CN109946612A - 一种三元锂离子电池容量加速衰退转折点识别方法 - Google Patents
一种三元锂离子电池容量加速衰退转折点识别方法 Download PDFInfo
- Publication number
- CN109946612A CN109946612A CN201910257169.8A CN201910257169A CN109946612A CN 109946612 A CN109946612 A CN 109946612A CN 201910257169 A CN201910257169 A CN 201910257169A CN 109946612 A CN109946612 A CN 109946612A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium ion
- ion battery
- safety zone
- ternary
- 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)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了属于电池老化状态识别及电池安全管理技术领域的一种三元锂离子电池容量加速衰退转折点识别方法。建立锂离子电池的容量增量曲线,以该容量增量曲线的峰高度为表征容量的特征参数,通过在线获取容量增量曲线的峰高度,进行基线选取、带宽计算,对安全区域进行持续更新,判断是否存在连续几个数据超出安全区域范围,实现不同工况下的三元锂离子电池容量加速衰退转折点识别,本发明增强算法对工况的适应性;对三元锂离子电池容量加速衰退转折点进行识别简单方便、精确度高,对于不同工况的适应性强且需要的储存空间少,算法简单,便于在线进行加速衰退识别,易于工程实现。
Description
技术领域
本发明属于电池老化状态识别及电池安全管理技术领域,特别涉及一种三元锂离子电池容量加速衰退转折点识别方法。
背景技术
近年来,随着能源危机的加剧及环境问题的日益突出,为保障国家能源战略安全、实现节能减排,发展新能源汽车成为一种趋势。对于电动汽车厂商或者用户来说,新能源汽车最重要的参数便是使用年限与续航里程,而这两个参数主要取决于动力电池的使用寿命与能量密度。因此,提升动力电池的使用寿命与能量密度成为促进新能源汽车发展的关键。
三元锂离子电池相比于其他类型的电池具有比能量高、使用寿命长等优点,在新能源汽车上被广泛应用。但是,三元锂离子电池在使用过程中存在容量加速衰退的拐点,导致动力电池快速失效,对电动汽车的剩余寿命造成重大的影响。
2017年,GM由于三元锂离子电池失效对部分Bolt EV电动汽车进行了召回,造成重大损失。究其原因,当电池组中某一个电池容量加速衰退,即出现“跳水”现象,与其他电池相比,其电压会非常快地下降。一旦电池管理系统检测到电池组中任何单体电池的电压低于限制值,它将关闭动力系统以避免电池过度放电。如果电动汽车正在行驶过程中,发生这种现象将会对用户造成重大的困扰。
能够对于三元锂离子电池的容量加速衰退拐点进行识别,将会解决以上问题,极大的推动电动汽车进一步发展。
发明内容
本发明的目的是提出一种三元锂离子电池容量加速衰退转折点识别方法,其特征在于,建立锂离子电池的容量增量曲线,以该容量增量曲线的峰高度为表征容量的特征参数,使用带状安全区域建立方法,对不同工况下的三元锂离子电池容量加速衰退转折点进行识别;具体包括:
1),根据三元锂离子电池容量“跳水”的触发机制及描述电池老化机理的多指标体系原理,以容量增量曲线的峰高度代替容量作为模型的输入参数,确定三元锂离子电池运行过程中的带状安全区域;
2),在确定三元锂离子电池运行过程中的带状安全区域的基础上,通过在线获取峰的高度,进行带状安全区域基线选取、带宽计算,对安全区域进行持续更新,进行不同工况下的三元锂离子电池容量加速衰退转折点识别。
所述带状安全区域基线选取是基于分位数回归进行的,利用分位数回归算法对电池容量增量曲线的峰高度数据进行分位数回归,得到多条回归直线,由于电池安全运行阶段峰值数据呈线性衰退,回归算法对于前期数据给予权重,并从中挑选使得估计值与真值之间的残差离散程度最小的直线作为带状安全区域基线。
所述带状安全区域的带宽,利用四分位数和四分位距消除数据异常值的干扰,执行蒙特卡罗模拟确定安全区域带宽;
确定安全区域基线后,通过对残差进行蒙特卡罗模拟使得数据具有95%的概率位于安全区域范围内,即得到安全区域的带宽;由于数据容易受到异常值的干扰,导致安全区域过宽,需要对数据进行异常点过滤,进行蒙特卡罗模拟的残差通过四分位数与四分位距确定,正常数据范围满足下式(1)条件:
Q1-1.5*IQR≤x≤Q3+1.5*IQR (1)
式中x为数据估计值与真值之间的残差,Q1为残差的四分之一分位数,Q3为残差的四分之三分位数,IRQ为残差的四分位距;残差异常值被定义为小于Q1-1.5*IQR或大于Q3+1.5*IQR的值,判断异常值的标准以四分位数和四分位距为基础,四分位数具有一定的耐抗性,多达25%的数据变得任意远而不会很大地扰动四分位数,所以异常值不会对这个标准产生影响,识别异常值的结果比较客观;确定了锂电池安全运行区域的基线与带宽,则电池处于安全运行阶段时,容量增量(IC)曲线的峰高度数据超出安全区域范围的概率为5%,若存在连续几个数据超出安全区域范围,其发生的概率极小,则认为几乎不可能发生事件,判定该数据为发生容量加速衰退转折点;通过在线对安全区域进行持续更新,实现不同工况下的三元锂离子电池容量加速衰退转折点识别。
本发明的有益效果是通过在线获取峰的高度,进行基线选取、带宽计算,对安全区域进行持续更新,判断是否存在连续几个数据超出安全区域范围,实现不同工况下的三元锂离子电池容量加速衰退转折点识别,增强算法对工况的适应性;本发明对三元锂离子电池容量加速衰退转折点进行识别简单方便、精确度高,对于不同工况的适应性强且需要的储存空间少,算法简单,便于在线进行加速衰退识别,易于工程实现。
附图说明
图1为三元锂离子电池容量加速衰退转折点识别方法的流程图。
图2为三元锂离子电池容量衰退情况。
图3为三元锂离子电池容量增量曲线演变规律。
图4为三元锂离子电池运行过程中的带状安全区域。
图5为分位数回归进行基线的选取。
图6不同工况下电池带状安全区域及容量加速衰退转折点识别结果,其中(a)25℃,(b)35℃,(c)45℃。
具体实施方式
本发明提出一种三元锂离子电池容量加速衰退转折点识别方法,建立锂离子电池的容量增量曲线,以该容量增量曲线的峰高度为表征容量的特征参数,使用带状安全区域建立方法,对不同工况下的三元锂离子电池容量加速衰退转折点进行识别。下面结合附图和具体实施方式对本发明进行进一步的详细说明。
如图1所示为三元锂离子电池容量加速衰退转折点识别方法的流程图。
其中包括:确立了容量增量曲线中峰的高度为表征容量的特征参数,根据“跳水”的触发机制及描述电池老化机理的多指标体系进行特征参数提取;以输入参数确定三元锂离子电池运行过程中的带状安全区域,通过在线对安全区域进行持续更新,实现不同工况下的三元锂离子电池容量加速衰退转折点识别。
本发明给出了电池使用带状安全区域的建立方法,先根据三元锂离子电池容量衰退情况(如图2所示)及三元锂离子电池容量增量曲线演变规律(如图3所示),分析三元锂离子电池容量“跳水”的触发机制及描述电池老化机理的多指标体系,确定由容量增量曲线的峰高度,以峰高度代替容量作为模型的输入参数,划分锂离子电池运行过程中的带状安全区域(如图4所示)。
利用分位数回归算法对电池IC曲线峰的高度数据进行分位数回归,得到多条回归直线(如图5所示),并从中挑选使得估计值与真值之间的残差离散程度最小的直线作为带状安全区域基线;利用四分位数和四分位距消除数据异常值的干扰,执行蒙特卡罗模拟确定安全区域带宽,使得电池处于安全运行阶段时,IC曲线峰的高度数据超出安全区域范围的概率为5%,若存在连续几个数据超出安全区域范围,判定该数据为发生容量加速衰退转折点;通过在线对基线与带宽进行持续的更新,实现不同工况下的三元锂离子电池容量加速衰退转折点识别。
不同工况条件下,电池的带状安全区域及容量加速衰退转折点识别结果分别如图6(a)(b)(c)所示。
Claims (3)
1.一种三元锂离子电池容量加速衰退转折点识别方法,其特征在于,建立锂离子电池的容量增量曲线,以该容量增量曲线的峰高度为表征容量的特征参数,使用带状安全区域建立方法,对不同工况下的三元锂离子电池容量加速衰退转折点进行识别;具体包括:
1),根据三元锂离子电池容量“跳水”的触发机制及描述电池老化机理的多指标体系原理,以容量增量曲线的峰高度代替容量作为模型的输入参数,确定三元锂离子电池运行过程中的带状安全区域;
2),在确定三元锂离子电池运行过程中的带状安全区域的基础上,通过在线获取峰的高度,进行带状安全区域基线选取、带宽计算,对安全区域进行持续更新,进行不同工况下的三元锂离子电池容量加速衰退转折点识别。
2.根据权利要求1所述一种三元锂离子电池容量加速衰退转折点识别方法,其特征在于,所述带状安全区域基线选取是基于分位数回归进行的,利用分位数回归算法对电池容量增量曲线的峰高度数据进行分位数回归,得到多条回归直线,由于电池安全运行阶段峰值数据呈线性衰退,回归算法对于前期数据给予权重,并从中挑选使得估计值与真值之间的残差离散程度最小的直线作为带状安全区域基线。
3.根据权利要求1所述一种三元锂离子电池容量加速衰退转折点识别方法,其特征在于,所述带状安全区域的带宽,利用四分位数和四分位距消除数据异常值的干扰,执行蒙特卡罗模拟确定安全区域带宽;
确定安全区域基线后,通过对残差进行蒙特卡罗模拟使得数据具有95%的概率位于安全区域范围内,即得到安全区域的带宽;由于数据容易受到异常值的干扰,导致安全区域过宽,需要对数据进行异常点过滤,进行蒙特卡罗模拟的残差通过四分位数与四分位距确定,正常数据范围满足下式(1)条件:
Q1-1.5*IQR≤x≤Q3+1.5*IQR (1)
式中x为数据估计值与真值之间的残差,Q1为残差的四分之一分位数,Q3为残差的四分之三分位数,IRQ为残差的四分位距;残差异常值被定义为小于Q1-1.5*IQR或大于Q3+1.5*IQR的值,判断异常值的标准以四分位数和四分位距为基础,四分位数具有一定的耐抗性,多达25%的数据变得任意远而不会很大地扰动四分位数,所以异常值不会对这个标准产生影响,识别异常值的结果比较客观;确定了锂电池安全运行区域的基线与带宽,则电池处于安全运行阶段时,容量增量(IC)曲线的峰高度数据超出安全区域范围的概率为5%,若存在连续几个数据超出安全区域范围,其发生的概率极小,则认为几乎不可能发生事件,判定该数据为发生容量加速衰退转折点;通过在线对安全区域进行持续更新,实现不同工况下的三元锂离子电池容量加速衰退转折点识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257169.8A CN109946612B (zh) | 2019-04-01 | 2019-04-01 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910257169.8A CN109946612B (zh) | 2019-04-01 | 2019-04-01 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946612A true CN109946612A (zh) | 2019-06-28 |
CN109946612B CN109946612B (zh) | 2020-10-20 |
Family
ID=67013280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910257169.8A Active CN109946612B (zh) | 2019-04-01 | 2019-04-01 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946612B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954830A (zh) * | 2019-11-26 | 2020-04-03 | 北京海博思创科技有限公司 | 电池跳水预测方法及设备 |
CN112327191A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种基于几何特征融合决策的电池跳水概率评估方法 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112327193A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种锂电池容量跳水预警方法 |
CN113030758A (zh) * | 2021-03-17 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 |
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN113848493A (zh) * | 2021-09-07 | 2021-12-28 | 北京交通大学 | 基于机器学习的三元锂离子电池早期加速老化诊断方法 |
CN113884900A (zh) * | 2021-09-13 | 2022-01-04 | 北京交通大学 | 一种三元锂离子电池容量突变点预测方法 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
US11959970B2 (en) | 2022-04-13 | 2024-04-16 | Beijing Institute Of Technology | Method and device for capacity degradation prediction of lithium-ion battery |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102185167A (zh) * | 2011-03-15 | 2011-09-14 | 奇瑞汽车股份有限公司 | 一种车载电池管理系统电池放电终止状态判断方法 |
US20120176092A1 (en) * | 2011-01-11 | 2012-07-12 | Denso Corporation | Battery capacity detection device of lithium ion rechargeable battery |
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 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN107861070A (zh) * | 2017-10-25 | 2018-03-30 | 北京交通大学 | 一种锂离子电池健康状态在线诊断方法 |
CN109143078A (zh) * | 2018-08-28 | 2019-01-04 | 中航锂电技术研究院有限公司 | 一种磷酸铁锂动力电池“跳水”故障的辨识预判方法 |
-
2019
- 2019-04-01 CN CN201910257169.8A patent/CN109946612B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120176092A1 (en) * | 2011-01-11 | 2012-07-12 | Denso Corporation | Battery capacity detection device of lithium ion rechargeable battery |
CN102185167A (zh) * | 2011-03-15 | 2011-09-14 | 奇瑞汽车股份有限公司 | 一种车载电池管理系统电池放电终止状态判断方法 |
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 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN107861070A (zh) * | 2017-10-25 | 2018-03-30 | 北京交通大学 | 一种锂离子电池健康状态在线诊断方法 |
CN109143078A (zh) * | 2018-08-28 | 2019-01-04 | 中航锂电技术研究院有限公司 | 一种磷酸铁锂动力电池“跳水”故障的辨识预判方法 |
Non-Patent Citations (1)
Title |
---|
郭琦沛: ""锂离子动力电池健康特征提取与诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110954830B (zh) * | 2019-11-26 | 2022-04-15 | 北京海博思创科技股份有限公司 | 电池跳水预测方法及设备 |
CN110954830A (zh) * | 2019-11-26 | 2020-04-03 | 北京海博思创科技有限公司 | 电池跳水预测方法及设备 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112327191A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种基于几何特征融合决策的电池跳水概率评估方法 |
CN112327193A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种锂电池容量跳水预警方法 |
CN112327193B (zh) * | 2020-10-21 | 2021-09-24 | 北京航空航天大学 | 一种锂电池容量跳水预警方法 |
CN113030758A (zh) * | 2021-03-17 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 |
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113655398B (zh) * | 2021-08-11 | 2024-04-05 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN113848493A (zh) * | 2021-09-07 | 2021-12-28 | 北京交通大学 | 基于机器学习的三元锂离子电池早期加速老化诊断方法 |
CN113884900B (zh) * | 2021-09-13 | 2022-08-23 | 北京交通大学 | 一种三元锂离子电池容量突变点预测方法 |
CN113884900A (zh) * | 2021-09-13 | 2022-01-04 | 北京交通大学 | 一种三元锂离子电池容量突变点预测方法 |
CN114114049A (zh) * | 2021-09-30 | 2022-03-01 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
CN114114049B (zh) * | 2021-09-30 | 2022-10-18 | 北京交通大学 | 一种基于样本迁移的锂离子电池寿命预测方法 |
US11959970B2 (en) | 2022-04-13 | 2024-04-16 | Beijing Institute Of Technology | Method and device for capacity degradation prediction of lithium-ion battery |
Also Published As
Publication number | Publication date |
---|---|
CN109946612B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946612A (zh) | 一种三元锂离子电池容量加速衰退转折点识别方法 | |
Zhang et al. | Accelerated fading recognition for lithium-ion batteries with Nickel-Cobalt-Manganese cathode using quantile regression method | |
Zhang et al. | Aging characteristics-based health diagnosis and remaining useful life prognostics for lithium-ion batteries | |
CN111965560B (zh) | 一种面向通用放电工况的电池健康状态估计方法 | |
CN112327167A (zh) | 一种电池容量跳水风险评估方法及系统 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN114839541A (zh) | 基于k均值聚类的动力电池组不一致性诊断方法及系统 | |
CN113011082B (zh) | 一种改进蚁群算法优化粒子滤波的锂电池soc预测方法 | |
Lan et al. | In-depth bibliometric analysis on research trends in fault diagnosis of lithium-ion batteries | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
An et al. | Self-discharge rates in cells have a critical effect on the cycle life of parallel lithium-ion batteries | |
CN106168644A (zh) | 手动维护断开器保险丝状态确定系统和方法 | |
Tao et al. | Battery cross-operation-condition lifetime prediction via interpretable feature engineering assisted adaptive machine learning | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN116559757B (zh) | 电池析锂电位预测准确性的验证方法、装置和电子设备 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
Zhou et al. | Online estimation of state of charge of Li-ion battery using an iterated extended Kalman particle filter | |
Zahid et al. | Performance analysis of particle filter for SOC estimation of LiFeP0 4 battery pack for electric vehicles | |
Huang et al. | Prediction of remaining useful life of lithium-ion battery based on UKF | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
Zhou et al. | Cycle life prediction and match detection in retired electric vehicle batteries | |
CN113533985B (zh) | 一种电池包内阻异常模块的识别方法及其存储介质 | |
CN115511203A (zh) | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 | |
CN117110923A (zh) | 一种电动叉车用锂电池剩余寿命预测方法 |
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 |