CN107765190A - 一种长寿命快充型磷酸铁锂电池的寿命预测方法 - Google Patents

Abstract

本发明涉及磷酸铁锂电池，具体涉及一种长寿命快充型磷酸铁锂电池的寿命预测方法。寿命预测方法包括如下过程：利用快充型智能充放电测试仪收集磷酸铁锂电池响因子；计算寿命预测模型修正系数；基于历史数据拟合的电池剩余有效容量C_y储能循环次数x拟合关系式：f(C_y)＝1+k₁*x+k₂*n²+k₃*x³，长寿命磷酸铁锂电池寿命衰减因子动态函数N_Now＝N‑δ*f(C_y)；本发明相对于现有技术的优点在于：将预测数据存入数据库，对数据进行自学习，修正寿命预测模型修正系数，使预测结果更准确。

Description

一种长寿命快充型磷酸铁锂电池的寿命预测方法

技术领域：

本发明涉及磷酸铁锂电池，具体涉及一种长寿命快充型磷酸铁锂电池的寿命预测方法。

背景技术：

容量是描述锂离子电池健康状态的典型性能参数，随充放电周期的增加，容量逐渐退化，当容量退化到无法维持设备工作或者退化到人为设定的失效阈值时，锂离子电池寿命终止。关于电池寿命预测目前有很多方法，现有的基于模型的寿命预测方法可以分为基于电化学模型的方法，基于等效电路的方法,基于性能的方法和基于解析模型的方法。考虑到诸多变量对电池寿命的影响，各寿命影响因子与电池性能之间的关系，通过大量加速寿命试验数据得到相关寿命预测动态函数，进而得出不同工况及影响因子下的储能剩余寿命。

发明内容：

本发明目的在于提供一种长寿命快充型磷酸铁锂电池的寿命预测方法，具体技术方案如下：

一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂储能电池包含至少1个电池单体，寿命预测方法包括如下过程：

(一)利用快充型智能充放电测试仪收集磷酸铁锂电池响因子，包括：充电截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；

(二)计算寿命预测模型修正系数δ＝k*δ₁*δ₂*δ₃*δ₄*δ₅；其中，δ₁为充电截止电压对电池寿命的影响系数、δ₂充电截止电流对电池寿命的影响系数、δ₃充电周期内平均温度对电池寿命的影响系数、δ₄充放电电流倍率对电池寿命的影响系数、δ₅放电深度对电池寿命的影响系数；

(三)基于历史数据拟合的电池剩余有效容量C_y储能循环次数x拟合关系式：

f(C_y)＝1+k₁*x+k₂*n²+k₃*x³

其中，k₁、k₂、k₃为拟合参数，各拟合参数分别为：

k₁＝-2.667e^-6*DOD+8.722e^-5，

k₂＝7.342e^-10*DOD-2.859e^-8，

k₃＝1.495e^-12*DOD-1.514e^-12，

k₃＝1.495e^-12*DOD-1.514e^-12，

C_y＝γ*f(C_ii*Δt)，其中，γ为容量衰减率，C_ii为各电池单体的充电容量，△t为测试有效时间；

(四)长寿命磷酸铁锂电池寿命衰减因子动态函数N_Now＝N-δ*f(C_y)；δ为寿命预测模型修正系数，N_now为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；

(五)寿命预测模型修正系数及容量衰减率计算步骤如下：

建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；

设定每次计算网络输出只有一个输出O_j(j＝1、2、3、4……14)分别为δ₁、δ₂、δ₃、δ₄、δ₅、k，将历史测试数据划分为M个样本(x_z，y_z)，(z＝1、2、3……M)；M为测试次数；

任何一个节点i的输出为O_zi；对任何一个节点，如果输入为x_z，输出为y_z，则节点i的输出为O_iz，

输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为： 表示第L-1层第i个节点的输出；输入第z个样本时，第i个节点的输出

第L-1输入层与第L输出层之间的关系如下：

其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差， 是神经网络的实际输出；

总误差为

存在如下关系： 为各层各节点的修正权值；

若节点i为输出单元，则

若节点i不为输出单元，则

前一层的输出为下一层的输入，正向计算各层的输出net_L-1z、反向计算各层的输出，并设置修正权值其中μ神经网络计算步长，μ>0；

根据神经网络模型，定义输入量为U、I、T、C、DOD、C_ii、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'、作为输入变量，则δ₁、δ₂、δ₃、δ₄、δ₅、k作为输出量。

优选方案之一，所述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。

优选方案之二，所述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面；本方案进一步优选，所述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。

优选方案之三，所述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。

优选方案之四，快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。

相对于现有技术的优点在于：本发明专利基于充电截止电压、充电截止电流、充电周期内平均温度、充放电电流倍率、放电深度、储能单体电池容量一致性系数等多个参数和历史运行数据得到寿命预测模型，在测试结束时即可得到不同工况下寿命快充型磷酸铁锂电池的寿命值，并将预测数据存入数据库，对数据进行自学习，修正寿命预测模型修正系数，使预测结果更准确。

附图说明：

图1是本发明的原理框图。

图2是本发明寿命预测模型修正系数及容量衰减率计算示意图。

具体实施方式：

一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂储能电池包含至少1个电池单体，寿命预测方法包括如下过程：

(一)利用快充型智能充放电测试仪收集磷酸铁锂电池影响因子，包括：充电截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；

(二)计算寿命预测模型修正系数δ＝k*δ₁*δ₂*δ₃*δ₄*δ₅；其中，δ₁为充电截止电压对电池寿命的影响系数、δ₂充电截止电流对电池寿命的影响系数、δ₃充电周期内平均温度对电池寿命的影响系数、δ₄充放电电流倍率对电池寿命的影响系数、δ₅放电深度对电池寿命的影响系数；

(三)基于历史数据拟合的电池剩余有效容量C_y储能循环次数x拟合关系式：

f(C_y)＝1+k₁*x+k₂*n²+k₃*x³

其中，k₁、k₂、k₃为拟合参数，各拟合参数分别为：

k₁＝-2.667e^-6*DOD+8.722e^-5，

k₂＝7.342e^-10*DOD-2.859e^-8，

k₃＝1.495e^-12*DOD-1.514e^-12，

C_y＝γ*f(C_ii*Δt)，其中，γ为容量衰减率，△t为测试有效时间；

(四)长寿命磷酸铁锂电池寿命衰减因子动态函数N_Now＝N-δ*f(C_y)；δ为寿命预测模型修正系数，N_now为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；C_ii为各电池单体的充电容量。

(五)寿命预测模型修正系数及容量衰减率计算步骤如下：

建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；设定每次计算网络输出只有一个输出O_j(j＝1、2、3、4……14)分别为δ₁、δ₂、δ₃、δ₄、δ₅、k，将历史测试数据划分为M个样本(x_z，y_z)，(z＝1、2、3……M)；M为测试次数；

任何一个节点i的输出为O_zi；对任何一个节点，如果输入为x_z，输出为y_z，则节点i的输出为O_iz：

输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为： 表示第L-1层第i个节点的输出；

输入第z个样本时，第i个节点的输出

第L-1输入层与第L输出层之间的关系如下：

其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差， 是神经网络的实际输出。总误差为存在如下关系： 为各层各节点的修正权值。

若节点i为输出单元，则

若节点i不为输出单元，则

前一层的输出为下一层的输入，正向计算各层的输出net_L-1z、反向计算各层的输出，并设置修正权值其中μ神经网络计算步长，μ>0。

根据神经网络模型，定义输入量为U、I、T、C、DOD、C_ii、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'、作为输入变量，则δ₁、δ₂、δ₃、δ₄、δ₅、k作为输出量。

输出结果作为历史数据进行存储，对数据进行自学习，修正寿命预测模型修正系数，使下次预测结果更准确。

上述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。

上述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面；上述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。

上述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。

上述快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。

Claims (6)

1.一种长寿命快充型磷酸铁锂电池的寿命预测方法，所述长寿命快充型磷酸铁锂储能电池包含至少1个电池单体，其特征在于，寿命预测方法包括如下过程：

(一)利用快充型智能充放电测试仪收集磷酸铁锂电池响因子，包括：截止电压U、充电截止电流I、充电周期内平均温度T、充放电电流倍率C、放电深度DOD、储能单体电池容量一致性系数k；

(二)计算寿命预测模型修正系数δ＝k*δ₁*δ₂*δ₃*δ₄*δ₅；其中，δ₁为充电截止电压对电池寿命的影响系数、δ₂充电截止电流对电池寿命的影响系数、δ₃充电周期内平均温度对电池寿命的影响系数、δ₄充放电电流倍率对电池寿命的影响系数、δ₅放电深度对电池寿命的影响系数；

(三)基于历史数据拟合的电池剩余有效容量C_y储能循环次数x拟合关系式：

f(C_y)＝1+k₁*x+k₂*n²+k₃*x³

其中，k₁、k₂、k₃为拟合参数，各拟合参数分别为：

k₁＝-2.667e^-6*DOD+8.722e^-5，

k₂＝7.342e^-10*DOD-2.859e^-8，

k₃＝1.495e^-12*DOD-1.514e^-12，

C_y＝γ*f(C_ii*Δt)，其中，γ为容量衰减率，C_ii为各电池单体的充电容量，△t为测试有效时间；

(四)长寿命磷酸铁锂电池寿命衰减因子动态函数N_Now＝N-δ*f(C_y)；δ为寿命预测模型修正系数，N_now为当前动力电池的剩余寿命，N为长寿命磷酸铁锂电池的标准使用寿命；

(五)寿命预测模型修正系数及容量衰减率计算步骤如下：

建立人工神经网络算法模型，共4层和14个节点(节点编号i＝1、2、3、4、5、6、7、8、9、10、11、12、13、14)，各节点是连续可微的；

设定每次计算网络输出只有一个输出O_j(j＝1、2、3、4……14)分别为δ₁、δ₂、δ₃、δ₄、δ₅、k，将历史测试数据划分为M个样本(x_z，y_z)，(z＝1、2、3……M)；M为测试次数；

任何一个节点i的输出为O_zi；对任何一个节点，如果输入为x_z，输出为y_z，则节点i的输出为O_iz，

输入层与第一个隐含层以及另外两个隐含层之间的传递函数均采用双曲正切s型激活函数，当第L层的第i个节点输入z(z＝1、2、3……M)个样本时，节点i的输出为： 表示第L-1层第i个节点的输出；输入第z个样本时，第i个节点的输出

第L-1输入层与第L输出层之间的关系如下：

<mrow> <mi>A</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>&amp;lsqb;</mo> <mo>-</mo> <mn>2</mn> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>&amp;lsqb;</mo> <mo>-</mo> <mn>2</mn> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </msup> </mrow> </mfrac> <mo>/</mo> <mi>M</mi> </mrow>

其中：Xi为各层输入量，M为测试次数，A为输出量，b为变量偏差， 是神经网络的实际输出；

总误差为

存在如下关系： 为各层各节点的修正权值；

若节点i为输出单元，则

若节点i不为输出单元，则

前一层的输出为下一层的输入，正向计算各层的输出net_L-1z、反向计算各层的输出，并设置修正权值其中μ神经网络计算步长，μ>0；

根据神经网络模型，定义输入量为U、I、T、C、DOD、C_ii、△t、N、M、测试前的修正系数δ'、测试前的储能单体电池容量一致性系数k'、作为输入变量，则δ₁、δ₂、δ₃、δ₄、δ₅、k作为输出量。

2.根据权利要求书1所述的的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪可以实现恒流恒压充电，脉冲充电，多阶段恒流充电，急充电四种充电控制模式。

3.根据权利要求书1所述的的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪包含数据测试系统、控制动作系统、数据显示系统及人机交互界面。

4.根据权利要求书3所述的的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于，所述快充型智能充放电测试仪可通过控制动作系统生成控制方波，通过方波占空比的变化来控制充电电流。

5.根据权利要求书1-4任何一项所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于：所述的快充型智能充放电测试仪的充放电接口符合SAEJ1772标准。

6.根据权利要求书1-4任何一项所述的一种长寿命快充型磷酸铁锂电池的寿命预测方法，其特征在于：快充型智能充放电测试仪的数据测试系统可以获取每个电池单体的基本充放电信息数据并实时上传。