CN104793144A - 一种电池寿命快速检测方法 - Google Patents
一种电池寿命快速检测方法 Download PDFInfo
- Publication number
- CN104793144A CN104793144A CN201510148023.1A CN201510148023A CN104793144A CN 104793144 A CN104793144 A CN 104793144A CN 201510148023 A CN201510148023 A CN 201510148023A CN 104793144 A CN104793144 A CN 104793144A
- Authority
- CN
- China
- Prior art keywords
- battery
- discharge
- parameter
- maximum available
- electric discharge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池寿命快速检测方法,该方法首先基于部分放电法快速估算电池最大可用容量,然后利用最大可用容量获得容量保持率,再根据当前容量保持率和已知的电池额定循环寿命估计以循环次数表征的电池剩余循环寿命。可见,本发明选取最大可用容量作为关键性能参数,基于性能退化方法对电池最大可用容量进行退化轨道建模,进而实现铅酸电池剩余循环寿命预测。此外,本发明基于部分放电法快速估算电池最大可用容量,实现对电池剩余循环寿命的快速预测。由于不需要全程放电,测试时间大大缩短,在掌握电池放电规律的前提下精度亦能令人满意,该方法在军事、能源、交通等领域具有广泛的应用价值。
Description
技术领域
本发明涉及电池寿命检测技术领域,尤其涉及一种电池寿命快速检测方法。
背景技术
随着电气化装置的广泛应用,电在生产生活以及国防领域广泛使用,而依赖于电的生产和生活如果遭遇停电,损失相当巨大,或对于部分用电设备无法直接有线供电,或有特殊要求,因此电池在生产生活中扮演着越来越重要的作用。
电池在使用相当一段时间后,其寿命衰减甚至衰竭。以军事装备为例,如果电池在关键时刻无法起到应有的作用,则会对战斗力产生巨大打击。因此,如何了解掌握电池状态、评判关键时候能否满足使用要求,需要定期或事先进行相关检测。
循环寿命是指在一定使用条件下新电池使用至报废所经历的完全充放电循环次数,剩余循环寿命则是指当前状态下电池至报废还剩余的完全充放电循环次数,是衡量电池性能和健康状态的的重要指标之一。因此,有必要建立能快速准确预测被测电池的剩余循环寿命的预测模型,。
发明内容
有鉴于此,本发明提供了一种电池寿命的快速检测方法,能够预测电池的剩余循环寿命,而且所需时间不长。
为了解决上述技术问题,本发明是这样实现的:
一种电池寿命快速检测方法,包括如下步骤:
步骤一、利用与被测电池相同型号的m块电池循环进行全充全放试验,获得不同循环次数的全放电电压曲线;m为正整数;
步骤二、对各次循环的全放电电压曲线进行建模分析,获得每次全放电电压曲线的放电轨道参数K;
步骤三、针对放电电压曲线选取放电初期一段按已知规律变化的电压数据,通过数据拟合估计出每次全放电电压曲线中规律变化段的曲线模型参数A;
步骤四、建立放电电压曲线的放电轨道参数K和曲线模型参数A之间的转换关系;
步骤五、对被测电池,在完全充满电后进行一次放电试验,通过规律变化段电压数据的数据拟合得到曲线模型参数An,并利用步骤四建立的转换关系确定被测电池的放电轨道参数Kn;
步骤六、利用被测电池的放电轨道参数Kn估计出被测电池当前最大可用容量Cn;
步骤七、将电池当前最大可用容量Cn与电池额定容量CR相比,获得当前容量保持率ηn;根据当前容量保持率ηn和已知的电池额定循环寿命,估计以循环次数表征的被测电池的剩余循环寿命。
优选地,所述规律变化段选取放电初期的一段线性变化段;则计算曲线模型参数时采用的数据拟合方式为线性拟合。
优选地,步骤二获取放电轨道参数K时采用式(1)表示的模型:
其中,U为电池端电压,I为放电电流,k0、k1、k2、k3组成了放电轨道参数K,t为放电时间。
优选地,所述规律变化段选取放电初期线性变化段;步骤三和步骤五获取曲线模型参数时所采用的模型为式(2):
U(t)=a-b·I·t (2)
其中,a和b组成了曲线模型参数。
优选地,步骤四建立的放电轨道参数K和曲线模型参数A之间的关系为:
k0=a
k1=c·b+d
k2=f1(k1)
k3=f2(k1)
其中,f1(·)为参数k2与k1的函数关系,f2(·)为参数k3与k1的函数关系,f1(·)和f2(·)采用步骤一获得的全放电电压曲线通过拟合得到;c和d为预先确定的k2与b所呈线性关系中的系数,利用步骤二和三获得的参数K和A拟合得到。
优选地,f1(·)和f2(·)采用的拟合模型为:幂律模型y=pxq。
优选地,步骤六估计被测电池当前最大可用容量Cn的方式为:将步骤五获得的放电轨道参数Kn代入全放电电压曲线模型公式,得到被测电池当前实际模型,利用当前实际模型求得电压降到放电截止电压U1对应的放电时间t1,该放电时间t1乘以放电电流即为被测电池的最大可用容量Cn。
优选地,步骤六在利用放电时间t1计算最大可用容量Cn时,进一步加入温度影响系数KT,则最大可用容量Cn的计算公式为:
Cn=I×t1×KT
其中,I为放电电流,KT为查表确定的当前温度对应的温度影响系数。
优选地,预先对同类电池进行全充全放试验,利用获得的全放电电压曲线获得规律变化段的截取开始时间和截取长度与检测精度的对应关系;则实际检测时,根据所需精度确定规律变化段的截取开始时间和截取长度。
优选地,预先利用试验数据建立容量保持率随循环次数变化的数学关系:
ηn=f(n)=η0+h×nz
其中,ηn为第n次循环后的容量保持率,n为循环次数,η0、h和z为模型参数,通过拟合得到;
则所述步骤七估计电池剩余循环寿命Lr的方式为:
Lr=f-1(ρ%)-f-1(ηn)
其中,电池实际容量降至额定容量的ρ%时对应的循环次数为电池额定循环寿命。
有益效果:
(1)本发明选取最大可用容量作为关键性能参数,基于性能退化方法对电池最大可用容量进行退化轨道建模,进而实现电池剩余循环寿命预测。
(2)本发明基于部分放电法快速估算电池最大可用容量,实现对电池剩余循环寿命的快速预测。由于不需要全程放电,只需要选取一小段放电时间,因此测试时间大大缩短,在军事、能源、交通等领域具有广泛的应用价值。
(3)在预测最大可用容量时,本发明建立了放电轨道参数K与曲线模型参数A的转换关系,在检测时,只对放电初期规律变化段的电压数据进行拟合,获得曲线模型参数A后再转化为放电轨道参数K,进而基于放电轨道参数K进行最大可用容量Cn的估算。这样做,首先避免了对放电全程数据进行拟合带来的数据量较大的问题,同时避免了因盲目随机数据拟合带来的不精确的问题。
(4)本发明较佳实施例中,选取放电初期一段线性变化的电压数据进行线性拟合获得曲线模型参数A,只对线性变化电压数据进行线性拟合可以缩减计算量。
附图说明
图1为本发明电池寿命快速检测方法的流程图。
图2为放电电压曲线的示意图。
图3为对某一电池进行100%DOD充放电试验的放电电压曲线。
图4为截取放电初期5min数据时拟合出的k2与k1的关系图。
图5为截取放电初期5min数据时拟合出的k3与k1的关系图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
电池在使用和存储过程中,电池放电电压、最大容量、效率等会逐渐衰退,性能退化至一定程度后会因无法满足使用要求而报废,因此,电池主要失效模式属于性能退化型失效。对于退化型失效产品寿命预测可以采用退化建模的方法。
退化建模首先要选取产品关键性能参数。内阻和可用容量是常用的表征电池性能状态的特征参数。内阻随电池老化会逐渐增大,国内外很多学者对通过内阻进行电池寿命预测进行了研究,但研究结果表明有两点缺陷制约内阻法的应用推广:首先,不同荷电状态(SOC)下的电池内阻不同,而SOC的确定本身就是一个难题;其次,电池内阻随电池老化的增量很小,通常在毫欧级以下,一般的内阻测量设备很难监测到这种微小变化。相比而言,最大可用容量可以更为直接的反映电池性能状态,电池在使用过程中,随着充放电次数的增加,最大可用容量会逐渐衰退,当最大可用容量退化到不能满足性能要求时电池寿命随即终止,可见,电池最大可用容量衰退随时间的变化一般具有明显的规律,利用这一规律可以预测电池寿命。因此,本发明选取电池可用容量作为关键性能参数进行退化建模,进一步实现电池寿命预测。
然而,最大可用容量的测量是退化建模的前提。最大可用容量能否快速准确测量是决定是寿命预测成败的关键。传统的容量测试方法包括完全放电法和部分放电法:完全放电法通过全充全放实现电池容量测试,精度很高,但耗时太长;部分放电法通过部分放电外推电池可用容量,可以灵活控制测试时间,但精度难以保证。针对以上两种方法的不足,本方面通过研究电池循环寿命试验数据,提出了一种部分放电法,可以实现电池最大可用容量的快速测量。思路如下:
首先,在实验室开展全充全放循环寿命研究,对100%放电深度(DOD)放电电压曲线进行建模分析,找到表征放电电压曲线变化规律的放电轨道参数K;然后,选取放电初期一段按已知规律变化的电压数据,通过数据拟合获得曲线模型参数A,继而建立放电轨道参数K与曲线模型参数A的关系;最后,对任意未知状态的电池,即可通过放电初期一段规律变化段的电压数据的数据拟合得到曲线模型参数,利用上述关系进而获得放电轨道参数,然后就可以估计出电池当前最大可用容量。
上述规律变化段不一定是从放电起始位置开始。本发明实施例通过试验数据分析,确定出放电初期有一段线性变化段,通过对该线性变化段进行线性拟合,集合获得线性曲线模型参数。线性数据的拟合能够减少计算量。而且通过大量试验数据表明,在这种情况下仅需对满充状态的船用UPS单体电池进行1小时放电即可较准确的估算出其最大可用容量。
图1为本发明优选实施例电池寿命快速检测方法的流程图。如图1所示,该方法包括如下步骤:
步骤一、利用与被测电池相同型号的电池循环进行全充全放试验,获得不同循环次数的全放电电压曲线。
本实施例中,选取m个铅酸蓄电池,m依据电池的放电规律而定,一般来说m≥4,本例中选取4个铅酸蓄电池,在室温25±3℃、湿度<90%的环境下,用0.1C电流对铅酸蓄电池充满电至2.2V,然后采用0.1C恒定电流放电至放电截止电压1.8V,记录放电的电压U—时间t曲线。经过多次对铅酸蓄电池进行全过程放电测试,记录放电曲线如图2所示。试验表明,随着充放电循环次数的增加,铅酸蓄电池放电时间逐渐减小,可用容量逐渐衰减,放电电压曲线形状基本保持不变。
步骤二、根据各次循环的全放电电压曲线进行建模分析,获得全放电电压曲线的放电轨道参数K。
在铅酸蓄电池放电过程中,其放电电压曲线反应了电池初始电压、电池内阻、电解液(H2SO4)浓度及活性物质总量等的变化情况。研究发现,铅酸蓄电池放电电压曲线可用以下经验模型进行描述:
其中,U为电池端电压,I为放电电流(20A,标准0.1C放电),k0、k1、k2、k3组成了全放电电压曲线的放电轨道参数K,t为放电时间。
各模型参数的物理意义如表1所示:
参数 | 物理意义 |
k0 | 电池放电初始电压 |
k1 | 电池内阻大小 |
k2 | 反应电解液H2SO4的浓度变化的物理量 |
k3 | 理想情况下电池最大可用容量 |
表1
针对每一条全放电电压曲线,通过采用模型(1)进行数据拟合都可以获得一组全放电电压的放电轨道参数K,从而获得了放电轨道参数K随循环次数的变化规律。
优选地,在实际中,不是每一组采集的全放电电压曲线均适用,需要剔除非正常突变的全放电电压曲线,针对留下的每一条全放电电压曲线获取其放电轨道参数K。例如图3所示的情况,图3是对某一电池进行100%DOD(放电深度)充放电试验,总的循环次数为103次;其中,第1次循环试验,放电电压出现了明显的陡降复升过程,而在以后的试验中该现象并不明显;第10-16次循环试验,在电池充满电后进行了内阻的测试,导致在用电池测试仪进行测试时电压已较大幅度的下降;由于人为操作不当,在第17次循环试验时,夹在电池正负极上的信号线脱落,出现放电电压非正常突降,进而影响第18次循环试验。因此,在建立放电电压模型时,去除了第1和10-18次循环数据,利用余下的93次循环的放电电压估计放电轨道参数。
步骤三、针对放电电压曲线选取放电初期一段线性变化电压数据,通过线性拟合估计出每一全放电电压曲线放电初期线性变化段的线性曲线模型参数A。
由图2、图3可以看出,电池放电大致可分为三个阶段,一是在放电初期,电池电压陡降,二是在放电中期,电池电压平稳下降(近似线性),三是在放电末期,电池电压快速下降。显然,在电池放电初期,其放电电压不够稳定,波动较大,因此本发明在建立放电电压模型时,忽略放电的第一阶段,即需去除放电电压陡降的过程(大于5min),而只利用而后一段时间(可为1小时)的放电电压数据对后续过程的放电电压曲线进行预测。利用的放电电压数据越多,预测越准确,但是时间太长,将导致在实际工程中无法使用。因此本发明仅利用放电中期、电池电压平稳下降(近似线性)的一段,不同循环次数,线性段的平台高度是不同的,因此,通过线性段仍可以识别出处于哪条放电曲线上。而且这种方式可以大大减小对被测电池的数据采集时间。
具体来说,本步骤三获取线性曲线模型参数A时采用式(2)的模型:
U(t)=a-b·I·t (2)
其中,a、b组成了线性曲线模型参数A,I为放电电流,t为放电时间。对于第n次循环的放电电压曲线,可以通过拟合得到参数(an bn)。
步骤四、建立放电电压曲线的放电轨道参数K和线性曲线模型参数A之间的关系。
最简单的关系建立方式是将同一全放电电压曲线的放电轨道参数K和线性曲线模型参数A对应保存。在使用时通过插值计算获得。但是这样做需要更多的存储空间,同时精度也得不到保证。为了避免这一问题,本发明采用建模的方式寻找K与A的关系表达式。具体来说,
首先,通过统计发现a与k0近似相等,同时k1与b呈明显线性关系,因此建立他们的关系为:k0=a;k1=c·b+d,其中,c和d为k2与b所呈线性关系中的系数,可通过拟合步骤二和三获得的参数K和A得到。为了提高线性关系的拟合精度,在实践中可以分情况处理,即分区不同的电压数据的截取开始时间和截取长度,在每一种组合下进行数据采集,那么一组电压截取开始时间和截取长度对应一组c和d,在实际中根据实际的电压截取开始时间和截取长度选取相应c和d使用。
其次,对于k2与k3,通过分析可知,随循环次数增加,k0与k1逐渐增大,k2与k3逐渐减小,这与铅酸蓄电池的实际变化情况相一致,即随着充放电次数增加,电池内阻增加(k1),可用容量下降(k3)。进一步,可分别建立模型参数k2、k3与k1的关系模型,其中,图4、图5分别给出了一组采用实际数据拟合出的k2与k1、k3与k1的关系图。根据图示可知,可以利用幂律模型y=pxq分别对k2与k1、k3与k1的关系进行建模。
为了提高精度,并且为了分析不同放电时间对预测精度的影响,本发明截取放电初期不同时间的数据进行模型参数估算后再进行对比分析研究。分析结果如下,其中表2示出了数据段的截取开始时间,以及截取持续时间内的采集时间点的选取,本例中,由于采集总时间为1小时,因此不同截取开始时间对应的采集时长不同。
表2
不同截取时间的数据经拟合后获得的参数关系如下:
截取放电初期5min数据时的放电电压模型中,
截取放电初期10min数据时的放电电压模型中,
截取放电初期15min数据时的放电电压模型中,
截取放电初期20min数据时的放电电压模型中,
截取放电初期25min数据时的放电电压模型中,
截取放电初期30min数据时的放电电压模型中,
通过对比拟合曲线与实际数据可以看出,不同时间的数据对应的拟合精度是不同的,因此可以根据所需精度选取最终使用哪个关系模型。
将最终选定的k2与k1的函数关系记为f1(·),k3与k1的函数关系记为f2(·),则本步骤建立的全放电电压曲线的放电轨道参数K和线性曲线模型参数A之间的关系为:
k0=a (3)
k1=c·b+d (4)
k2=f1(k1) (5)
k3=f2(k1) (6)
在实际使用上式时,参数a和b均采用对被测电池进行实际采集并拟合获得的实际拟合参数,c和d采用上文所述预先确定的值。
在实际中,也可以采用其他模型代替式(1),但需要通过数据拟合重新确定K与A的关系,但方法都是类似的。
步骤五、对被测电池,在完全充满电后进行一次放电试验,通过放电初期一段电压变化电压数据的线性拟合得到线性曲线模型参数An,并利用步骤四建立的所述关系确定被测电池的全放电电压曲线的放电轨道参数Kn。
本步骤包括如下子步骤:
S501:给定任意未知状态下的铅酸蓄电池,对其进行标准充电,充满电后进行标准的0.1C放电。截取放电X分钟(5min)后Y分钟(55min)的电压数据,将采集的电压数据代入下式(7)进行线性拟合,获得线性曲线模型参数An中的a和b的估计值,记为
S502:将估计值代入步骤四建立的关系(3)和(4),得到放电轨道参数K中的k0、k1。
S503:再将S502获得的k1代入与k2、以及k1与k3的关系,计算放电轨道参数K中的k2、k3。
步骤六、利用步骤五获得的被测电池的放电轨道参数Kn估计出被测电池当前最大可用容量Cn。
本步骤中,将步骤五计算得到的放电轨道参数k0、k1、k2、k3代入公式(1)求得电压U降到放电截止电压U1(本例U1=1.8V)对应的放电时间t1;该放电时间t1乘以放电电流I即可求出当前电池最大可用容量(25℃室温)。
优选地,考虑到电池的运行环境温度对电池的容量影响较大,在不同的温度范围内,温度对容量的影响系数不一样,在低温时电池的容量随温度的升高而提高较快,随着温度的升高,电池容量随温度变化率逐渐变慢。表3中提供了试验铅酸蓄电池不同温度下电池实际容量与额定容量的比率KT(额定容量是指:温度25℃,电池放电截止电压1.8V的条件下电池的10小时放电容量)。
电池温度T(℃) | -40 | -30 | -20 | -10 | 0 | 10 | 15 | 20 | 25 | 30 | 35 | 40 | 50 |
容量比率KT(%) | 15 | 30 | 45 | 60 | 80 | 87 | 93 | 97 | 100 | 104 | 106 | 107 | 107 |
表3
那么,在计算最大可用容量Cn时,需要进一步加入温度影响系数KT,以提高计算精度,则最大可用容量Cn的计算公式修正为:
Cn=I×t1×KT (8)
步骤七、将电池当前最大可用容量Cn与电池额定容量CR相比,获得当前容量保持率ηn;根据当前容量保持率ηn和电池额定循环寿命估计以循环次数表征的被测电池的剩余循环寿命。
本步骤中,首先计算第n次循环的容量保持率ηn=Cn/CR×100%,其中Cn为第n次循环电池实际可用容量,CR为电池额定容量。
基于当前容量保持率ηn,有两种方式估计电池剩余循环寿命:
方式一:电池理论剩余寿命计算如下:
Lr=ηn×额定循环寿命 (9)
方式二:从图2、3中可以看出,随着充放电循环的进行,电池实际可用容量逐渐减少,容量保持率在循环前期下降较快,但随着循环的进行容量保持率下降速率逐渐降低。根据曲线的形状可知,容量保持率随循环次数基本符合幂函数的数学关系:
ηn=f(n)=K0+h×nz (10)
式中:ηn为第n次循环后的容量保持率,n为循环次数,η0、h和z为模型参数。通过拟合得到模型参数:
η0=0.7385,h=16.82,z=-1.249
那么本步骤将容量保持率ηn代入公式(10)中,即可得出电池已使用的循环次数。一般定义电池额定循环寿命为实际容量降至其额定容量ρ%(例如80%)时对应的循环次数。则室温、0.1C充放电倍率、100%DOD使用条件下,电池的剩余循环寿命预测可按以下步骤进行。
(1)新电池的循环寿命:
L=f-1(ρ%)
(2)当前最大可用容量为C的电池的剩余循环寿命:
Lr=f-1(ρ%)-f-1(ηn)
其中f-1是ηn=f(n)的反函数。
至此,本流程结束。
本发明进一步研究了线性放电段的截取时间以及截取长度对参数估计精度的影响
按照前面介绍的最大可用容量预测步骤,分析截取前5min、10min、15min、20min、25min、30min放电电压时,某型铅酸蓄电池的最大可用容量预测结果。
表4为截取5min后,最大可用容量预测精度分析:
表4
表5为截取10min后,最大可用容量预测精度分析:
表5
表6截取15min后,最大可用容量预测精度分析:
采集时间 | 5 | 10 | 15 | 20 | 25 | 30 | 35 | 40 | 45 |
(min) | |||||||||
平均相对误差 | 33.4% | 24.6% | 19.9% | 17.0% | 14.8% | 13.6% | 12.5% | 11.6% | 10.7% |
表6
表7截取20min后,最大可用容量预测精度分析:
表7
表8截取25min后,最大可用容量预测精度分析:
表8
表9截取30min后,最大可用容量预测精度分析:
采集时间(min) | 5 | 10 | 15 | 20 | 25 | 30 |
平均相对误差 | 26.6% | 15.6% | 11.4% | 10.2% | 9.4% | 8.8% |
表9
根据不同截取时间下,电池最大可用容量的预测结果,进一步对分析结果进行比较。表10将前面的预测误差进行了汇总。
表10
从表10可以看出,当从5min之后开始截取,截取55min的数据,预测精度可以达到14.0%;而从20min之后开始截取,截取40min的数据,预测精度可以达到9.7%。
那么根据以上所述,使用者可以预先对同类电池进行全充全放试验,利用获得的全放电电压曲线获得规律变化段的截取开始时间和截取长度与检测精度的对应关系,可以采用表格形式进行记录,例如表10。在实际检测时,使用者可以根据自身所需的精度,查表选取规律变化段截取开始时间和截取长度。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池寿命快速检测方法,其特征在于,包括如下步骤:
步骤一、利用与被测电池相同型号的m块电池循环进行全充全放试验,获得不同循环次数的全放电电压曲线;m为正整数;
步骤二、对各次循环的全放电电压曲线进行建模分析,获得每次全放电电压曲线的放电轨道参数K;
步骤三、针对放电电压曲线选取放电初期一段按已知规律变化的电压数据,通过数据拟合估计出每次全放电电压曲线中规律变化段的曲线模型参数A;
步骤四、建立放电电压曲线的放电轨道参数K和曲线模型参数A之间的转换关系;
步骤五、对被测电池,在完全充满电后进行一次放电试验,通过规律变化段电压数据的数据拟合得到曲线模型参数An,并利用步骤四建立的转换关系确定被测电池的放电轨道参数Kn;
步骤六、利用被测电池的放电轨道参数Kn估计出被测电池当前最大可用容量Cn;
步骤七、将电池当前最大可用容量Cn与电池额定容量CR相比,获得当前容量保持率ηn;根据当前容量保持率ηn和已知的电池额定循环寿命,估计以循环次数表征的被测电池的剩余循环寿命。
2.如权利要求1所述的方法,其特征在于,所述规律变化段选取放电初期的一段线性变化段;则计算曲线模型参数时采用的数据拟合方式为线性拟合。
3.如权利要求1所述的方法,其特征在于,步骤二获取放电轨道参数K时采用式(1)表示的模型:
其中,U为电池端电压,I为放电电流,k0、k1、k2、k3组成了放电轨道参数K,t为放电时间。
4.如权利要求3所述的方法,其特征在于,所述规律变化段选取放电初期线性变化段;步骤三和步骤五获取曲线模型参数时所采用的模型为式(2):
U(t)=a-b·I·t (2)
其中,a和b组成了曲线模型参数。
5.如权利要求4所述的方法,其特征在于,步骤四建立的放电轨道参数K和曲线模型参数A之间的关系为:
k0=a
k1=c·b+d
k2=f1(k1)
k3=f2(k1)
其中,f1(·)为参数k2与k1的函数关系,f2(·)为参数k3与k1的函数关系,f1(·)和f2(·)采用步骤一获得的全放电电压曲线通过拟合得到;c和d为预先确定的k2与b所呈线性关系中的系数,利用步骤二和三获得的参数K和A拟合得到。
6.如权利要求5所述的方法,其特征在于,f1(·)和f2(·)采用的拟合模型为:幂律模型y=pxq。
7.如权利要求1所述的方法,其特征在于,步骤六估计被测电池当前最大可用容量Cn的方式为:将步骤五获得的放电轨道参数Kn代入全放电电压曲线模型公式,得到被测电池当前实际模型,利用当前实际模型求得电压降到放电截止电压U1对应的放电时间t1,该放电时间t1乘以放电电流即为被测电池的最大可用容量Cn。
8.如权利要求5所述的方法,其特征在于,步骤六在利用放电时间t1计算最大可用容量Cn时,进一步加入温度影响系数KT,则最大可用容量Cn的计算公式为:
Cn=I×t1×KT
其中,I为放电电流,KT为查表确定的当前温度对应的温度影响系数。
9.如权利要求1所述的方法,其特征在于,预先对同类电池进行全充全放试验,利用获得的全放电电压曲线获得规律变化段的截取开始时间和截取长度与检测精度的对应关系;则实际检测时,根据所需精度确定规律变化段的截取开始时间和截取长度。
10.如权利要求1所述的方法,其特征在于,预先利用试验数据建立容量保持率随循环次数变化的数学关系:
ηn=f(n)=η0+h×nz
其中,ηn为第n次循环后的容量保持率,n为循环次数,η0、h和z为模型参数,通过拟合得到;
则所述步骤七估计电池剩余循环寿命Lr的方式为:
Lr=f-1(ρ%)-f-1(ηn)
其中,电池实际容量降至额定容量的ρ%时对应的循环次数为电池额定循环寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510148023.1A CN104793144B (zh) | 2015-03-31 | 2015-03-31 | 一种电池寿命快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510148023.1A CN104793144B (zh) | 2015-03-31 | 2015-03-31 | 一种电池寿命快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104793144A true CN104793144A (zh) | 2015-07-22 |
CN104793144B CN104793144B (zh) | 2017-09-15 |
Family
ID=53558112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510148023.1A Active CN104793144B (zh) | 2015-03-31 | 2015-03-31 | 一种电池寿命快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104793144B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717456A (zh) * | 2016-02-01 | 2016-06-29 | 中国第一汽车股份有限公司 | 动力电池寿命性能衰减的预测方法 |
CN105866700A (zh) * | 2016-05-30 | 2016-08-17 | 广西大学 | 一种锂离子电池快速筛选的方法 |
CN106597305A (zh) * | 2016-12-09 | 2017-04-26 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池的循环寿命预测方法 |
CN107271912A (zh) * | 2017-06-27 | 2017-10-20 | 荆门市格林美新材料有限公司 | 一种蓄电池梯级利用评估方法 |
CN107356877A (zh) * | 2017-06-26 | 2017-11-17 | 合肥国轩高科动力能源有限公司 | 一种可实现锂离子电池循环寿命快速预测的方法 |
CN107632262A (zh) * | 2017-08-07 | 2018-01-26 | 北京长城华冠汽车科技股份有限公司 | 一种动力电池组循环寿命的检测方法及装置 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN108064391A (zh) * | 2016-12-22 | 2018-05-22 | 深圳中兴力维技术有限公司 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
CN108072848A (zh) * | 2018-01-31 | 2018-05-25 | 胡继业 | 预估蓄电池放电时长的分析方法 |
CN108872862A (zh) * | 2018-04-28 | 2018-11-23 | 青岛特锐德电气股份有限公司 | 一种动力电池循环寿命估算方法及充放电桩 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN110018424A (zh) * | 2018-01-05 | 2019-07-16 | 中国科学院上海硅酸盐研究所 | 快速检测电池循环性能的方法 |
CN110133534A (zh) * | 2019-06-11 | 2019-08-16 | 北京智芯微电子科技有限公司 | 蓄电池老化趋势的评估方法 |
CN111090051A (zh) * | 2020-01-21 | 2020-05-01 | 北京空间飞行器总体设计部 | 一种卫星用镉镍蓄电池放电终压自主诊断方法 |
CN111707954A (zh) * | 2020-06-18 | 2020-09-25 | 中汽研汽车检验中心(天津)有限公司 | 一种磷酸铁锂动力电池寿命预测方法 |
CN111896881A (zh) * | 2020-09-09 | 2020-11-06 | 上海市第六人民医院 | 一种电池使用寿命的估计系统及方法 |
TWI723694B (zh) * | 2019-12-20 | 2021-04-01 | 國家中山科學研究院 | 一種快速評估電池剩餘可用容量的方法 |
CN112816880A (zh) * | 2021-02-23 | 2021-05-18 | 欣旺达电动汽车电池有限公司 | 电池寿命预测的方法、装置及存储介质 |
CN113433473A (zh) * | 2021-05-25 | 2021-09-24 | 东风柳州汽车有限公司 | 一种电池容量保持率的检测方法和装置 |
CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0255536A (ja) * | 1988-08-20 | 1990-02-23 | Fuji Electric Co Ltd | 無停電電源装置のバッテリー寿命判定回路 |
JPH03231175A (ja) * | 1990-02-06 | 1991-10-15 | Nippondenso Co Ltd | バッテリ容量検出装置 |
US5635842A (en) * | 1993-06-30 | 1997-06-03 | Honda Giken Kogyo Kabushiki Kaisha | Method of estimating residual capacity of battery |
CN101539613A (zh) * | 2008-03-17 | 2009-09-23 | 英华达股份有限公司 | 锂电池寿命状态估测方法 |
CN101692120A (zh) * | 2009-09-27 | 2010-04-07 | 惠州市亿能电子有限公司 | 一种测量串联蓄电池组最大可用能量的测量装置及其测量方法 |
CN102213747A (zh) * | 2010-04-09 | 2011-10-12 | 深圳市比克电池有限公司 | 一种预测锂离子电池循环寿命的方法 |
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN103344917A (zh) * | 2013-06-13 | 2013-10-09 | 北京交通大学 | 一种锂电池循环寿命快速测试方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
-
2015
- 2015-03-31 CN CN201510148023.1A patent/CN104793144B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0255536A (ja) * | 1988-08-20 | 1990-02-23 | Fuji Electric Co Ltd | 無停電電源装置のバッテリー寿命判定回路 |
JPH03231175A (ja) * | 1990-02-06 | 1991-10-15 | Nippondenso Co Ltd | バッテリ容量検出装置 |
US5635842A (en) * | 1993-06-30 | 1997-06-03 | Honda Giken Kogyo Kabushiki Kaisha | Method of estimating residual capacity of battery |
CN101539613A (zh) * | 2008-03-17 | 2009-09-23 | 英华达股份有限公司 | 锂电池寿命状态估测方法 |
CN101692120A (zh) * | 2009-09-27 | 2010-04-07 | 惠州市亿能电子有限公司 | 一种测量串联蓄电池组最大可用能量的测量装置及其测量方法 |
CN102213747A (zh) * | 2010-04-09 | 2011-10-12 | 深圳市比克电池有限公司 | 一种预测锂离子电池循环寿命的方法 |
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN103344917A (zh) * | 2013-06-13 | 2013-10-09 | 北京交通大学 | 一种锂电池循环寿命快速测试方法 |
CN103399276A (zh) * | 2013-07-25 | 2013-11-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
陶兴华等: "模糊逻辑与神经网络的蓄电池容量预测", 《电源技术》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717456B (zh) * | 2016-02-01 | 2018-06-08 | 中国第一汽车股份有限公司 | 动力电池寿命性能衰减的预测方法 |
CN105717456A (zh) * | 2016-02-01 | 2016-06-29 | 中国第一汽车股份有限公司 | 动力电池寿命性能衰减的预测方法 |
CN105866700A (zh) * | 2016-05-30 | 2016-08-17 | 广西大学 | 一种锂离子电池快速筛选的方法 |
CN105866700B (zh) * | 2016-05-30 | 2019-06-04 | 广西大学 | 一种锂离子电池快速筛选的方法 |
CN106597305A (zh) * | 2016-12-09 | 2017-04-26 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池的循环寿命预测方法 |
CN106597305B (zh) * | 2016-12-09 | 2019-01-22 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池的循环寿命预测方法 |
CN108064391B (zh) * | 2016-12-22 | 2019-04-05 | 深圳力维智联技术有限公司 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
CN108064391A (zh) * | 2016-12-22 | 2018-05-22 | 深圳中兴力维技术有限公司 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
WO2018112818A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳中兴力维技术有限公司 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
CN107356877A (zh) * | 2017-06-26 | 2017-11-17 | 合肥国轩高科动力能源有限公司 | 一种可实现锂离子电池循环寿命快速预测的方法 |
CN107271912B (zh) * | 2017-06-27 | 2019-10-25 | 荆门市格林美新材料有限公司 | 一种蓄电池梯级利用评估方法 |
CN107271912A (zh) * | 2017-06-27 | 2017-10-20 | 荆门市格林美新材料有限公司 | 一种蓄电池梯级利用评估方法 |
CN107632262A (zh) * | 2017-08-07 | 2018-01-26 | 北京长城华冠汽车科技股份有限公司 | 一种动力电池组循环寿命的检测方法及装置 |
CN107728072A (zh) * | 2017-10-10 | 2018-02-23 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池循环寿命的快速预测方法 |
CN110018424A (zh) * | 2018-01-05 | 2019-07-16 | 中国科学院上海硅酸盐研究所 | 快速检测电池循环性能的方法 |
CN108072848A (zh) * | 2018-01-31 | 2018-05-25 | 胡继业 | 预估蓄电池放电时长的分析方法 |
CN108072848B (zh) * | 2018-01-31 | 2020-12-01 | 胡继业 | 预估蓄电池放电时长的分析方法 |
CN108872862A (zh) * | 2018-04-28 | 2018-11-23 | 青岛特锐德电气股份有限公司 | 一种动力电池循环寿命估算方法及充放电桩 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109596983B (zh) * | 2018-11-19 | 2020-07-14 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN110133534A (zh) * | 2019-06-11 | 2019-08-16 | 北京智芯微电子科技有限公司 | 蓄电池老化趋势的评估方法 |
CN110133534B (zh) * | 2019-06-11 | 2021-06-04 | 北京智芯微电子科技有限公司 | 蓄电池老化趋势的评估方法 |
TWI723694B (zh) * | 2019-12-20 | 2021-04-01 | 國家中山科學研究院 | 一種快速評估電池剩餘可用容量的方法 |
CN111090051A (zh) * | 2020-01-21 | 2020-05-01 | 北京空间飞行器总体设计部 | 一种卫星用镉镍蓄电池放电终压自主诊断方法 |
CN111707954A (zh) * | 2020-06-18 | 2020-09-25 | 中汽研汽车检验中心(天津)有限公司 | 一种磷酸铁锂动力电池寿命预测方法 |
CN111896881A (zh) * | 2020-09-09 | 2020-11-06 | 上海市第六人民医院 | 一种电池使用寿命的估计系统及方法 |
CN112816880A (zh) * | 2021-02-23 | 2021-05-18 | 欣旺达电动汽车电池有限公司 | 电池寿命预测的方法、装置及存储介质 |
CN113433473A (zh) * | 2021-05-25 | 2021-09-24 | 东风柳州汽车有限公司 | 一种电池容量保持率的检测方法和装置 |
CN115184805A (zh) * | 2022-06-21 | 2022-10-14 | 东莞新能安科技有限公司 | 电池健康状态获取方法、装置、设备及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN104793144B (zh) | 2017-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104793144A (zh) | 一种电池寿命快速检测方法 | |
Ding et al. | An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles | |
CN107066722B (zh) | 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法 | |
CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN107015157B (zh) | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 | |
CN103529399B (zh) | 一种基于铅酸电池改进型pngv模型的模拟方法 | |
CN107390127A (zh) | 一种soc估算方法 | |
CN108919129A (zh) | 一种时变工况下动力电池的寿命预测方法 | |
CN106909716A (zh) | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 | |
CN111736085A (zh) | 一种基于电化学阻抗谱的锂离子电池健康状态估计方法 | |
CN106291372A (zh) | 一种新的锂离子动力电池剩余寿命预测方法 | |
CN112147530B (zh) | 一种电池状态评价方法及装置 | |
CN107765190A (zh) | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 | |
JP2011053215A (ja) | 電気化学システムの計測不能な特性を推定する改良された方法 | |
CN105334462A (zh) | 电池容量损失在线估算方法 | |
CN105445671A (zh) | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 | |
CN104237802A (zh) | 一种锂离子电池低温性能一致性的检测方法 | |
CN104965179A (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
CN110045288A (zh) | 一种基于支持向量回归的锂离子电池容量在线估计方法 | |
CN108846227A (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN107064806A (zh) | 一种锂电池容量衰减率计算方法 | |
CN104793145A (zh) | 一种电池可用容量快速检测方法 | |
CN110398693A (zh) | 一种退役磷酸铁锂单体电池状态快速评价方法 | |
CN115980592A (zh) | 考虑电池热故障的电池储能系统可靠性评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |