申请/专利权人：北京航空航天大学

申请日：2018-05-30

公开（公告）日：2020-07-03

公开（公告）号：CN108717166B

主分类号：G01R31/367(20190101)

分类号：G01R31/367(20190101);G01R31/396(20190101)

优先权：["20171123 CN 2017111776310"]

专利状态码：有效-授权

法律状态：2020.07.03#授权;2018.11.23#实质审查的生效;2018.10.30#公开

摘要：本发明公开了一种基于视觉认知的锂电池容量估计的方法及装置，涉及电池容量估计技术领域，其方法包括：基于非下采样轮廓波变换和拉普拉斯特征映射方法，对由电池循环寿命期间所获取的每个循环中的电流及电压数据转化得到的视觉认知图像进行处理后，估算得到电池容量。本发明首次提出将视觉认知应用于电池容量估计领域，仅采用电池充电电流或放电电压值即可进行电池容量估计，相比现有的方法精度更高，更有效。

主权项：1.一种基于视觉认知的锂电池容量估计的方法，其特征在于，包括：通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。

全文数据：一种基于视觉认知的锂电池容量估计的方法及装置技术领域[0001]本发明涉及电池容量估计技术领域，具体涉及一种基于视觉认知的锂电池容量估计的方法及装置。背景技术[0002]电池容量被认为是电池性能的一个重要指标，受环境温度，老化和使用方式等多种内外机制的影响较大，这些因素导致电池性能随着时间逐渐衰退。因此，可用的电池容量需要准确的估计，以保证可靠性和合理的电池使用管理。[0003]近年来的研究提出了多种估计电池容量的方法。现有的大多数方法都是基于模型的方法，包括电化学，等效电路和解析模型。这些模型主要基于考虑电池动态特性的复杂物理和化学过程，评估性能高度依赖于模型精度。特别是在无法获取完整的电池电化学参数，退化机理和属性时，此类模型往往很难建立起来。而且，这些模型仅适用于生产过程、电解质、阳极和阴极材料完全相同的具体类型电池。基于荷电状态（SOC和开路电压OCV对电池循环周期容量估计的方法被广泛应用于许多实际应用中。然而，基于SOC-OCV的方法依赖准确的SOC值和OCV值，准确获取SOC值和OCV值通常是非常耗时的。不管是用哪种建模方法来模拟电池状态，实验室确定的不同操作条件下的电池充电和放电特性是电池性能信息的来源。在一些应用中，这些以离散值寻出的原始数据被用来创建关于主电池的充电状态的查询表数据库。然而，使用这种方法进行锂离子电池容量估计，需要在整个寿命期间在各种操作条件下进行试验以获取不同使用条件和不同寿命状态下的电池容量。否则，在数据库粗糙的情况下，基于数据库的方法精度较低。现有技术中基于数据库相似性识别方法，虽然达到了很高的准确性，但要花费大量时间寻找数据库中包含的最相似曲线限制了它的实际应用。发明内容[0004]根据本发明实施例提供的方案解决的技术问题是为解决现有技术中对电池容量估算方法繁琐且成本高。[0005]根据本发明实施例提供的一种基于视觉认知的锂电池容量估计的方法，包括：[0006]通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；[0007]通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；[0008]利用基于视觉多通道特性的NSCTNon-subsampledcontourlettransform，非下采样轮廓波变换对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；[0009]利用基于视觉流形感知特性的LELaplacianeigenmaps，拉普拉斯特征映射对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；[0010]利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。[0011]优选地，所述通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合包括：[0012]在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者[0013]在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。[0014]优选地，所述通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像包括：[0015]从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；[0016]利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；[0017]通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。[0018]优选地，所述利用基于视觉多通道特性的NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量包括：[0019]利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1，2}对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者[0020]利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1，2}对所述放电电压二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。[0021]优选地，所述利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计包括：[0022]分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇EQL以及初始点和其他点之间的测地距离ge〇s;或者分别确所述定低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geOEOL以及初始点和其他点之间的测地距离ge〇s;[0023]利用所述geoEQL和所述geos对所述锂电池容量进行估计。[0024]根据本发明实施例提供的一种基于视觉认知的锂电池容量估计的装置，包括：[0025]采集模块，用于通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；[0026]数据排序处理模块，用于通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；[0027]多尺度分解模块，用于利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；[0028]降维处理模块，用于利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；[0029]容量估计模块，用于利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。[0030]优选地，所述采集模块具体用于在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。[0031]优选地，所述数据排序处理模块包括：[0032]选取单元，用于从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；[0033]计算单元，用于利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；[0034]数据排序处理单元，用于通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。[0035]优选地，所述多尺度分解模块包括：[0036]第一多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述充电电流二维图像进行多尺度分解，得至IJl个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者[0037]第二多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述放电电压二维图像进行多尺度分解，，得至IJl个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。[0038]优选地，所述容量估计模块包括：[0039]确定单元，用于分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇EQL以及初始点和其他点之间的测地距离geos;或者分别确定所述低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEQL以及初始点和其他点之间的测地距离ge〇s;[0040]容量估计单元，用于利用所述geoEQL和所述geos对所述锂电池容量进行估计。[0041]根据本发明实施例提供的方案，本发明的优点在于：[0042]1本发明所需要的试验数据简单，仅采用锂电池充电电流或放电电压值即可，将锂电池监测信号转换为二维图像的方法利用视觉认知理论对锂电池进行容量估计，精度更尚，更有效；[0043]2本发明是一种数据驱动的方法，避免了复杂的锂电池电化学机理研究与退化建模过程；[0044]3本发明适用性好，当锂电池配方或试验条件发生改变时依然适用。附图说明[0045]图1是本发明实施例提供的一种基于视觉认知的锂电池容量估计的方法流程图；[0046]图2是本发明实施例提供的一种基于视觉认知的锂电池容量估计的装置示意图；[0047]图3是本发明实施例提供的基于CCDV值的图像变换示意图；[0048]图4是本发明实施例提供的原始CCDV数据与处理后的CCDV数据示意图；[0049]图5是本发明实施例提供的单个充放电循环CCDV数据图像转换示意图；[0050]图6是本发明实施例提供的电池#5性能衰退本征流形示意图；[0051]图7是本发明实施例提供的不同试验条件下基于CCDV的电池容量估计结果示意图。具体实施方式[0052]以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。[0053]图1是本发明实施例提供的一种基于视觉认知的锂电池容量估计的方法流程图，如图1所示，包括：[0054]步骤S101:通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；[0055]步骤S102:通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；[0056]步骤S103:利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；[0057]步骤S104:利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；[0058]步骤S105:利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。[0059]其中，所述通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合包括:在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。[0060]其中，所述通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像包括:从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据;利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值;通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。[0061]其中，所述利用基于视觉多通道特性的NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量包括:利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述放电电压二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。[0062]其中，所述利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计包括:分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEQL以及初始点和其他点之间的测地距离ge〇s;或者分别确所述定低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEQL以及初始点和其他点之间的测地距离geos;利用所述geoEQL和所述ge〇s对所述锂电池容量进行估计。[0063]图2是本发明实施例提供的一种基于视觉认知的锂电池容量估计的装置示意图，如图2所示，包括:采集模块201，用于通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合;数据排序处理模块202，用于通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像;多尺度分解模块203,用于利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量;降维处理模块204,用于利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征;容量估计模块205，用于利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。[0064]其中，所述采集模块201具体用于在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。[0065]其中，所述数据排序处理模块202包括:选取单元，用于从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据;计算单元，用于利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值;数据排序处理单元，用于通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。[0066]其中，所述多尺度分解模块203包括:第一多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1，2}对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者第二多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述放电电压二维图像进行多尺度分解，，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。[0067]其中，所述容量估计模块205包括:确定单元，用于分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇EQL以及初始点和其他点之间的测地距离ge〇s;或者分别确定所述低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geoEQL以及初始点和其他点之间的测地距离ge〇s;容量估计单元，用于利用所述ge〇EQL和所述ge〇s对所述锂电池容量进行估计。[0068]下面结合图3至图7以锂离子电池的容量估计为例进行说明[0069]NASA锂离子电池试验数据描述:本研究中使用的数据来自NASA埃姆斯预测中心的定制电池计划。在环境温度AT下通过三种不同的操作剖面充电，放电和阻抗进行试验。在恒定电流模式下以1.5A进行充电直到电池电压达到4.2V，并以恒定电压模式放电直到放电电流下降到20mA。放电过程停止在不同的放电末期EODs。试验会进行到直到容量降低到制定的寿命终止标准Φ〇ΙΧ。[0070]为了验证所提出方法的效率，选择了典型数据5号，7号，29号，54号并在表1不同工作条件的数据表中进行描述。从表1中可以看出，这些数据具有相同的充电电流1.5Α，但通常表现出不同的AT24°C，43°C，或4°C，放电电流DC;2A或4Α，E0D从2V到2.7V，初始容量（IC;从1·1665Ah到1·891IAh和EOLC30%或12.61%。[0071]表1不同工作条件的数据表[0072][0073]其中：AT表示环境温度，CC表示充电电流，DC表示放电电流，EOD表示放电末端，IC表示初始容量和EOLC表示寿命终止标准退化后容量占初始容量比例）。[0074]1、视觉认知图像的构建[0075]1.1、图像变换方法[0076]任意电池的实际状态可以通过充电或者放电来识别。因此，从充电和放电过程获得的充电电流（以下简称CC和放电电压（以下简称DV曲线可以直接反映出电池的实际状态。为了发掘这些曲线中包含的性能退化规律，将每个循环的CC和DV曲线变换成用于以下视觉认知的图像。首先根据线性归一化方程，对整个循环的寿命期间的CC和DV值进行一致归一化。线性归一化方程:y=xHVIinValueMaxValue-MinValue，其中X是原始CC或DV值，y是归一化值，MinValue和Maxvalue分别是整个循环的寿命期间的最小和最大CCDV值。归一化的数据点被排列成MXN的矩阵，如果将每个样本的归一化幅度作为一张图片的像素值，则MXN矩阵就会变成一个MXN图像，如图3所示。以下原则用于确保变换图像的质量：1变换图像应保留每个充电放电周期最有用的信息；（2应消除明显不同于其他周期的CC和DV数据；（3基于每个周期的CC和DV数据构建的图像应当有相同的尺寸。为了遵循这些原则，需要选择和处理每个充电放电周期的CC和DV数据。[0077]1.2、数据选择和处理[0078]在一定程度上，图像变换质量直接影响到视觉认知的结果。因此，对CC和DV数据进行适当的选择和处理对确保高质量图像变换至关重要。[0079]本发明试验收集了两种包含最有用信息的CCDV数据：（1恒压充电阶段的CC数据，如图4中的b所示；⑵放电过程中的DV数据如图4中的d所示。以下数据被删除：㈧异常数据，⑶恒定电流充电阶段的CC数据，（C放电早期的灵敏电压数据和D电压恢复数据，如图4中的a、c所示。[0080]采样率或采样开始时间）的差异导致每个周期的CC或DV数据数量不同。这在形成相同尺寸的图像时引起问题。采用插值法来确保每个循环的数据点数相同。如果图像太大，则计算量变的极大，而如果图像太小，则不能反映特定的充电放电周期特性。为了平衡这些问题，选择M=N=64。因此，每个周期需要总共4096个数据点来构建图像。如果从充电放电周期中获得ii〈4096个数据点，则其他的数据点通过“spline”插值算法获取。图5中的b、d显示了5号电池处理CCDV数据曲线的一个例子。[0081]2、基于非下采样轮廓波变换NSCT和拉普拉斯特征映射LE的特征提取[0082]2.1、基于NSCT的多通道特征提取[0083]通过利用NSCT，来自CCDV值的变换图像被分解成具有一组定向子带的多个空间频率通道。子带可以表示如下：ii〇;j=2,4,8,…，m;neN，me2N，其中i是分解尺度，j是分解方向，Q表示低频系数，表示第j个方向子带在第i尺度的高频系数。本发明中，i〇=2,j={2,4}。[0084]低频子带系数反映了图像的轮廓信息，而高频子带的系数反映更详细的信息。因此，三个时域指标被提取为特征值，分别是低频子带系数的平均值μ，方差值σ和高频子带系数的能量值E。这三个指标的计算公式如下：[0085][0086]其中，Px，y表示系数的每个元素，MXN表示系数矩阵的大小。因此，从单个充电放电周期转换的每个图像的八维特征向量可以被获得为：[0087]f=[μ，σ，Ει,ι，Ει,2，Ε2,ι，Ε2,2，Ε2,3，Ε2,4]13[0088]2.2、基于LE的本征流形建立[0089]使用LE方法建立一个本征流形。Md空间嵌入高维Rft空间的本征流形上的数据揭示了电池性能的退化规律。空间是由从CCDV数据变换的图像中通过NSCT提取的八维特征向量构成的。从Ira到]^的映射g=Γ1在Md空间给出了一个能很好描述锂离子电池退化的2维特征矩阵。映射g=f4由四个典型数据集中的每一个的类似的一组全周期寿命ASL的原始试验数据建立。给定中的任意一点，可以通过映射g=f_1得到表示Md中锂离子电池容量的相应数据点。[0090]3、基于测地距离的容量估计[0091]本研究中，计算退化过程中初始点与最近点之间沿本征流形的测地距离，进行电池容量的估计。将Q作为初始容量，通常不是额定容量，将CEcd乍为ASL实验数据的最终充电放电周期的容量。将本征流形Md上初始点和其他点之间的测地距离表示为geos，将ASL本征流形上的初始点和最后一点之间的测地距离表示为ge〇EQL。^空间中的每个点的容量可以估计为：[0092][0093]本发明使用5号电池来证明所提出的方法的有效性，其中，图4显示了充电过程中的原始CC数据曲线（图4a和放电过程中的DV数据曲线（图4C。图4b和d显示了从5号电池稳定阶段获取的相应处理曲线。使用图4所示的变换方案将充电放电过程的每个循环的标准化数据转换成了图像。图5显示了充电和放电过程的单个循环变换图像的例子。[0094]在图像变换之后，采用NSCT方法从变换图像中提取特征，由此形成通过计算低频子带系数的均值和方差以及高频子带系数的能量而构成的八维特征向量。通过LE建立从RlIjMd的映射gzf1，构建了在二维空间Md上的本征流形。这描述了电池容量的退化规律，图6显示了嵌入在由DV数据提取的特征构建的八维空间中的5号电池的本征流形。[0095]图7为采用本发明的方法对5号、7号、29号、54号电池进行容量估计的结果，表2列出了各电池容量估计精度表，其中AE为估计绝对误差，RE为估计相对误差，ET为算法运行时间。[0096]图7和表2所示的估计结果表明，所提出的基于视觉认知的容估计方法在非常短的时间内对CC和DV数据非常有效。也就是说可以选择CC或者DV曲线对电池容量进行实时高精度的估计。[0097]表2:电池容量估计精度表[0098][0100]可见，本发明提出了一种基于视觉认知的电池容量估计方法及装置，将从每个充电放电周期收集的CC或DV数据变换成图像，然后用NSCT从变换的图像中提取特征。之后，借鉴HVS流形感应特征，利用LE方法建立了嵌入高维NSCT系数中的本征流形，从而揭示电池性能的退化规律，采用本征流形上的测地距离估计电池容量。[0101]根据本发明实施例提供的方案，使用从NASA电池数据集收集的CC或DV数据进行验证试验，可以用于在不同使用和老化条件下使用CC或DV数据进行高精度的容量估计。此外，不需要研究复杂的电化学机理，建模或进行冗长的测试从而使其成为一种有前景的电池容量估计的实用方法。[0102]尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

权利要求：1.一种基于视觉认知的锂电池容量估计的方法，其特征在于，包括：通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。2.根据权利要求1所述的方法，其特征在于，所述通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合包括：在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。3.根据权利要求1或2所述的方法，其特征在于，所述通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像包括：从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。4.根据权利要求3所述的方法，其特征在于，所述利用基于视觉多通道特性的NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量包括：利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1，2}，对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为{1，2}，对所述放电电压二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。5.根据权利要求1所述的方法，其特征在于，所述利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计包括：分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇EQL以及初始点和其他点之间的测地距离ge〇s;或者分别确所述定低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离geOEOL以及初始点和其他点之间的测地距离ge〇s;利用所述geoEQL和所述geos对所述锂电池容量进行估计。6.—种基于视觉认知的锂电池容量估计的装置，其特征在于，包括：采集模块，用于通过对锂电池每次充电过程中的充电电流或每次放电过程中的放电电压进行采集，得到每次充电过程中的充电电流数据集合或每次放电过程中的放电电压数据集合；数据排序处理模块，用于通过对所述充电电流数据集合或所述放电电压数据集合进行数据排列处理，形成充电电流二维图像或放电电压二维图像；多尺度分解模块，用于利用基于视觉多通道特性的非下采样轮廓波变换NSCT对所述充电电流二维图像或放电电压二维图像进行多尺度分解，得到高维充电电流特征向量或高维放电电压特征向量；降维处理模块，用于利用基于视觉流形感知特性的拉普拉斯特征映射LE对所述高维充电电流特征向量或高维放电电压特征向量进行降维处理，得到蕴含在低维充电电流本征流形中的低维充电电流退化特征或蕴含在低维放电电压本征流形中的低维放电电压退化特征；容量估计模块，用于利用所述低维充电电流退化特征或所述低维放电电压退化特征对所述锂电池容量进行估计。7.根据权利要求6所述的装置，其特征在于，所述采集模块具体用于在对锂电池每次充电过程中的充电电流进行采集时，剔除异常充电电流数据和恒定电流充电阶段的充电电流数据;或者在对锂电池每次放电过程中的放电电压进行采集时，剔除放电早期灵敏的放电电压数据和放电末期电压恢复的放电电压数据。8.根据权利要求6或7所述的装置，其特征在于，所述数据排序处理模块包括：选取单元，用于从所述充电电流数据集合中选取出最大充电电流数据和最小充电电流数据，或从所述放电电压数据集合中选取出最大放电电压数据和最小放电电压数据；计算单元，用于利用所述最大充电电流数据和所述最小充电电流数据，计算出所述充电电流数据集合中每个充电电流数据的归一化电流值，或利用所述最大放电电压数据和所述最小放电电压数据，计算出所述放电电压数据集合中每个放电电压数据的归一化电压值；数据排序处理单元，用于通过将每个所述归一化电流值作为像素值进行数据排列处理，形成充电电流二维图像，或通过将每个所述归一化电压值作为像素值进行数据排列处理，形成放电电压二维图像。9.根据权利要求8所述的装置，其特征在于，所述多尺度分解模块包括：第一多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述充电电流二维图像进行多尺度分解，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的充电电流特征向量;或者第二多尺度分解单元，用于利用基于视觉多通道特性的NSCT的分级级数为2级，两级尺度上的方向分解级数分别选取为U，2}对所述放电电压二维图像进行多尺度分解，，得到1个低频子带和6个高频子带，并选取所述1个低频子带系数均值和方差值，以及所述6个高频子带系数能量值，得到8维的放电电压特征向量。10.根据权利要求6所述的装置，其特征在于，所述容量估计模块包括：确定单元，用于分别确定所述低维充电电流退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇EQL以及初始点和其他点之间的测地距离ge〇s;或者分别确定所述低维放电电压退化特征所构建的本征流形上初始点和最后一点之间的测地距离ge〇E〇L以及初始点和其他点之间的测地距离ge〇s;容量估计单元，用于利用所述ge〇EQL和所述geoj#所述锂电池容量进行估计。

百度查询： 北京航空航天大学 一种基于视觉认知的锂电池容量估计的方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD