CN109840353B - 锂离子电池双因素不一致性预测方法及装置 - Google Patents

锂离子电池双因素不一致性预测方法及装置 Download PDF

Info

Publication number
CN109840353B
CN109840353B CN201811624444.7A CN201811624444A CN109840353B CN 109840353 B CN109840353 B CN 109840353B CN 201811624444 A CN201811624444 A CN 201811624444A CN 109840353 B CN109840353 B CN 109840353B
Authority
CN
China
Prior art keywords
battery
parameters
inconsistency
performance
parameter
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.)
Active
Application number
CN201811624444.7A
Other languages
English (en)
Other versions
CN109840353A (zh
Inventor
王琳舒
卢世刚
赵挺
江丹平
史碧梦
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.)
China Automotive Battery Research Institute Co Ltd
Original Assignee
China Automotive Battery Research Institute Co Ltd
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 China Automotive Battery Research Institute Co Ltd filed Critical China Automotive Battery Research Institute Co Ltd
Priority to CN201811624444.7A priority Critical patent/CN109840353B/zh
Publication of CN109840353A publication Critical patent/CN109840353A/zh
Application granted granted Critical
Publication of CN109840353B publication Critical patent/CN109840353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明提供了一种锂离子电池双因素不一致性预测方法及装置，所述方法包括：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计‑物理模型，获取电池性能参数的不一致性二维分析结果和一维统计结果。可见，本发明通过采集决定电池性能的两类电池设计参数绝对数值和相应的生产工艺制成的工艺参数偏差的统计值作为电池一致性模型的输入参数，获取电池性能参数的不一致性形成过程和一维统计结果。

Description

锂离子电池双因素不一致性预测方法及装置
技术领域
本发明涉及锂离子电池技术领域，具体涉及一种锂离子电池双因素不一致性预测方法及装置。
背景技术
锂离子电池系统由于具有较高的能量密度、功率密度、环境友好的工作方式以及较长的循环寿命，因此一直受到电动汽车的青睐。然而，在对电动汽车要求逐渐升高的同时，动力电池系统存在的问题也逐渐突出。电动汽车的电池系统以单体成组形式工作，由于单体间各项参数存在不一致性，这不仅使锂离子电池原本具有的优势特型大大减弱，还使缺点显著增加，如：容量衰减快、温度易失控、不耐过充放等等。
生产过程是电池不一致性产生的源头，也是控制不一致的源头。电池制造工艺偏差造成电池微观结构参数和组分参数的波动，是造成电池宏观性能参数(如容量、内阻、电压等)不一致性的主要原因。
电池微观参数是由电池设计阶段确定的。在电池设计阶段，每一个参数的数值设定在不同的区间，不尽可以改变电池性能，更重要的是电池性能对其敏感度也将会发生变化。因此，电池设计参数的取值也影响着电池宏观性能不一致性的形成，同时生产过程的工艺偏差造成的电池不一致性也将导致成品电池的性能不同于设计预期的性能。
由于电池生产过程的不一致性问题是面向一批电池产品，无法用实验方法对每个电池的性能参数一一获取，因此目前只能从理论上对电池的不一致性给出解释和分析，无法从根本上对电池的不一致性进行预测以及为电池设计和一致性的控制提供指导依据。
发明内容
针对现有技术中的问题，本发明提供一种锂离子电池双因素不一致性预测方法及装置。
具体地，本发明提供以下技术方案：
第一方面，本发明提供了一种锂离子电池双因素不一致性预测方法，包括：
获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；
根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
进一步地，所述方法还包括：
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的随机数组作为输入变量，利用预设的电池性能参数物理模型，获取性能参数不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的匹配结果，建立两个匹配的工艺参数的二维联合概率云图，并结合性能参数与两工艺参数变化关系的等高线图分析性能参数不一致性关于两个工艺参数波动的分布规律，通过条件概率估计建立工艺-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
根据影响性能参数关键的中间参数与部分工艺参数的相关性，建立存在相关性的中间参数和工艺参数的二维联合概率云图，并结合性能参数与中间参数和部分工艺参数变化关系的等高线图分析性能参数不一致性关于中间参数不一致性的分布规律，通过条件概率估计建立工艺/中间-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果。
进一步地，所述获取决定电池性能的两种电池工艺参数统计值，包括：
选取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为设计参数的绝对数值，并获取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为工艺参数在生产阶段存在工艺偏差的数值统计值，包括均值和标准差；
相应地，所述根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池性能参数的不一致性一维统计结果，包括：
根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果。
进一步地，所述根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果，包括：
根据正极极片面密度和负极极片面密度确定正负极理论容量：
Qp＝Cg,p·ρA,p·Ap
Qn＝Cg,n·ρA,n·An
根据正负极理论容量获取正负极嵌锂量：
Figure BDA0001927666570000031
Figure BDA0001927666570000032
分别获取正极电压-嵌锂量函数曲线Vp(θp)和负极电压-嵌锂量函数曲线Vn(θn)，并根据正负极电压-嵌锂量确定全电池开路电压-嵌锂量的函数关系：
OCV＝Vp(θp)-Vn(θn)
分别设OCV等于电池满电截止电压和空电截止电压，求得相应的θp的数值，再通过下式确定电池容量的不一致性一维统计结果：
Ccell＝Qp·(θp,0％-θp,100％)
其中，ρA表示极片面密度，A表示极片面积，Cg表示活性材料克容量，下标p，n分别表示正极、负极，θp,0％、θp,100％分别表示电池为空电态和满电态时正极的嵌锂量，Qp表示正极理论容量，Ccell表示全电池容量；
以及，根据下面关系模型确定NP比的不一致性一维统计结果：
Figure BDA0001927666570000041
进一步地，在根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果时，根据电池正负极极片面密度的统计值生成符合统计规律的随机数组，并将所述随机数组作为所述预设的一致性分析统计——物理模型的输入参数，得到存在不一致性的电池容量和NP比的结果，并将上述不一致性结果转化为一维概率分布直方图。
进一步地，所述方法还包括：通过可视化呈现方法，将电池性能参数与两个工艺参数的数值关系二维等高线图和两工艺参数无相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与两个工艺参数不一致性的关系，并通过条件概率估计获取电池性能参数一致性分布的一维概率分布。
进一步地，所述方法还包括：通过可视化呈现方法，将电池性能参数与关键的中间参数和一个工艺参数的数值关系二维等高线图和中间参数与工艺参数有相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与中间工艺参数不一致性的关系，并通过条件概率估计获取电池性能参数一致性分布的一维概率分布。
第二方面，本发明还提供了一种基于数值仿真的锂离子电池双因素不一致性预测装置，包括：
第一获取模块，用于获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；
第二获取模块，用于根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述锂离子电池双因素不一致性预测方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述锂离子电池双因素不一致性预测方法的步骤。
由上面技术方案可知，本发明提供的锂离子电池双因素不一致性预测方法，包括：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。可见，本发明通过采集决定电池性能的两类电池设计参数绝对数值和相应的生产工艺制成的工艺参数偏差的统计值作为电池一致性模型的输入参数，通过三种途径获取电池性能参数的不一致性一维统计结果。此外，在本发明的其他实施方式中，通过三种途径对仿真结果分别进行一维、二维的数值呈现和统计分析对由两种因素引起的电池性能不一致性的影响进行预测和分析，对有效控制生产工艺波动引起的电池性能参数不一致性以及减小由不一致性引起的电池性能参数偏离预期设计数值具有指导意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的锂离子电池双因素不一致性预测方法的流程图；
图2是本发明一实施例提供的容量计算原理图；
图3是本发明一实施例提供的正负极面密度匹配概率云图和输出参数数值关系等高线图；
图4是本发明一实施例提供的容量概率分布直方图；
图5是本发明一实施例提供的NP比概率分布直方图；
图6是本发明一实施例提供的正极面密度及NP比匹配概率云图及容量数值关系等高线图；
图7是本发明一实施例提供的容量不一致性的统计值估计示意图(正态分布及威布尔分布)；
图8是本发明另一实施例提供的基于数值仿真的锂离子电池双因素不一致性预测装置的结构示意图；
图9是本发明又一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明一实施例提供的锂离子电池双因素不一致性预测方法的流程图。如图1所示，本实施例提供的锂离子电池双因素不一致性预测方法，包括：
步骤101：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值。
在本步骤中，所述两种电池工艺参数指电池正极极片面密度和电池负极极片面密度两种电池微观参数。
步骤102：根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
由上面技术方案可知，本实施例提供的锂离子电池双因素不一致性预测方法，包括：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。可见，本发明通过采集决定电池性能的两类电池设计参数绝对数值和相应的生产工艺制成的工艺参数偏差的统计值作为电池一致性模型的输入参数，获取电池性能参数的不一致性一维统计结果。此外，在本发明的其他实施方式中，通过三种途径对仿真结果分别进行一维、二维的数值呈现和统计分析对由两种因素引起的电池性能不一致性的影响进行预测和分析，对有效控制生产工艺波动引起的电池性能参数不一致性以及减小由不一致性引起的电池性能参数偏离预期设计数值具有指导意义。
基于上述实施例的内容，在一种可选实施方式中，所述方法还包括：
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的随机数组作为输入变量，利用预设的电池性能参数物理模型，获取性能参数不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的匹配结果，建立两个匹配的工艺参数的二维联合概率云图，并结合性能参数与两工艺参数变化关系的等高线图分析性能参数不一致性关于两个工艺参数波动的分布规律，通过条件概率估计建立工艺-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
根据影响性能参数关键的中间参数与部分工艺参数的相关性，建立存在相关性的中间参数和工艺参数的二维联合概率云图，并结合性能参数与中间参数和部分工艺参数变化关系的等高线图分析性能参数不一致性关于中间参数不一致性的分布规律，通过条件概率估计建立工艺/中间-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果。
在本实施例中，由于在多个参数不一致性的情况下，电池性能的不一致性与单一参数变化不一致性有所不同，因此本实施方式充分考虑了不同输入参数的变化存在一定的匹配关系，利用二维联合概率云图的方式进行电池性能参数的不一致性的预测，将对电池一致性的分析方法由传统的一维统计方法转化为二维统计方法，也即通过二维概率模型的电池一致性分析方法，实现对现有生产条件的电池产品一致性做出准确的预测。此外，通过性能参数与工艺参数的二维数值关系图，对理解电池微观参数与宏观性能之间的关系具有理论指导意义。
基于上述实施例的内容，在一种可选实施方式中，上述步骤101通过如下方式实现：
选取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为设计参数的绝对数值，并获取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为工艺参数在生产阶段存在工艺偏差的数值统计值，包括均值和标准差；
相应地，上述步骤102通过如下方式实现：
根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果。
基于上述实施例的内容，在一种可选实施方式中，所述根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果，包括：
根据正极极片面密度和负极极片面密度确定正负极理论容量：
Qp＝Cg,p·ρA,p·Ap
Qn＝Cg,n·ρA,n·An
根据正负极理论容量获取正负极嵌锂量：
Figure BDA0001927666570000091
Figure BDA0001927666570000092
分别获取正极电压-嵌锂量函数曲线Vp(θp)和负极电压-嵌锂量函数曲线Vn(θn)，并根据正负极电压-嵌锂量确定全电池开路电压-嵌锂量的函数关系：
OCV＝Vp(θp)-Vn(θn)
分别设OCV等于电池满电截止电压和空电截止电压，求得相应的θp的数值，再通过下式确定电池容量的不一致性一维统计结果：
Ccell＝Qp·(θp,0％-θp,100％)
其中，ρA表示极片面密度，A表示极片面积，Cg表示活性材料克容量，下标p，n分别表示正极、负极，θp,0％、θp,100％分别表示电池为空电态和满电态时正极的嵌锂量，Qp表示正极理论容量，Ccell表示全电池容量；
以及，根据下面关系模型确定NP比的不一致性一维统计结果：
Figure BDA0001927666570000101
基于上述实施例的内容，在一种可选实施方式中，在根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果时，根据电池正负极极片面密度的统计值生成符合统计规律的随机数组，并将所述随机数组作为所述预设的一致性分析统计-物理模型的输入参数，得到存在不一致性的电池容量和NP比的结果，如图6所示，并将上述不一致性结果转化为一维概率分布直方图。
基于上述实施例的内容，在一种可选实施方式中，所述方法还包括：通过可视化呈现方法，将电池性能参数与两个工艺参数的数值关系二维等高线图和两工艺参数无相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与两个工艺参数不一致性的关系，并通过条件概率估计获取电池性能参数一致性分布的一维概率分布。
基于上述实施例的内容，在一种可选实施方式中，所述方法还包括：通过可视化呈现方法，将电池性能参数与关键的中间参数和一个工艺参数的数值关系二维等高线图和中间参数与工艺参数有相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与中间工艺参数不一致性的关系，并通过条件概率估计获取电池性能参数一致性分布的一维概率分布。
在本实施方式中，电池性能参数指电池容量，关键的中间参数指NP比。
在本实施例中，需要说明的是，对于电池容量这一特性参数，从热力学角度来说，电池的容量是由正极提供的活性锂离子量和正负极可由于脱嵌锂的活性材料的量决定的，决定正负极活性材料量参数即为极片面密度，该参数由实际制造过程的涂布工艺决定。由于实际电极材料的需要加入导电剂、粘结剂等材料，以及预锂化消耗部分锂离子，实际电池容量无法达到正极材料的理论容量。因此，建立微观参数与宏观参数的数学关系，目的就是根据电池的制造过程由电池的理论容量推导出实际容量。模型计算原理如图2所示。
具体地，根据正极极片面密度和负极极片面密度确定正负极理论容量：
Qp＝Cg,p·ρA,p·Ap
Qn＝Cg,n·ρA,n·An
根据正负极理论容量获取正负极嵌锂量：
Figure BDA0001927666570000121
Figure BDA0001927666570000122
分别获取正极电压-嵌锂量函数曲线Vp(θp)和负极电压-嵌锂量函数曲线Vn(θn)，并根据正负极电压-嵌锂量确定全电池开路电压-嵌锂量的函数关系：
OCV＝Vp(θp)-Vn(θn)
分别设OCV等于电池满电截止电压和空电截止电压，求得相应的θp的数值，再通过下式确定电池容量的不一致性一维统计结果：
Ccell＝Qp·(θp,0％-θp,100％)
其中，ρA表示极片面密度，A表示极片面积，Cg表示活性材料克容量，下标P，n分别表示正极、负极，θp,0％、θp,100％分别表示电池为空电态和满电态时正极的嵌锂量，Qp表示正极理论容量，Ccell表示全电池容量；
以及，根据下面关系模型确定NP比的不一致性一维统计结果：
Figure BDA0001927666570000123
由上面描述可知，全电池的容量和NP比均为正负极面密度的函数。将这两个微观参数作为输入参数，容量和NP比关于它们的函数作为数值模型，根据实际生产过程造成的输入参数对的波动规律，代入模型中计算，观察计算结果-容量、NP比的不一致分布。
上述容量模型可以表示为关于观测的工艺参数的函数。如果一次同时观察两个参数，可以将输出的性能参数和两个输入的工艺参数之间建立数值关系，并且可以用而二维曲面-等高线表示。
根据工艺参数的统计值生成符合该统计规律的随机数组，将其作为模型输入参数，计算输出结果为存在不一致性的电池性能参数，通过统计分析可以得到电池性能参数(如电池容量、NP比)的概率分布，可用直方图表示。
因此，除了对上述基础模型的仿真结果直接做统计分析以外，还可以根据观测的两个电池输入参数匹配的统计值通过概率估计直接得到电池性能参数的一致性分布结果，并用概率直方图体现。具体步骤如下：
S1、输入参数匹配概率
上述数值模型的输入参数即为实际生产的工艺参数，其变化通常符合正态分布，由此可得到在两个工艺参数在实际波动区间内匹配概率的矩阵。
P(A∩B)＝P(A)·P(B)
其中，P(A)和P(B)为工艺参数A和B为某个特定值的概率，P(A∩B)为工艺参数A和B分别为某个特定数值匹配的概率。
可见，由此得到的结果P(A∩B)是两个工艺参数在实际波动区间内匹配概率的矩阵，可通过二维云图体现。
S2、输出参数的概率估计
每条输出参数等高线上对应的概率之和就是输出参数为该数值的概率。由此，可依据随机变量函数的条件概率算法估计输出参数的概率：
Figure BDA0001927666570000131
S3、输入参数匹配概率的坐标转换
中间参数与工艺参数的函数关系简单，可直接将其转换为被替换的工艺参数关于中间设计参数和另一个工艺参数的函数关系。通过坐标变化得到新的函数关系重新得到二维数值等高线和概率云图，如图3所示。
需要说明的是，本实施例在估计容量一致性分布时，输入参数正极面密度、负极面密度为随机变量，容量为随机变量的函数。在计算容量C为特定数值时的概率，需要对所有容量为z的正负极面密度的匹配数值及其概率，将所有使容量等于z的概率相加，即为容量为z的概率。
需要说明的是，本实施例中的等高线就是由两个输入参数确定的输出参数的二元函数。等高线图中，每一个位置上对应横纵坐标数值作为二元函数的输入参数计算得到输出函数的数值就是等高线上的数值。通常这种二元函数会用二维曲面描述，本实施例为了把二元函数和二维联合概率匹配在一起进行分析，故选用了二维等高线视图。其中，概率云图是两个随机的输入参数的匹配概率，每个参数都有自己的概率，两个随机参数匹配在一起得到两者的联合概率。
需要说明的是，对于电池参数的统计分析，初始的工艺参数的分布可以用正态分布描述，中间参数和性能参数不一定符合正态分布，需要用威布尔分布模型判断参数的分布的对称性和离散性。
由上面描述可知，本实施例通过采集电池设计参数数值和生产过程的工艺参数偏差的统计值作对电池一致性模型的输入参数，再采集电池成品性能测试的统计数据作为验证依据。根据对仿真结果分别进行一维、二维的数值呈现和统计分析，并将两者结合起来用可视化的方法对不同输入参数变化对电池性能一致性的影响进行分析。
下面结合附图以及具体案例对本实施例提供的基于数值仿真的锂离子电池设计及不一致性预测方法进行详细说明。具体地，根据上述模型和方法，对实际电池生产过程的工艺参数进行采集和统计，并结合其他非波动的参数，模型输入参数如表1，统计值如表2所示。
表1设计参数设定
Figure BDA0001927666570000141
表2工艺参数统计值设定
Figure BDA0001927666570000151
备注：N为正态分布
表3仿真结果验证
Figure BDA0001927666570000152
对于容量一致性分析：
与容量相关的工艺参数是正负极面密度，根据表1和表2可以得到容量模型输入参数和输出参数。将容量首先可以对模型结算结果直接做统计分析，概率直方图如图4所示。将计算得到的容量一致性统计值与实际电池容量统计值作对比，如表3所示，均值误差小于5％，计算结果的标准差误差低于容量的标准差，是由于实际生产过程存在更多地不确定因素，是成品电池的容量一致性比理论计算结果更高。
实际正负极面密度匹配的概率云图和容量的数值等高线图，如图4所示。由图3所示的正负极面密度匹配的概率云图和容量的数值等高线图可以得到容量的概率直方图如图4所示。
除容量外，通过正负极面密度可以计算得到电池的NP比，对计算结果直接做统计分析，得到NP比的概率直方图如图5所示。其等高线图如图3所示，再根据条件概率模型可以从图3直接得到NP比的概率直方图如图5所示。
将NP比作为容量的输入参数，对图3进行坐标变化，得到以NP比为纵坐标的概率云图和等高线图，再根据函数的条件概率求得容量的概率如图4所示。
三组概率直方图的偏差非常小，说明容量一致性的计算方法得到的结果是一致的，从而验证了上述用二维概率云图方法对容量分析方法的正确性。
分别用正态分布和威布尔分布的概率模型对容量的数值作统计分析，如图7所示，得到参数估计结果如表3所示。
由上面描述可知，本实施例通过采集电池设计参数和电池生产过程工艺参数作为模型的输入参数，采集成品电池测试参数的统计数值作为模型的验证依据，保证了后续电池一致性分析的可靠性。此外，本实施例对电池一致性的分析方法由传统的一维统计方法转化为二维统计方法。此外，本实施例通过可视化呈现方法，将电池性能参数与工艺参数的数值关系等高线图和工艺参数的匹配概率云图相结合，获得更加直观的电池不一致的形成机理，由此直接计算得到性能参数一致性分布的一维概率分布。此外，本实施例将关键设计参数作为电池不一致性的影响因素，替代原始计算模型中比较不重要的工艺参数，通过坐标变换得到以关键设计参数作为输入参数的概率云图和数值等高线图，由此能够观察关键设计参数与性能参数的直接关系，根据条件概率可计算得到性能不一致性的一维概率分布。此外，本实施例采用威布尔分布的统计值评价电池性能一致性，统计值与工艺参数变化的关系，更加准确了解工艺参数的波动对电池性能一致性的影响方式。
由上面描述可知，本实施例通过仿真方法对电池设计阶段的参数设定过程和生产阶段产品参数的不一致性形成过程进行模拟，从而确定实际生产与理论设计产生偏差的原因，由此可以高效地确定电池设计参数范围并生产工艺参数的控制精度，缩短电池研发设计周期并提高产品质量控制成本。本实施例通过二维概率模型的电池一致性分析方法，可以对现有生产条件的电池产品一致性做出准确的预测对工程制造就有很强的指导意义。此外，本实施例通过性能参数与工艺参数的二维数值关系图，对理解电池微观参数与宏观性能之间的关系具有理论指导意义。
由上面描述可知，本实施例首先获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值，并根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池性能参数的不一致性一维统计结果；然后再基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的匹配结果，建立两个匹配的工艺参数的二维联合概率云图，并结合性能参数与两工艺参数变化关系的二维等高线图，可视化地分析性能参数不一致性关于两个工艺参数波动的分布规律，通过条件概率估计建立工艺-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；最后，根据影响性能参数关键的中间参数与部分工艺参数的相关性，建立存在相关性的中间参数和工艺参数的二维联合概率云图，并结合性能参数与中间参数和部分工艺参数变化关系的等高线图，分析性能参数不一致性关于中间参数不一致性的分布规律，通过条件概率估计建立工艺/中间-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果。本发明通过采集决定电池性能的两类电池设计参数绝对数值和相应的生产工艺制成的工艺参数偏差的统计值作对电池一致性模型的输入参数，通过三种途径对仿真结果分别进行一维、二维的数值呈现和统计分析对由两种因素引起的电池性能不一致性的影响进行预测和分析，对有效控制生产工艺波动引起的电池性能参数不一致性以及减小由不一致性引起的电池性能参数偏离预期设计数值具有指导意义。
图8示出了本发明另一实施例的基于数值仿真的锂离子电池双因素不一致性预测装置的结构示意图。如图8所示，本实施例提供的基于数值仿真的锂离子电池双因素不一致性预测装置包括：第一获取模块21和第二获取模块22，其中：
第一获取模块21，用于获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；
第二获取模块22，用于根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
由于本实施例提供的基于数值仿真的锂离子电池双因素不一致性预测装置可以用于执行上述实施例上述的锂离子电池双因素不一致性预测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
图9示出了本发明又一实施例的电子设备的结构示意图。如图9所示，本实施例提供的电子设备，具体包括如下内容：处理器601、存储器602、通信接口603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例一中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤101：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值。
步骤102：根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的发明构思，本发明又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例一的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤101：获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值。
步骤102：根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种锂离子电池双因素不一致性预测方法，其特征在于，包括：
获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；
根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的随机数组作为输入变量，利用预设的电池性能参数物理模型，获取性能参数不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的匹配结果，建立两个匹配的工艺参数的二维联合概率云图，并结合性能参数与两工艺参数变化关系的等高线图分析性能参数不一致性关于两个工艺参数波动的分布规律，通过条件概率估计建立工艺-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
根据影响性能参数关键的中间参数与部分工艺参数的相关性，建立存在相关性的中间参数和工艺参数的二维联合概率云图，并结合性能参数与中间参数和部分工艺参数变化关系的等高线图分析性能参数不一致性关于中间参数不一致性的分布规律，通过条件概率估计建立工艺/中间-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
所述获取决定电池性能的两种电池工艺参数统计值，包括：
选取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为设计参数的绝对数值，并获取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为工艺参数在生产阶段存在工艺偏差的数值统计值，包括均值和标准差；
相应地，根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果。
2.根据权利要求1所述的方法，其特征在于，所述根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果，包括：
根据正极极片面密度和负极极片面密度确定正负极理论容量：
Qp＝Cg,p·ρA,p·Ap
Qn＝Cg,n·ρA,n·An
根据正负极理论容量获取正极嵌锂量θp和负极嵌锂量θn；
分别获取正极电压-嵌锂量函数曲线Vp(θp)和负极电压-嵌锂量函数曲线Vn(θn)，并根据正负极电压-嵌锂量确定全电池开路电压-嵌锂量的函数关系：
OCV＝Vp(θp)-Vn(θn)
分别设OCV等于电池满电截止电压和空电截止电压，求得相应的θp的数值，再通过下式确定电池容量的不一致性一维统计结果：
Ccell＝Qp·(θp,0％-θp,100％)
其中，ρA表示极片面密度，A表示极片面积，Cg表示活性材料克容量，下标p，n分别表示正极、负极，θp,0％、θp,100％分别表示电池为空电态和满电态时正极的嵌锂量，Qp表示正极理论容量，Ccell表示全电池容量；
以及，根据下面关系模型确定NP比的不一致性一维统计结果：
Figure FDA0004065140060000031
3.根据权利要求2所述的方法，其特征在于，在根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果时，根据电池正负极极片面密度的统计值生成符合统计规律的随机数组，并将所述随机数组作为所述预设的一致性分析统计-物理模型的输入参数，得到存在不一致性的电池容量和NP比的结果，并将上述不一致性结果转化为一维概率分布直方图。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：通过可视化呈现方法，将电池性能参数与两个工艺参数的数值关系二维等高线图和两工艺参数无相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与两个工艺参数不一致性的关系，通过条件概率估计获取电池性能参数一致性分布的一维概率分布，并将上述不一致性结果转化为一维概率分布直方图。
5.根据权利要求2所述，其特征在于，所述方法还包括：通过可视化呈现方法，将电池性能参数与关键的中间参数和一个工艺参数的数值关系二维等高线图和中间参数与工艺参数有相关性的匹配二维概率云图相结合，对比设计阶段预设性能参数数值与实际生产阶段性能参数分布的差别，分析性能参数不一致性与中间工艺参数不一致性的关系，通过条件概率估计获取电池性能参数一致性分布的一维概率分布，并将上述不一致性结果转化为一维概率分布直方图。
6.一种基于数值仿真的锂离子电池双因素不一致性预测装置，其特征在于，包括：
第一获取模块，用于获取决定电池性能的两种电池工艺参数统计值；其中，每种电池工艺参数统计值包括电池设计参数数值和生产过程的工艺参数偏差值的统计值；
第二获取模块，用于根据决定电池性能的两种电池工艺参数统计值，利用预设的物理模型，建立一致性分析统计-物理模型，通过三种途径获取电池性能参数的不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的随机数组作为输入变量，利用预设的电池性能参数物理模型，获取性能参数不一致性一维统计结果；
基于工艺参数在生产过程中的互不相关性，确定由两个互不相关工序决定的工艺参数的匹配结果，建立两个匹配的工艺参数的二维联合概率云图，并结合性能参数与两工艺参数变化关系的等高线图分析性能参数不一致性关于两个工艺参数波动的分布规律，通过条件概率估计建立工艺-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
根据影响性能参数关键的中间参数与部分工艺参数的相关性，建立存在相关性的中间参数和工艺参数的二维联合概率云图，并结合性能参数与中间参数和部分工艺参数变化关系的等高线图分析性能参数不一致性关于中间参数不一致性的分布规律，通过条件概率估计建立工艺/中间-性能参数一致性预测模型，获取电池性能参数的不一致性的一维分布结果；
所述获取决定电池性能的两种电池工艺参数统计值，包括：
选取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为设计参数的绝对数值，并获取决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数作为工艺参数在生产阶段存在工艺偏差的数值统计值，包括均值和标准差；
相应地，根据决定电池性能的正极极片面密度和负极极片面密度两种电池微观参数在生产阶段存在工艺偏差的数值的统计值，利用预设的物理模型，建立一致性分析统计-物理模型，获取电池容量这一性能参数的不一致性一维统计结果以及获取中间参数NP比的不一致性一维统计结果。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述锂离子电池双因素不一致性预测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述锂离子电池双因素不一致性预测方法的步骤。
CN201811624444.7A 2018-12-28 2018-12-28 锂离子电池双因素不一致性预测方法及装置 Active CN109840353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811624444.7A CN109840353B (zh) 2018-12-28 2018-12-28 锂离子电池双因素不一致性预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811624444.7A CN109840353B (zh) 2018-12-28 2018-12-28 锂离子电池双因素不一致性预测方法及装置

Publications (2)

Publication Number Publication Date
CN109840353A CN109840353A (zh) 2019-06-04
CN109840353B true CN109840353B (zh) 2023-04-07

Family

ID=66883521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811624444.7A Active CN109840353B (zh) 2018-12-28 2018-12-28 锂离子电池双因素不一致性预测方法及装置

Country Status (1)

Country Link
CN (1) CN109840353B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112827863A (zh) * 2020-12-30 2021-05-25 国联汽车动力电池研究院有限责任公司 一种基于制造过程的电池一致性筛选方法及装置
CN113111508A (zh) * 2021-04-08 2021-07-13 东软睿驰汽车技术（沈阳）有限公司 电芯一致性的评估方法、装置及服务器
CN117609846B (zh) * 2024-01-23 2024-06-18 宁德时代新能源科技股份有限公司 电池性能参数的获取方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106207265A (zh) * 2016-07-26 2016-12-07 金龙联合汽车工业（苏州）有限公司 一种提高锂离子电池一致性的制备方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127342B2 (en) * 2016-04-08 2018-11-13 Nano And Advanced Materials Institute Limited Method of designing and modifying lithium ion battery cathode materials

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106207265A (zh) * 2016-07-26 2016-12-07 金龙联合汽车工业（苏州）有限公司 一种提高锂离子电池一致性的制备方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
动力锂离子电池制备工艺对一致性影响研究;罗雨;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20130315(第3期);17-39 *
电动汽车用锂离子电池制备及其一致性演变分析;安富强等;《材料热处理学报》;20150425;第36卷(第04期);239-246 *
车用动力锂离子电池单体不一致性问题研究综述;戴海峰等;《汽车工程》;20140225;第36卷(第02期);全文 *

Also Published As

Publication number Publication date
CN109840353A (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
Xu et al. Life prediction of lithium-ion batteries based on stacked denoising autoencoders
Zou et al. A framework for simplification of PDE-based lithium-ion battery models
CN108805217A (zh) 一种基于支持向量机的锂离子电池健康状态估计方法及系统
CN109840353B (zh) 锂离子电池双因素不一致性预测方法及装置
Kim et al. Rapid failure mode classification and quantification in batteries: A deep learning modeling framework
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN109768340B (zh) 一种电池放电过程电压不一致性估计方法及装置
JP2015135286A (ja) 二次電池の特性推定装置
KR20190123172A (ko) 배터리 상태 추정 방법
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
EP4113139A1 (en) Lithium battery soc estimation method and apparatus, and computer-readable storage medium
WO2021089786A1 (en) Battery performance prediction
Fatima Brondani et al. Parameter estimation of lithium ion polymer battery mathematical model using genetic algorithm
CN109800477B (zh) 锂离子电池三因素不一致性预测方法及装置
Luo et al. A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network
CN108594117B (zh) 确定电池容量的方法、装置、终端设备及计算机存储介质
Kazhamiaka et al. Simple spec-based modeling of lithium-ion batteries
Chayambuka et al. Physics-based modeling of sodium-ion batteries part II. Model and validation
Lyu et al. A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles
CN116705210B (zh) 电芯老化模型构建方法和电芯全生命周期性能预测方法
Abdollahi et al. Battery health degradation and optimal life management
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
Yu et al. Lithium-ion battery multi-scale modeling coupled with simplified electrochemical model and kinetic Monte Carlo model
CN114076899B (zh) 电池寿命的分档预估方法、装置、设备、系统及介质

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