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

一种长寿命快充型磷酸铁锂电池的寿命预测方法 Download PDF

Info

Publication number
CN107765190A
CN107765190A CN201711303727.7A CN201711303727A CN107765190A CN 107765190 A CN107765190 A CN 107765190A CN 201711303727 A CN201711303727 A CN 201711303727A CN 107765190 A CN107765190 A CN 107765190A
Authority
CN
China
Prior art keywords
life
output
mrow
fast charging
charging type
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
Application number
CN201711303727.7A
Other languages
English (en)
Other versions
CN107765190B (zh
Inventor
陈泽华
柴晶
赵哲峰
刘晓峰
刘帆
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201711303727.7A priority Critical patent/CN107765190B/zh
Publication of CN107765190A publication Critical patent/CN107765190A/zh
Application granted granted Critical
Publication of CN107765190B publication Critical patent/CN107765190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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Cy储能循环次数x拟合关系式:f(Cy)=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NNow=N‑δ*f(Cy);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:
[0001] 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:
[0002] 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:
[0003] 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:
[0004] —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:
[0005] (—)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;
[0006] (二)计算寿命预测模型修正系数S = I^1M2M3M4M5;其中,S1为充电截止电压对 电池寿命的影响系数、心充电截止电流对电池寿命的影响系数、S3充电周期内平均温度对电 池寿命的影响系数、心充放电电流倍率对电池寿命的影响系数、心放电深度对电池寿命的影 响系数;
[0007] (三)基于历史数据拟合的电池剩余有效容量Cy储能循环次数X拟合关系式:
Figure CN107765190AD00041
[0009]其中,h、k2、k3为拟合参数,各拟合参数分别为:
Figure CN107765190AD00042
[0014] Cy= y*f (Cii* At),其中,γ为容量衰减率,Cii为各电池单体的充电容量,At为测 试有效时间;
[0015] (四)长寿命磷酸铁锂电池寿命衰减因子动态函数NN™ = N-5*f (Cy) ; δ为寿命预测 模型修正系数,Nnciw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;
[0016] (五)寿命预测模型修正系数及容量衰减率计算步骤如下:
[0017] 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 = l、2、3、4、5、6、7、8、 9、10、11、12、13、14),各节点是连续可微的;
[0018] 设定每次计算网络输出只有一个输出0j(j = l、2、3、4……14)分别为S1J2J3J4n S5、k,将历史测试数据划分为M个样本(Xz,yz),(z = l、2、3……Μ) ;M为测试次数;
Figure CN107765190AD00051
[0020]任何一个节点i的输出为Ozi;对任何一个节点,如果输入为Xz,输出为yz,则节点i 的输出为Oiz,
Figure CN107765190AD00052
[0022] 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 = l、2、3......Μ)个样本时,节点i的输出为:
Figure CN107765190AD00053
表示第L-I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
Figure CN107765190AD00054
[0023] 第L-I输入层与第L输出层之间的关系如下:
Figure CN107765190AD00055
[0025] 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,
Figure CN107765190AD00056
Figure CN107765190AD00057
是神经网络的实际输出;
[0026] 总误差为
Figure CN107765190AD00058
[0027] 存在如下关系:
Figure CN107765190AD00059
为各层各节点的修正权值;
[0028] 若节点i为输出单元,贝Ij
Figure CN107765190AD000510
[0029] 若节点i不为输出单元,则
Figure CN107765190AD00061
[0030] 前一层的输出为下一层的输入,正向计算各层的输出
Figure CN107765190AD00062
、netL-iz、
Figure CN107765190AD00063
反向计算 各层的输出,并设置修正权值
Figure CN107765190AD00064
,其中μ神经网络计算步长,μ>〇;
[0031] 根据神经网络模型,定义输入量为U、I、T、C、DOD、Cii、△ t、N、Μ、测试前的修正系数 S ’、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S1、δ2、δ3、δ4、δ5、k作为输出 量。
[0032] 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。
[0033] 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。
[0034] 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SAE Jl 772标 准。
[0035] 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。
[0036] 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:
[0037] 图1是本发明的原理框图。
[0038] 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:
[0039] —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:
[0040] (—)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;
[0041] (二)计算寿命预测模型修正系数S = 其中,S1为充电截止电压对 电池寿命的影响系数、心充电截止电流对电池寿命的影响系数、如充电周期内平均温度对电 池寿命的影响系数、心充放电电流倍率对电池寿命的影响系数、心放电深度对电池寿命的影 响系数;
[0042] (三)基于历史数据拟合的电池剩余有效容量Cy储能循环次数X拟合关系式:
Figure CN107765190AD00071
[0044]其中,Ια、k2、k3为拟合参数,各拟合参数分别为:
Figure CN107765190AD00072
[0048] Cy= ,其中,γ为容量衰减率,At为测试有效时间;
[0049] (四)长寿命磷酸铁锂电池寿命衰减因子动态函数ΝΝ™=Ν-δ*ί· (Cy) ; δ为寿命预测 模型修正系数,Nnciw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; Cii为各电池单体的充电容量。
[0050] (五)寿命预测模型修正系数及容量衰减率计算步骤如下:
[0051] 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 = l、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Oj (j = 1、 2、3、4……14)分别为31』2』3』4』5丄将历史测试数据划分为1个样本〇^,5^),(2 = 1、2、 3......M) ; M为测试次数;
Figure CN107765190AD00073
[0053]任何一个节点i的输出为Ozi;对任何一个节点,如果输入为Xz,输出为yz,则节点i 的输出为〇iz:
Figure CN107765190AD00074
[0055] 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 = l、2、3......Μ)个样本时,节点i的输出为:
Figure CN107765190AD00075
表示第L-I层第i个节点的输出;
[0056] 输入第z个样本时,第i个节点的输出
Figure CN107765190AD00076
[0057] 第L-I输入层与第L输出层之间的关系如下:
[0058]
Figure CN107765190AD00077
,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
Figure CN107765190AD00078
是神经网络的实际输出。总误差为
Figure CN107765190AD00079
存在如下关系:
Figure CN107765190AD00081
为各层各节点的修正权值。
[0059] 若节点i为输出单元,贝IJi
Figure CN107765190AD00082
[0060] 若节点i不为输出单元,贝Ij
Figure CN107765190AD00083
[0061] 前一层的输出为下一层的输入,正向计算各层的输出
Figure CN107765190AD00084
,反向计算各 层的输出,并设置修正权值
Figure CN107765190AD00085
,其中μ神经网络计算步长,μ>〇。
[0062] 根据神经网络模型,定义输入量为U、I、T、C、DOD、Cii、At、N、M、测试前的修正系数 S ’、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S1、δ2、δ3、δ4、δ5、k作为输出 量。
[0063] 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。
[0064] 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。
[0065] 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。
[0066] 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。
[0067] 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f
Figure CN107765190AC00021
;其中,心为充电截止电压对电池 寿命的影响系数、S2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、35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Cy储能循环次数X拟合关系式:
Figure CN107765190AC00022
其中,Iu、k2、k3为拟合参数,各拟合参数分别为:
Figure CN107765190AC00023
Cy= y*f(Cii* At),其中,γ为容量衰减率,Cii为各电池单体的充电容量,At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
Figure CN107765190AC00024
;S为寿命预测模型修 正系数,Nnciw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 = l、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Oj (j = 1、2、3、4......14)分别为 将历史测试数据划分为M个样本(xz,yz),(z = l、2、3……Μ) ;M为测试次数;
Figure CN107765190AC00025
任何一个节点i的输出为0zi;对任何一个节点,如果输入为Xz,输出为yz,则节点i的输出 为 〇iz,
Figure CN107765190AC00026
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:
Figure CN107765190AC00027
良示第L-I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
Figure CN107765190AC00031
第L-I输入层与第L输出层之间的关系如下:
Figure CN107765190AC00032
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;
Figure CN107765190AC00033
总误差为
Figure CN107765190AC00034
存在如下关系
Figure CN107765190AC00035
为各层各节点的修正权值; 若节点i为输出单元,则
Figure CN107765190AC00036
Figure CN107765190AC00037
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<
Figure CN107765190AC00038
,反向计算各层 的输出,并设置修正权值
Figure CN107765190AC00039
,其中μ神经网络计算步长,μ>〇; 根据神经网络模型,定义输入量为1]、1、1'、(:、000、(:11、八^1、测试前的修正系数3’、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S1、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SAE J1772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。
CN201711303727.7A 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法 Active CN107765190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711303727.7A CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711303727.7A CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Publications (2)

Publication Number Publication Date
CN107765190A true CN107765190A (zh) 2018-03-06
CN107765190B CN107765190B (zh) 2020-02-11

Family

ID=61277832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711303727.7A Active CN107765190B (zh) 2017-12-11 2017-12-11 一种长寿命快充型磷酸铁锂电池的寿命预测方法

Country Status (1)

Country Link
CN (1) CN107765190B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549036A (zh) * 2018-05-03 2018-09-18 太原理工大学 基于miv和svm模型的磷酸铁锂电池寿命预测方法
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
CN109975713A (zh) * 2019-04-12 2019-07-05 苏州正力蔚来新能源科技有限公司 一种考虑多因素影响的动力电池soh估算方法
CN111509316A (zh) * 2020-04-29 2020-08-07 集美大学 一种基于循环寿命的船用锂电池组能量管理方法
CN112416959A (zh) * 2021-01-25 2021-02-26 湖北鑫英泰系统技术股份有限公司 一种基于无源测温的引流板寿命计算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749589A (zh) * 2012-07-13 2012-10-24 哈尔滨工业大学深圳研究生院 电动汽车动力电池衰退模式预测方法
CN103293487A (zh) * 2013-06-28 2013-09-11 哈尔滨工业大学 基于集成模型的锂离子电池寿命预测方法
CN103558554A (zh) * 2013-10-15 2014-02-05 广东电网公司电力科学研究院 一种新能源汽车动力电池soh在线估算的方法
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN105425156A (zh) * 2015-11-06 2016-03-23 安徽江淮汽车股份有限公司 一种动力电池循环寿命测试方法
CN106291372A (zh) * 2016-07-22 2017-01-04 南京工业大学 一种新的锂离子动力电池剩余寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749589A (zh) * 2012-07-13 2012-10-24 哈尔滨工业大学深圳研究生院 电动汽车动力电池衰退模式预测方法
CN103293487A (zh) * 2013-06-28 2013-09-11 哈尔滨工业大学 基于集成模型的锂离子电池寿命预测方法
CN103558554A (zh) * 2013-10-15 2014-02-05 广东电网公司电力科学研究院 一种新能源汽车动力电池soh在线估算的方法
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN105425156A (zh) * 2015-11-06 2016-03-23 安徽江淮汽车股份有限公司 一种动力电池循环寿命测试方法
CN106291372A (zh) * 2016-07-22 2017-01-04 南京工业大学 一种新的锂离子动力电池剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李学哲等: "动力锂电池剩余寿命评价方法及系统的研究", 《电源技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108549036A (zh) * 2018-05-03 2018-09-18 太原理工大学 基于miv和svm模型的磷酸铁锂电池寿命预测方法
CN109975713A (zh) * 2019-04-12 2019-07-05 苏州正力蔚来新能源科技有限公司 一种考虑多因素影响的动力电池soh估算方法
CN111509316A (zh) * 2020-04-29 2020-08-07 集美大学 一种基于循环寿命的船用锂电池组能量管理方法
CN112416959A (zh) * 2021-01-25 2021-02-26 湖北鑫英泰系统技术股份有限公司 一种基于无源测温的引流板寿命计算方法及系统

Also Published As

Publication number Publication date
CN107765190B (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
Chaoui et al. Lyapunov-based adaptive state of charge and state of health estimation for lithium-ion batteries
Wang et al. Modeling and state-of-charge prediction of lithium-ion battery and ultracapacitor hybrids with a co-estimator
Zhang et al. Battery modelling methods for electric vehicles-A review
Li et al. Accurate battery pack modeling for automotive applications
Fernández et al. Capacity fade and aging models for electric batteries and optimal charging strategy for electric vehicles
CN106909716B (zh) 计及容量损耗的磷酸铁锂电池建模及soc估计方法
Xiong et al. An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application
Gholizadeh et al. Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model
CN103399276B (zh) 一种锂离子电池容量估计及剩余循环寿命预测方法
Ramadan et al. Extended kalman filter for accurate state of charge estimation of lithium-based batteries: a comparative analysis
CN103091642B (zh) 一种锂电池容量快速估计方法
Roscher et al. Reliable state estimation of multicell lithium-ion battery systems
Zhang et al. Modeling discharge behavior of multicell battery
US10209313B2 (en) Accumulator device, and state of charge evaluation apparatus and method for accumulator
Bi et al. State-of-health estimation of lithium-ion battery packs in electric vehicles based on genetic resampling particle filter
Ranjbar et al. Online estimation of state of charge in Li-ion batteries using impulse response concept
CN102918411B (zh) 充电状态推定装置
CN101975927B (zh) 一种估算锂离子动力电池组剩余可用容量的方法
CN103020445B (zh) 一种电动车车载磷酸铁锂电池的soc与soh预测方法
CN107741569A (zh) 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN104535932B (zh) 一种锂离子电池荷电状态估计方法
CN102540084B (zh) 实时确定可充电蓄电池设备状态的方法
CN104392080B (zh) 一种锂电池分数阶变阶等效电路模型及其辨识方法
CN104614679B (zh) 一种曲线拟合式蓄电池剩余容量测量方法
CN107870306A (zh) 一种基于深度神经网络下的锂电池荷电状态预测算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant