狀態(tài)j對應的第個高斯分布的平均值，是狀態(tài)j對應的第個高斯分布的協(xié)方差，是狀態(tài)j對應的第個高斯分布所占的權(quán)重。一個隱馬爾科夫模型可以表示為其中π是初始概率，A是狀態(tài)轉(zhuǎn)移矩陣。利用前向-后向算法和Baum-Welch算法估計各個隱馬爾科夫模型的參數(shù)，當達到收斂條件時，停止參數(shù)估計，保存模型參數(shù)，通過上述方法獲得各個狀態(tài)的隱馬爾科夫模型參數(shù)。

圖2中電池壽命狀態(tài)識別對應步驟D和E。步驟D和E采集觀察數(shù)據(jù)，觀察數(shù)據(jù)的狀態(tài)從標準等效內(nèi)阻變化到四倍標準等效內(nèi)阻。步驟D每采集到一段數(shù)據(jù)，完成特征提取后，將特征值序列導入隱馬爾科夫模型中，得到每個模型計算的前向概率值P(O|λ)，計算公式如下：

α_i(1)＝π_ib_i(o₁)，1≤i≤N

${\mathrm{\α}}_j(t+1)=\left[{\mathrm{\Σ}}_{i=1}^N{\mathrm{\α}}_i\left(t\right)a_{\mathrm{ij}}\right]b_j\left(o_{t+1}\right),t=\mathrm{1,2},\·\·\·,T-\mathrm{1,1}\≤j\≤N$

P(O|λ)＝[α₁(T)，α₂(T)，…，α_N(T)]

其中π_i表示初始時刻狀態(tài)i的概率，b_i(o_t)表示狀態(tài)i下o_t的概率分布，a_ij表示觀察序列從狀態(tài)i向狀態(tài)j轉(zhuǎn)移的概率，N表示狀態(tài)數(shù)，N＝4，表示P(O|λ)包含4種電池壽命狀態(tài)的概率計算值。

步驟E比較前向概率值，找出最大的概率值，將此概率值對應的電池壽命狀態(tài)作為識別結(jié)果，保存識別結(jié)果，然后跳轉(zhuǎn)至步驟D進行下一數(shù)據(jù)段的識別，直至完成所有觀察序列的識別，通過上述方式實現(xiàn)在線計算和狀態(tài)評估。本識別方法無需電池離線，運行中的電池系統(tǒng)也可以用本識別方法進行電池壽命狀態(tài)識別。