CN110224192A - 一种梯次利用动力电池寿命预测方法 - Google Patents

Abstract

本发明的一种梯次利用动力电池寿命预测方法，可解决现有的电池寿命预测方法准确性不高且存在安全风险的技术问题。包括以下步骤：S100、对待测锂离子电池的外观特性分析；S200、对待测锂离子电池首次充放电进行测试；S300、对测锂离子电池进行电池的分选；S400、建立预测模型，对测锂离子电池剩余使用寿命进行预测。本发明采用机器学习、神经网络的方法，充分利用电池充、放电过程中的曲线特征对电池进行分级，避免出现由于电池模组内部的不一致性而导致的诸多性能和安全问题。同时对回收电池进行剩余寿命预测，根据不同的再利用场合，不同的负载条件，可综合评判电池的性能。

Description

一种梯次利用动力电池寿命预测方法

技术领域

本发明涉及动力电池回收技术领域，具体涉及一种梯次利用动力电池寿命预测方法。

背景技术

目前国内梯次利用行业主要采用锂电池静态特性预测方法：对外观无异常的电池进行首次充、放电测试，得到电池的静态特性，包括：开路电压、内阻以及电池容量。该技术尤其是在电池剩余循环寿命估算的准确性上仍然存在着不足，一方面无法准确预测梯次利用电芯在后续循环充放电使用后的性能特性及电池寿命，另一方面会出现由于电池模组内部的不一致性而导致的诸多性能和安全问题。

发明内容

本发明提出的一种梯次利用动力电池寿命预测方法，可解决现有的电池寿命预测方法准确性不高且存在安全风险的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种梯次利用动力电池寿命预测方法，包括：

外观特性分析阶段：检测回收电池的外观是否有膨胀、漏液等现象，对于存在此类情况的电池直接进行原料回收处理。

对外观无异常的电池进行首次充、放电测试，得到电池的静态特性，包括：开路电压、内阻以及电池容量；对测试结果不符合该阶段测试标准的电池进行回收处理，满足要求的电池则进入下一分选阶段。

根据静态特性以及电池再利用时的负载条件将电池划分为4个等级，利用其动态特性对每一级的电池进行聚类，也即对电池进行再分级。同时对于剩余的单体电池，可以根据其具体性能来判断是否可以梯次利用。

对分级之后的电池进行大量的充放电实验来建立数据驱动模型，实现剩余使用寿命预测，利用测试数据得到模型的精确度，利用算法对模型进行优化。

由上述技术方案可知，本发明采用机器学习、神经网络的方法，充分利用电池充、放电过程中的曲线特征对电池进行分级，避免出现由于电池模组内部的不一致性而导致的诸多性能和安全问题。同时对回收电池进行剩余寿命预测，根据不同的再利用场合，不同的负载条件，综合评判电池的性能。

本发明的梯次利用动力电池寿命预测方法具有以下有益效果：

①结合负载条件，能够快速有效地对退役动力锂电池进行分选，克服了原有方案存在的分选周期长、模组内电池一致性不高、剩余寿命预测精度低等问题，并考虑到了实际应用的适应性、可实现性和多种不确定性因素，为其梯次利用和合理回收创造条件。

②由于静态特性没有时间参数，无法全面的反应出锂离子电池的内部特性。为了解决可能出现的内部不一致性问题，本方案提出了一种基于动态充放电曲线的电池分选方法，利用锂离子电池的充放电电压曲线图、充放电电流曲线图等进行锂离子电池的分选。动态特性分选利用的是锂离子电池在充放电中的变化过程，可以更为全面的将锂离子电池的电压、容量、欧姆内阻、极化内阻等特性反应出来。

③采用数据驱动的方法对分选完成的电池模组进行剩余寿命预测。数据驱动方法不考虑锂离子电池内部的电化学反应及失效机制，直接从电池性能测试数据和状态监测数据(电压、电流、温度、阻抗等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池RUL预测。这些数据中包含了系统所处工作环境对电池产生的各种干扰和影响，同时也可以体现单体状态和个体差异，因此，在一定程度上可以克服基于模型方法动态精度较差及普适性较差的问题。

附图说明

图1是本发明的方法流程图；

图2是本发明实施例的预测步骤流程图；

图3是本发明实施例不同电池在第50次循环时的放电曲线；

图4是本发明实施例不同电池在第100次循环时的放电曲线；

图5是本发明实施例基于神经网络的锂电池RUL预测结果。

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、完整地描述，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。

如图1所示，本实施例所述的梯次利用动力电池寿命预测方法，包括以下步骤：

S100、对待测锂离子电池的外观特性分析；

S200、对待测锂离子电池首次充放电进行测试；

S300、对测锂离子电池进行电池的分选；

S400、建立预测模型，对测锂离子电池剩余使用寿命进行预测。

以下结合每一个步骤进行详细说明：

S100、外观特性分析

在良好的光线条件下，用目测法检查动力锂电池模块、单体的外观，如有变形、裂纹、漏液、腐蚀等则淘汰进行回收处理。注：如有主动保护线路，应去除后再检查。

此步骤检验目的：通过该步骤可初步筛选出安全性能不稳定以及的锂电池。

1、外观：电池外壳出现明显形变(鼓包胀气)、外壳可见明显电解液泄露、极柱出现挤压变形。

2、硬度：可以用手轻捏或者适度捏取锂电池中间部分，硬度适中，无柔软挤压感则证明锂电芯属于比较优质的电芯。

3、重量：除去外包装感知一下电池重量是否是比较沉，若厚重者属于优质电芯。

S200、首次充放电测试；

此步骤检验目的：通过对电池开路电压、内阻、充放电信息的检测，可初步估算出电池SOC(剩余电量)及各个单体电芯之间的电性能差异。具体如下：

S201、开路电压测试；

电池在开路状态下的端电压称为开路电压。电池的开路电压等于电池在断路时(即没有电流通过两极时)电池的正极电极电势与负极的电极电势之差。

具体步骤：根据相关标准，在特定温度和电池开路状态下使用仪器测量电池的端电压；

S202、内阻测试；

电池的内阻是指电池在工作时，电流流过电池内部所受到的阻力；

具体步骤：根据相关标准，在特定条件下，使用仪器测量电池内阻；

S203、充放电特性测试；

电池在充放电过程中电压随时间的变化曲线，这条曲线直接表达了电池两端电压随时间的变化，间接包含充放电过程中电池内阻等指标随时间变化的规律等电池特性；

具体步骤：根据相关标准，在一定条件(电压、电流、放电倍率、温度、充放电截止电压)下对电池进行充放电；

S204、容量测试；

在一定条件下(放电倍率、温度、截止电压等)电池放出的电量；

具体步骤：根据相关标准，将电池充电至截止电压，静置，在一定条件(放电倍率、温度、截止电压等)放电，根据放电电流和时间计算容量；

S205、温度测试；

电池在使用时由于内部结构发生化学、电化学变化、电子迁移及物质传输等原因而产生的温度变化；

具体步骤：根据相关标准，采用热电偶等仪器记录电池在特定条件下充放电过程中的电池温度变化；

S300、锂电池分选

电池成组后，电池组内电池一致性就很难维持，其影响因素诸多，如温度场、电池极化、自放电等。通过以下步骤来筛选相对一致的电池，可以实现电池相对一致性的控制，从而避免由于电池不一致在使用过程中可能造成的过充过放，相对延长电池组的使用寿命，使电池组容量和能量利用率得以最大化。具体如下：

S301、锂电池初次分选；

以同一家公司生产的同规格的电池为例进行分选，首先在原有分类方法的基础上，对外观有缺陷的单体电池进行原料回收处理，对外观满足条件的电池进行充、放电实验，记录数据。根据开路电压，内阻以及容量进行初次分选，划分电池等级(A,B,C,D)。另外，应考虑到回收电池再利用场合的负载情况以及电池回收前服役过程中的信息，可能包括：出厂指标，循环次数等。

S302、锂电池动态特性；

由于静态特性没有时间参数，无法全面的反应出锂离子电池的内部特性。为了解决可能出现的内部不一致性问题，本方案提出了一种基于动态充放电曲线的电池分选方法，利用锂离子电池的充放电电压曲线图、充放电电流曲线图等进行锂离子电池的分选。动态特性分选利用的是锂离子电池在充放电中的变化过程，可以更为全面的将锂离子电池的电压、容量、欧姆内阻、极化内阻等特性反应出来。根据已有的数据可知，同规格、不同单体电池在刚开始循环的时候具有比较好的一致性，充放电一定次数之后，其放电曲线之间的相似度会出现变化，即可以根据不同单体电池的充、放电特性寻找出多个一致性较高的电池，进而成组，来提高电池模组的性能。

如图3和图4所示，对初次分选后的某一等级(如A类)的多个单体电池进行充、放电测试，对充、放电曲线进行预处理，拟采用曲线之间的相似度和聚类的方法对多个单体电池进行再分级以获得更高性能和稳定性的电池模组(如A.1A.2A.3)。

聚类算法

聚类算法具有良好的局部搜索能力，聚类问题的数学描述为，给定一个输入样本集合S，其中样本S_j有d个属性，即S_j＝{S_j1,S_j2,…,S_jd}。按照指定的划分标准，使得在同一类中的样本尽可能相似而在不同类中的样本有较大差异。在对数据集进行聚类时一个依据的标准就是样本之间的“距离”，将“距离”较近的样本划分到同一类中，而“距离”较远的样本尽量划分到不同类中。样本之间的“距离”实际上就是对于样本相似性的度量，两个样本越类似，距离越小，则相似度越高。本发明采用动态距离作为样本相似性的度量。另外对于剩下的单体电池可以根据其性能决定再利用场合。

具体为利用实际回收生产中采集的数据，验证电芯的参数分布规律，并将此规律应用于生成仿真容量输入数据。把电池单体特征点的电压与整组电池电压均值之间的欧式距离作为聚类目标，运用聚类方法，电芯形成围绕一个中心的几个圈层。每个圈层就是一个电芯的类。分选结果可以直接作为电池分类结果使用。

对于回收电池再利用方面，通过多参数、动态的评估方法，可以制定出较为全面的等级评价指标，进而选择合适的应用场所，在满足退役电池梯次利用要求的前提下，充分挖掘退役电池潜力，提升企业的经济效益。

S400、剩余使用寿命预测(RUL预测方法)

由于企业回收的退役电池来源稳定，可以认为分级之后，同级的电池模组具有相似的性能。除此之外，每一等级电池的再利用场合均固定，考虑到时间效益以及减少退役电池的二次损耗方面，在电池分选完成的基础上，对于分选后的某一级电池模组(如A.1)，从里面挑选出一块单体电池，对其进行充放电测试，建立模型之后，对于同组内的单体电池，将其充电数据作为输入，即可获得近似的循环次数。根据已有的数据可知，神经网络得到的结果误差较小，通过配合各种优化算法，可以获得比较好的预测结果。

如图5所示，实验中采用的充放电标准为：恒流恒压充电，0.3C恒流充电至电压为3.65V，接着恒压充电至电流减少至0.02C；静置10-15min，0.3C恒流放电至电压为2.6V。充、放电期间采集电池电流、电压数据，采样间隔1s，循环放电。对采集到的数据进行预处理，使用MATLAB编写合适的算法程序，以电池充电时的采样数据为输入训练样本，以充电循环次数为输出训练样本，利用处理后的数据对网络进行训练，接下来利用遗传算法和交叉验证对网络进行优化。对于其他等级的电池模组也采用相同的方法。利用训练好的模型，可以大大缩短充放电时间来获得准确的剩余寿命。

该模型的建立是基于数据驱动的算法，它是对系统进行状态监测，从历史数据中分析其状态行为，并转化成相关模型，从而对系统的未来状态进行预测。不考虑模型中复杂的电化学过程及结构。从历史数据中分析其状态行为，并转化成相关模型，通过训练样本获得输入和输出之间的隐含信息，并最终预测未来趋势。

同时为了进一步验证算法的性能和预测结果的准确度，分别引入平均绝对误差(MeanAbsolute Error,MAE)和均方误差(Mean Square Error,MSE)两个性能指标，对模型性能和两种方法的预测结果进行评价。MAE和MSE准则的定义分别为：

其中，n为测试次数；RL(i)表示第i次预测电池容量所对应的RUL实际值,RL(i)表示第i次预测电池容量对应的RUL预测值。

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)

1.一种梯次利用动力电池寿命预测方法，其特征在于：

包括以下步骤：

S100、对待测锂离子电池的外观特性分析；

S200、对待测锂离子电池首次充放电进行测试；

S300、对测锂离子电池进行电池的分选；

S400、建立预测模型，对测锂离子电池剩余使用寿命进行预测。

2.根据权利要求1所述的梯次利用动力电池寿命预测方法，其特征在于：所述步骤S100对待测锂离子电池的外观特性分析；具体包括：

用目测法检查待测锂电池模块、单体的外观，是否合格，不合格则进行回收处理。

3.根据权利要求1所述的梯次利用动力电池寿命预测方法，其特征在于：所述步骤S200对待测锂离子电池首次充放电进行测试；具体包括：

S201、电池开路电压测试；

S202、电池内阻测试；

S203、电池充放电特性测试；

S204、电池容量测试；

S205、电池温度测试。

4.根据权利要求1所述的梯次利用动力电池寿命预测方法，其特征在于：所述S300对测锂离子电池进行电池的分选；具体包括：

S301、锂电池初次分选，划分电池等级；

S302、利用锂离子电池的充放电电压曲线图、充放电电流曲线图进行锂离子电池的分选。

5.根据权利要求4所述的梯次利用动力电池寿命预测方法，其特征在于：

所述S302利用锂离子电池的充放电电压曲线图、充放电电流曲线图进行锂离子电池的分选；具体包括：

对初次分选后的某一等级的多个单体电池进行充、放电测试，对充、放电曲线进行预处理，采用曲线之间的相似度和聚类算法对多个单体电池进行再分级以获得更高性能和稳定性的电池模组。

6.根据权利要求5所述的梯次利用动力电池寿命预测方法，其特征在于：

所述步骤S302中采用曲线之间的相似度和聚类算法对多个单体电池进行再分级以获得更高性能和稳定性的电池模组，其中聚类算法包括以下步骤：

假设给定一个输入样本集合S，其中样本S_j有d个属性，即S_j＝{S_j1,S_j2,…,S_jd}；

按照指定的划分标准，使得在同一类中的样本相似而在不同类中的样本有差异；

在对数据集进行聚类时一个依据的标准就是样本之间的“距离”，将“距离”较近的样本划分到同一类中，而“距离”较远的样本尽量划分到不同类中；

样本之间的“距离”实际上就是对于样本相似性的度量，两个样本越类似，距离越小，则相似度越高；

所述“距离”采用动态距离。

7.根据权利要求1所述的梯次利用动力电池寿命预测方法，其特征在于：

所述S400建立预测模型，对测锂离子电池剩余使用寿命进行预测；

具体包括：在电池分选完成的基础上，对于分选后的某一级电池模组，从里面挑选出一块单体电池，对其进行充放电测试，建立模型之后，对于同组内的单体电池，将其充电数据作为输入，获得近似的循环次数；

对采集到的数据进行预处理，使用MATLAB编写算法程序，以电池充电时的采样数据为输入训练样本，以充电循环次数为输出训练样本，利用处理后的数据对网络进行训练，接下来利用遗传算法和交叉验证对网络进行优化；

利用训练好的模型，对测锂离子电池剩余使用寿命进行预测。

8.根据权利要求7所述的梯次利用动力电池寿命预测方法，其特征在于：

为了进一步验证所述模型的性能和预测结果的准确度，分别引入平均绝对误差MAE和均方误差MSE两个性能指标，对模型性能和两种方法的预测结果进行评价；

其中MAE和MSE准则的定义分别为：

其中，n为测试次数；RL(i)表示第i次预测电池容量所对应的RUL实际值,RL(i)表示第i次预测电池容量对应的RUL预测值。