CN109669133A - 一种动力锂电池寿命数据后台挖掘分析方法 - Google Patents

Abstract

本发明公开了一种动力锂电池寿命数据后台挖掘分析方法。该方法包括：S1、在动力锂电池投入使用前，通过间歇性充放电，得到动力锂电池的OCV‑SOC曲线；S2、标定初始迟滞电压，得到初始迟滞电压曲线；S3、动力锂电池投入使用过程中，挖掘、分析后台数据，得到实时迟滞电压曲线，并与所述初始迟滞电压曲线比对分析，得出动力锂电池衰退程度及寿命状态。本发明方法在锂电池投入使用过程中，通过对锂电池的后台数据挖掘、分析，得到迟滞电压曲线，并将得到的迟滞电压曲线与初始迟滞电压曲线比对分析，从而判断并掌握动力锂电池的真实衰退程度和所处寿命状态，进而优化动力锂电池的充放电策略，以避免滥用给动力锂电池带来永久性的损害。

Description

一种动力锂电池寿命数据后台挖掘分析方法

技术领域

本发明涉及动力锂电池的健康管理技术领域，具体涉及动力锂电池的衰退程度及寿命状 态的分析与判断。

背景技术

电动汽车产业的快速发展，使得锂离子电池得到了更大规模的应用和深入的研究。目前， 锂离子电池已从早期能充放500次循环的钻酸锂电池发展到了满区间充放电1500～5000次循 环的三元电池。虽然锂离子电池具有重量轻、电压高以及寿命长等性能，但是其性能又会受 运行环境、工作状态和老化程度等因素的影响而改变。

因此，亟需寻找到一种方法，能够通过挖掘、分析动力锂电池后台运行数据，掌握电池 真实的衰退程度和寿命状态，从而评估电池的充放电性能，优化电池充放电策略，以避免滥 用给电池带来永久性的损害。

锂离子电池在充放循环的过程中，存在荷电状态(SOC)相同时，开路电压(OCV) 却收敛于不同值的现象，研究人员称之为迟滞现象。由于迟滞效应的存在，电池的OCV-SOC 函数关系并不是一一对应的，根据电流大小、环境温度、充放电历史等因素的不同，同一 SOC点，可能会得到不同的与之对应的开路电压值。

发明内容

本发明的目的在于针对现有技术的不足或缺陷，提供了一种动力锂电池寿命数据后台挖 掘分析方法。该方法通过锂电池在投入使用过程中，对锂电池的后台数据挖掘、分析，得到 迟滞电压曲线，并将得到的迟滞电压曲线与初始迟滞电压曲线进行比对分析，从而判断并掌 握动力锂电池的真实衰退程度和所处寿命状态。

本发明的目的通过如下技术方案实现。

一种动力锂电池寿命数据后台挖掘分析方法，包括：

S1、在动力锂电池投入使用前，通过间歇性充放电，得到动力锂电池的OCV-SOC曲线；

S2、标定初始迟滞电压，得到初始迟滞电压曲线；

S3、动力锂电池投入使用过程中，挖掘、分析后台数据，得到实时迟滞电压曲线，并与所述初始迟滞电压曲线比对分析，得出动力锂电池衰退程度及寿命状态。

作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S1中，所述间 歇性充放电，包括如下步骤：

S11、使用CCCV法(恒压恒流法)将动力锂电池充满，静置；静置完毕后放电，每次放电2～4％SOC后静置，如此循环持续放电，直至电压达到最低截止电压V_min，静置；

S12、静置完毕后，再次开始充电，每次充2～4％SOC后静置，如此循环持续充电，直至电压达到最高截止电压V_max；

S13、恒压充电，直至充电电流≤0.05C，静置；静置完毕后，结束充放电。

更优选的，S11、S12、S13中，所述静置均为1～4小时，更进一步优选为4小时。

更优选的，S11、S12、S13中，所述充电和放电均以0.05～1C倍率充电和放电，更进一 步优选为0.5～1C；而在更优选的实施例中，所述充电和放电均以1C倍率充电和放电。

在具体的间歇性充放电实施例中，充放电倍率越小，需要静置的时间也就越小。如此， 可根据实际实验条件适当减小充放电倍率，而同时，相应的静置时间也可以减小。

作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S2、S3中，采 用二阶RC驰豫模型标定迟滞电压，迟滞电压的最大值表示如下：

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲 线的开路电压测量值，G(z)表示由迟滞引起的最大偏差，亦为SOC的函数。

作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S3中，所述后 台数据包括电池的内阻R值、电池端电压Ut、充电电流I₁、充电极化电压U_P1、放电电流I₂、放电极化电压U_P2和实时的SOC值。

更优选的，S3中，动力锂电池投入使用过程中的充电公式为：

Ut(z)＝OCV_c(z)+U_p1+U_p2+I₁R， (2)

动力锂电池投入使用过程中的放电公式为：

Ut(z)＝OCV_d(z)-U_p1-U_p2-I₂R， (3)

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲 线的开路电压测量值。

作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S3中，对所述 后台数据挖掘、分析过程中，采用统计学方法识别错误的异常值，并通过包括估算或删除的 方法处理错误或重复的数据。

与现有技术相比，本发明具有如下优点和有益效果：

本发明方法通过锂电池在投入使用过程中，对锂电池的后台数据挖掘、分析，得到迟滞 电压曲线，并将得到的迟滞电压曲线与初始迟滞电压曲线进行比对分析，从而判断并掌握动 力锂电池的真实衰退程度和所处寿命状态，进而优化动力锂电池的充放电策略，以避免滥用 给动力锂电池带来永久性的损害。

附图说明

图1为实施例1中动力锂电池进行间歇性充放电的流程图；

图2为实施例1中动力锂电池的充放电OCV-SOC曲线图；

图3为实施例1中动力锂电池进行迟滞电压标定采用的二阶RC驰豫模型的示意图；

图4为实施例1中动力锂电池的主回路迟滞曲线的函数拟合图。

具体实施方式

以下结合具体实施例及附图对本发明的技术方案作进一步详细的描述，但本发明的保护 范围及实施方式不限于此。

本发明通过对动力锂电池的极化效应原理和迟滞效应原理进行分析，并结合改进的间歇 性充放电方法及计算，得到不同衰退程度电池的迟滞电压曲线，从而证明了迟滞电压能够反 映动力锂电池的衰退程度。并由此提出本发明的动力锂电池寿命数据后台挖掘分析方法，通 过对锂电池的后台数据挖掘、分析，得到迟滞电压曲线，并将得到的迟滞电压曲线与初始迟 滞电压曲线进行比对分析，从而判断并掌握动力锂电池的真实衰退程度和所处寿命状态。

本发明的一种动力锂电池寿命数据后台挖掘分析方法，包括：

S1、在动力锂电池投入使用前，通过间歇性充放电，得到动力锂电池的OCV-SOC曲线；

S2、标定初始迟滞电压，得到初始迟滞电压曲线；

S3、动力锂电池投入使用过程中，挖掘、分析后台数据，得到实时迟滞电压曲线，并与所述初始迟滞电压曲线比对分析，得出动力锂电池衰退程度及寿命状态。

而作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S1中，所述 间歇性充放电为改进的间歇性充电方法，其包括如下步骤：

S11、使用CCCV法(恒压恒流法)将动力锂电池充满，静置；静置完毕后放电，每次放电2～4％SOC后静置，如此循环持续放电，直至电压达到最低截止电压V_min，静置；

S12、静置完毕后，再次开始充电，每次充2～4％SOC后静置，如此循环持续充电，直至电压达到最高截止电压V_max；

S13、恒压充电，直至充电电流≤0.05C，静置；静置完毕后，结束充放电。

采用间歇性充放电的方法可通过充分的静置消除极化，其中，在电流变为零的瞬间(毫 秒级或微秒级)，电池的欧姆极化和电化学极化被消除；而在静置的过程中，电池内部的锂 离子会继续进行扩散运动，从而消除浓差极化。而且，静置结束后的端电压即可认为是电池 在该荷电状态(SOC)下的开路电压。如此，通过该改进的间歇性充放电方法进行充放电， 不仅可以得到更为准确的开路电压(OCV)，并且可以尽可能的将充放电曲线的SOC点对 齐，减小了传动测试方法中因对充放电曲线SOC＝0％标定方式的不同而产生的误差。

而作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S2、S3中， 采用二阶RC驰豫模型标定迟滞电压。二阶RC驰豫模型的示意图参见图3所示，其中，图3的左半部分电容C_n代表电池容量，该模型假定当电容满放满充时，其两端电压在0V～1V范围内变化，所以SOC与电容两端电压在数值上相等；而图3的右半部分将OCV等效 为一个随z(即SOC)变化的受控电压源，R为欧姆内阻，V_relaxation代表驰豫效应，且V_relaxation的内部为两个串联的RC并联电路模块，分别代表电化学计划和浓差极化，而V_t代表电池端 电压。

通过二阶RC驰豫模型标定迟滞电压，得到迟滞电压的最大值表示如下：

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲 线的开路电压测量值；G(z)为SOC的函数，是充电所得OCV值与放电OCV值的差值的 一半，表示由迟滞引起的最大偏差，亦表示为迟滞电压的最大值。

并且，在具体实施例中，可采用迟滞电压的主回路迟滞曲线的拟合函数表示迟滞电压曲 线。

进一步的，作为本发明动力锂电池寿命数据后台挖掘分析方法的一个优选实施例，S3 中，所述后台数据包括电池的内阻R值、电池端电压Ut、充电电流I₁、充电极化电压U_P1、 放电电流I₂、放电极化电压U_P2和实时的SOC值。

在动力锂电池投入使用过程中，电池的运行数据会由BMS或测试设备收集并上传到监 控后台。对于内阻R值及实时的SOC值的获取，可通过对电池实时监测得到电池连续的电 压电流及运行环境温度等数据，而后，再通过电池管理系统(BMS)的内置算法，直接得到电池的内阻R值和实时的SOC值；或者，通过电池测试设备，以R＝ΔU/ΔI方式计算 得到内阻，而实时的SOC值由设备的内置算法读取。

更优选的，S3中，动力锂电池投入使用过程中的充电公式为：

Ut(z)＝OCV_c(z)+U_p1+U_p2+I₁R， (2)；

动力锂电池投入使用过程中的放电公式为：

Ut(z)＝OCV_d(z)-U_p1-U_p2-I₂R， (3)；

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲 线的开路电压测量值。

而在对所述后台数据挖掘、分析过程中，由于采样误差、延时、干扰或设备精度等问题 造成上传到后台的数据会存在错误、丢失及重复等问题，分析前首先需要进行数据清洗。可 采用包括标准差、四分位距、最大值或最小值的统计学方法识别错误的异常值，并通过包括 估算或删除的方法处理错误或重复的数据；如根据电流的方向判断此时电池为连续的充电状 态，端电压应随着SOC的增大而升高，此时若出现电压降低的数据则证明采集错误，要对 该数据进行删除操作，对于重复数据的处理也是如此；若出现部分数据缺失，可以根据其前 后数据值，使用平均值、最大值、最小值或更为复杂的概率估计代替缺失的值，从而对数据 完成清洗。

对数据完成清洗后，再将数据分为充电方向数据和放电方向数据两组，并分别将两个方 向的端电压数据和其对应的SOC值对应绘制成Ut-SOC曲线，即得到式(2)和式(3)所示曲线。在动力锂电池投入使用过程中，内阻R值、电池端电压Ut、充电电流I₁、充电极 化电压U_P1、放电电流I₂和放电极化电压U_P2均可在后台数据中直接找到，结合式(1)、式 (2)和式(3)，即可得到实时的迟滞电压曲线G(z)；再将实时的迟滞电压曲线与标定的 初始迟滞电压曲线对比，即可分析得出电池的衰退程度和所处寿命状态。

实施例1

本实施例中采用48Ah盟固利三元软包电池作为实验对象。

S1、首先，对新电池进行容量标定。实用额定容量的1C电流按照国标方式对新电池进 行充放电循环，相邻循环3次的容量误差小于0.01，取三次平均值视为实际容量。其中，新 电池的放电容量略小于充电容量，实际容量标定和SOC计算均以放电容量为标准。通过测 量得到放电容量为49.58Ah。

在动力锂电池投入使用前，通过间歇性充放电，得到动力锂电池的OCV-SOC曲线，间 歇性充放电流程如图1所示，具体包括如下步骤：

S11、使用CC-CV法以1C倍率(本实施例中为48A电流)将动力锂电池充满，静置4 小时；每次以1C放电，每次(本实施例中，每次用时2分24秒)放电4％SOC，静置4小 时，如此循环持续放电，直至电压达到最低截止电压V_min(本实施例中，最低截止电压3V)；

S12、静置4小时后，开始1C倍率(本实施例中为48A电流)充电，每充4％SOC静 置4小时，如此循环持续充电，直至电压达到最高截止电压V_max(本实施例中，最高截止 电压4.2V)；

S13、转为恒压充电，直至充电电流≤0.05C(本实施例中，充电至电流小于247mA)，静置4小时，结束充电。

其中，静置末端电压视为开路电压，通过上述充放电过程绘制的OCV-SOC曲线如图2 所示，SOC计算所用分母为实际放电容量49.58Ah。

S2、对S1过程中的充放电过程得到的OCV-SOC曲线采用式(1)的二阶RC驰豫模型(模型图如图3所示)标定初始迟滞电压，得到初始迟滞电压曲线；

具体的，本实施例中，采用初始迟滞电压的主回路迟滞曲线的拟合函数表示初始迟滞电 压曲线，如下：

该拟合函数为三段函数，其中前两段为二次函数，第三段为五次函数；式中，A取值0.01653±0.00114，B取值-9.42011E-5±1.07215E-4，C取值-5.69664E-6±2.10883E-6，M取 值-0.02579±0.00217，N取值0.00996±4.57471E-4，E取值-4.86034E-4±2.22448E-5，而 D₅～D₀依次分别取值为0.17787±0.02066、-0.0285±0.00356、0.00187±2.37808E-4、-5.92904E-5±7.68054E-6、9.1014E-7±1.20382E-7、-5.44263E-9±7.34321E-10。

S3、动力锂电池投入使用，100个充放循环后进行挖掘分析，本实施例中，电池的运行 数据会由BMS收集并上传到监控后台。对直接监测的实时的SOC值、电池端电压Ut、充 电电流I₁和放电电流I₂的数据从后台直接获取；而对于内阻R值，则通过电池管理系统(BMS)的内置算法得到。

充电极化电压U_P1和放电极化电压U_P2则通过如下公式计算得到：

式(4)为n阶阻容模型的极化电压公式，本实施例中n为2；式中，V_p代表极化电 压，t为时间常数，R_P1C_P1、R_P2C_P2分别为模型中代表电化学极化和浓差极化的电容电阻。 V₀₁、V₀₂分别为零输入时的电压。

对后台数据整理如下表1和表2所示。

表1挖掘的后台放电数据

表2挖掘的后台充电数据

将表1、表2根据SOC进行数据采用插值法对齐，再结合式(2)以及式(3)，并采用 式(1)的二阶RC驰豫模型(模型图如图3所示)标定实时迟滞电压，如表3所示。

表3挖掘的后台迟滞电压数据

得到实时迟滞电压曲线，并对实时迟滞电压曲线进行函数拟合，拟合结果如图4所示。 并且，具体的，本实施例中，采用实时迟滞电压的主回路迟滞曲线的拟合函数表示实时迟滞 电压曲线，如下：

该拟合函数为三段函数，其中前两段为二次函数(图4中拟合曲线1表示第一段函数， 拟合曲线2表示第二段函数)，第三段为五次函数(图4中的拟合曲线3)；式中，A取值-1.11079 ±0.97716，B取值-0.01488±0.05427，C取值0.00822±6.29907E-4，M取值-0.63823±0.02949， N取值0.21272±0.00988，E取值-0.00485±7.44496E-4，而D₅～D₀依次分别取值为-0.98801±0.09911、3.10223±0.30234、-3.78007±0.35797、2.21642±0.20501、-0.62671±0.05663、 0.07301±0.00602。

将得到的实时迟滞电压曲线与初始迟滞电压曲线对比，发现电池循环次数增多，电池容 量开始衰退，其对应的迟滞电压曲线也随之发生变化。衰退后的迟滞曲线的第一个峰值所对 应的SOC向左偏移，且数值减小，有消失的趋势。由此，通过电池迟滞电压曲线变化趋势 可以反映电容衰退程度，从而进行寿命分析和预测，进而优化动力锂电池的充放电策略，以 避免滥用给动力锂电池带来永久性的损害。

以上实施例仅为本发明的较优实施例，仅在于对本发明的技术方案作进一步详细的描述， 但本发明的保护范围及实施方式不限于此，任何未脱离本发明精神实质及原理下所做的变更、 组合、删除、替换或修改等均将包含在本发明的保护范围内。

Claims (8)

1.一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，包括：

S1、在动力锂电池投入使用前，通过间歇性充放电，得到动力锂电池的OCV-SOC曲线；

S2、标定初始迟滞电压，得到初始迟滞电压曲线；

S3、动力锂电池投入使用过程中，挖掘、分析后台数据，得到实时迟滞电压曲线，并与所述初始迟滞电压曲线比对分析，得出动力锂电池衰退程度及寿命状态。

2.根据权利要求1所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S1中，所述间歇性充放电，包括如下步骤：

S11、使用CCCV法将动力锂电池充满，静置；静置完毕后放电，每次放电2～4％SOC后静置，如此循环持续放电，直至电压达到最低截止电压V_min，静置；

S12、静置完毕后，再次开始充电，每次充2～4％SOC后静置，如此循环持续充电，直至电压达到最高截止电压V_max；

S13、恒压充电，直至充电电流≤0.05C，静置；静置完毕后，结束充放电。

3.根据权利要求2所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S11、S12、S13中，所述静置均为1～4小时。

4.根据权利要求2或3所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S11、S12、S13中，所述充电和放电均以0.05～1C倍率充电和放电。

5.根据权利要求1所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S2、S3中，采用二阶RC驰豫模型标定迟滞电压，迟滞电压的最大值表示如下：

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲线的开路电压测量值；G(z)表示由迟滞引起的最大偏差，亦为SOC的函数。

6.根据权利要求1所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S3中，所述后台数据包括电池的内阻R值、电池端电压Ut、充电电流I₁、充电极化电压U_P1、放电电流I₂、放电极化电压U_P2和实时的SOC值。

7.根据权利要求6所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S3中，动力锂电池投入使用过程中的充电公式为：

Ut(z)＝OCV_c(z)+U_p1+U_p2+I₁R， (2)；

动力锂电池投入使用过程中的放电公式为：

Ut(z)＝OCV_d(z)-U_p1-U_p2-I₂R， (3)；

式中，z表示SOC，OCV_c(z)表示充电曲线的开路电压测量值，OCV_d(z)表示放电曲线的开路电压测量值。

8.根据权利要求1所述的一种动力锂电池寿命数据后台挖掘分析方法，其特征在于，S3中，对所述后台数据挖掘、分析过程中，采用统计学方法识别错误的异常值，并通过包括估算或删除的方法处理错误或重复的数据。