CN110208717A - 基于大数据的动力电池寿命预测方法 - Google Patents

Abstract

本发明公开了基于大数据的动力电池寿命预测方法，在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据；将参数大数据进行大数据分析，得到大数据分析关系式；由电压电流传感器测量电流大数据，同时采用改进安时积分法得到荷电状态SOC，由放电深度和荷电状态之和为1的关系求得放电深度；在不同放电深度下，将电池一次充放电的吞吐量等效视为等效吞吐量；根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命；本发明预测方法，从动力电池的特性出发，针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正；同时根据动力电池的特性对初始荷电状态的测试做了优化，使得预测结果更为精确。

Description

基于大数据的动力电池寿命预测方法

技术领域

本发明属于电池寿命预测技术领域，具体涉及基于大数据的动力电池寿命预测方法。

背景技术

目前市场上的预测电池寿命的方法一般是通过复杂的算法来预测。有一种比较简便的预测电池寿命的方法为基于大数据的吞吐量法，然而目前还没有针对动力电池特性的吞吐量法，再者，目前的吞吐量法一般只考虑了放电深度对有效充放电吞吐量的影响，计算结果不精确。针对动力电池的特性可以知道，放电深度会影响循环次数，环境温度会影响SOC测定时开路电压的大小，初始荷电状态会影响额定温度下开路电压的大小和开路电压测量时的静置时间，且动力电池的这些特性与其他电池的特性有所不同，导致用已有的吞吐量法预测动力电池寿命时不够精确。

发明内容

本发明的目的是提供基于大数据的动力电池寿命预测方法，从动力电池的特性出发，对初始荷电状态的测试做了优化，使预测结果更准确。

本发明所采用的技术方案是，基于大数据的动力电池寿命预测方法，具体按照以下步骤实施：

步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据；

步骤2、将参数大数据进行大数据分析，得到大数据分析关系式；

步骤3、由电压电流传感器测量电流大数据，同时采用改进安时积分法得到荷电状态SOC，由放电深度和荷电状态之和为1的关系求得放电深度；

步骤4、在不同放电深度下，将电池一次充放电的吞吐量等效视为等效吞吐量；

步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。

本发明的特点还在于：

步骤1参数大数据包括：额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量C_R和额定吞吐量Γ_R，在不同放电深度D_A下的循环次数大数据L_A，不同温度T下的开路电压大数据U_OC，不同荷电状态SOC下的开路电压大数据U_OC25，不同温度下的容量大数据C_A，不同温度下的充放电效率大数据η。

步骤2的具体过程为：

通过不同温度T下的开路电压大数据U_OC，进行大数据分析得到温度对开路电压的影响，以式(1)表示；

U_OC＝U_OC25*g(T) (1)；

通过不同温度下的电池容量大数据C_A，进行大数据分析得到温度对电池容量的影响，以式(2)表示；

C_A＝C_R[1-α(25-T)] (2)

其中α为温度系数，不同温度下有不同的温度系数；

通过不同温度下的充放电效率大数据η，进行大数据分析得到温度对充放电效率的影响，以式(3)表示；

η_E＝K_Tη (3)

其中K_T为温度的影响系数，η_E为考虑温度后的等效充放电效率；

通过不同放电深度D_A下的循环次数大数据L_A，进行大数据分析得到放电深度对循环次数的影响，以式(4)表示；

其中L_R表示动力电池的额定循环次数，D_R表示动力电池的额定放电深度；

通过不同荷电状态SOC下的开路电压大数据U_OC25，进行大数据分析得到荷电状态SOC对开路电压的影响，以式(5)表示；

SOC₀＝f(U_OC25) (5)。

步骤3采用改进安时积分法得到荷电状态SOC过程为：

其中t为一次充电或一次放电时间。

步骤4具体过程为：控制电池每次充电均充至满电状态，则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量，计算式为：

d_act＝2×D_AC_A (8)

式(8)中，d_act表示实际吞吐量；

在不同放电深度下，一次充放电消耗的有效电池寿命为等效原则，将电池一次充放电的吞吐量等效视为等效吞吐量：

则等效一次充放电吞吐量为：

步骤5电池剩余寿命为：

式(10)中d_effi表示每一次充放电循环的等效吞吐量，n表示当前电池的循环次数。

本发明的有益效果是，

本发明提供的基于大数据的动力电池寿命预测方法，从动力电池的特性出发，针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正；同时本发明根据动力电池的特性对初始荷电状态的测试做了优化，使得预测结果更为精确。

附图说明

图1为本发明基于大数据的动力电池寿命预测方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明采用基于大数据的动力电池寿命预测方法，如图1所示，具体按照以下步骤实施：

步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据；参数大数据包括：额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量C_R和额定吞吐量Γ_R，在不同放电深度D_A下的循环次数大数据L_A，不同温度T下的开路电压大数据U_OC，不同荷电状态SOC下的开路电压大数据U_OC25，不同温度下的容量大数据C_A，不同温度下的充放电效率大数据η。

步骤2、将参数大数据进行大数据分析，得到大数据分析关系式；

具体过程为：

通过不同温度T下的开路电压大数据U_OC，进行大数据分析得到温度对开路电压的影响，以式(1)表示；

U_OC＝U_OC25*g(T) (1)；

通过不同温度下的电池容量大数据C_A，进行大数据分析得到温度对电池容量的影响，以式(2)表示；

C_A＝C_R[1-α(25-T)] (2)

其中α为温度系数，不同温度下有不同的温度系数；

通过不同温度下的充放电效率大数据η，进行大数据分析得到温度对充放电效率的影响，以式(3)表示；

η_E＝K_Tη (3)

其中K_T为温度的影响系数，η_E为考虑温度后的等效充放电效率；

通过不同放电深度D_A下的循环次数大数据L_A，进行大数据分析得到放电深度对循环次数的影响，以式(4)表示；

其中L_R表示动力电池的额定循环次数，D_R表示动力电池的额定放电深度；

通过不同荷电状态SOC下的开路电压大数据U_OC25，进行大数据分析得到荷电状态SOC对开路电压的影响，以式(5)表示；

SOC₀＝f(U_OC25) (5)。

步骤3、由电压电流传感器测量电流大数据，同时采用改进安时积分法得到荷电状态SOC，由放电深度和荷电状态之和为1的关系求得放电深度；

采用改进安时积分法得到荷电状态SOC过程为：

其中t为一次充电或一次放电时间。

步骤4、在不同放电深度下，将电池一次充放电的吞吐量等效视为等效吞吐量；

具体过程为：控制电池每次充电均充至满电状态，则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量，计算式为：

d_act＝2×D_AC_A (8)

式(8)中，d_act表示实际吞吐量；

在不同放电深度下，一次充放电消耗的有效电池寿命为等效原则，将电池一次充放电的吞吐量等效视为等效吞吐量：

Γ_A＝L_A*D_A*C_A，Γ_R＝L_R*D_R*C_R

则等效一次充放电吞吐量为：

步骤5电池剩余寿命为：

式(10)中d_effi表示每一次充放电循环的等效吞吐量，n表示当前电池的循环次数。

步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。

实施例

对某型号动力电池进行试验。

测量在额定情况下同一类电池的平均容量C_R。为了使结果更精确，动力电池采用恒流-恒压充电方法。1/3C恒流充电至3.65V转恒压充电，充电电流下降到0.1A后10min即停止充电，静置1h，再用仪器测量从满电状态在额定电流下恒流一次性放电至截止电压时共放出的容量。

测量额定吞吐量Γ_R。在额定放电深度下对同一类电池循环充放电直至报废，再由计算得额定吞吐量ΓR，Γ_R＝L_RD_RC_R。

测量在不同放电深度D_A下的循环次数L_A大数据。选取在[0.1,0.9]内均匀分布的10个放电深度，在不同放电深度D_A下对同一类电池循环充放电直至报废,测得循环次数L_A。

测量在不同温度T下的开路电压U_OC大数据。在额定放电深度下，测量多组不同温度T下(规定25摄氏度为额定温度)开路电压U_OC的大小。

测量不同荷电状态SOC下的开路电压U_OC25大数据。在额定温度、额定放电速率下，测量不同荷电状态SOC下，开路电压U_OC25的大小。此步骤由于数据相较之前实验容易获得，因此要求测量尽量多的数据。

测量不同温度下的容量大数据C_A，在不同温度下，用专用的测试仪测试容量，得到容量大数据。

不同温度下的充放电效率大数据η。在不同温度下，对动力电池进行充放电，由输出电能与接收电能得到放电效率大数据η。

将参数大数据进行大数据分析，得到大数据分析关系式。

采用的改进安时积分法通过电压电流传感器测量荷电状态SOC，由放电深度和荷电状态之间的关系求得放电深度。根据不同温度下的开路电压与荷电状态之间的函数表达式，测得电池静置稳定后的开路电压以及温度，即可得到初始荷电状态SOC₀。并且由动力电池的特性，得当SOC>10％时，开路电压的测量静置时间只需2h即可稳定，在本发明中，保证电池放电后SOC>10％，既缩短了传统的静置时间，又延长了电池的寿命。

在不同放电深度下，将电池一次充放电的吞吐量等效为等效吞吐量。控制电池每次充电均充至一满电状态，则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量计算式为式(7)；以在不同放电深度下，一次充放电消耗的有效电池寿命为等效原则，按式(8)进行等效。按式(9)由计算机计算得到等效一次充放电吞吐量。

根据额定吞吐量与一次充放电的等效吞吐量之间的关系，按式(10)由计算机处理得到电池剩余寿命。

综上所述，本发明提供的基于大数据的动力电池寿命预测方法，从动力电池的特性出发，应用大数据分析，针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正，使得预测结果更为精确。SOC估算方法一般为安时积分法，而SOC₀的测试是关键。本发明针对动力电池的特性对初始荷电状态的测试做了优化。

Claims (6)

1.基于大数据的动力电池寿命预测方法，其特征在于，具体按照以下步骤实施：

步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据；

步骤2、将参数大数据进行大数据分析，得到大数据分析关系式；

步骤3、由电压电流传感器测量电流大数据，同时采用改进安时积分法得到荷电状态SOC，由放电深度和荷电状态之和为1的关系求得放电深度；

步骤4、在不同放电深度下，将电池一次充放电的吞吐量等效视为等效吞吐量；

步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。

2.根据权利要求1所述基于大数据的动力电池寿命预测方法，其特征在于，步骤1所述参数大数据包括：额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量C_R和额定吞吐量Γ_R，在不同放电深度D_A下的循环次数大数据L_A，不同温度T下的开路电压大数据U_OC，不同荷电状态SOC下的开路电压大数据U_OC25，不同温度下的容量大数据C_A，不同温度下的充放电效率大数据η。

3.根据权利要求1所述基于大数据的动力电池寿命预测方法，其特征在于，步骤2的具体过程为：

通过不同温度T下的开路电压大数据U_OC，进行大数据分析得到温度对开路电压的影响，以式(1)表示；

U_OC＝U_OC25*g(T) (1)；

通过不同温度下的电池容量大数据C_A，进行大数据分析得到温度对电池容量的影响，以式(2)表示；

C_A＝C_R[1-α(25-T)] (2)

其中α为温度系数，不同温度下有不同的温度系数；

通过不同温度下的充放电效率大数据η，进行大数据分析得到温度对充放电效率的影响，以式(3)表示；

η_E＝K_Tη (3)

其中K_T为温度的影响系数，η_E为考虑温度后的等效充放电效率；

通过不同放电深度D_A下的循环次数大数据L_A，进行大数据分析得到放电深度对循环次数的影响，以式(4)表示；

其中L_R表示动力电池的额定循环次数，D_R表示动力电池的额定放电深度；

通过不同荷电状态SOC下的开路电压大数据U_OC25，进行大数据分析得到荷电状态SOC对开路电压的影响，以式(5)表示；

SOC₀＝f(U_OC25) (5)。

4.根据权利要求3所述基于大数据的动力电池寿命预测方法，其特征在于，步骤3采用改进安时积分法得到荷电状态SOC过程为：

其中t为一次充电或一次放电时间。

5.根据权利要求1所述基于大数据的动力电池寿命预测方法，其特征在于，步骤4具体过程为：控制电池每次充电均充至满电状态，则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量，计算式为：

d_act＝2×D_AC_A (8)

式(8)中，d_act表示实际吞吐量；

在不同放电深度下，一次充放电消耗的有效电池寿命为等效原则，将电池一次充放电的吞吐量等效视为等效吞吐量：

则等效一次充放电吞吐量为：

6.根据权利要求1所述基于大数据的动力电池寿命预测方法，其特征在于，步骤5所述电池剩余寿命为：

式(10)中d_effi表示每一次充放电循环的等效吞吐量，n表示当前电池的循环次数。