CN110673041A - 一种基于副反应量化的锂电池容量预测方法 - Google Patents
一种基于副反应量化的锂电池容量预测方法 Download PDFInfo
- Publication number
- CN110673041A CN110673041A CN201910837704.7A CN201910837704A CN110673041A CN 110673041 A CN110673041 A CN 110673041A CN 201910837704 A CN201910837704 A CN 201910837704A CN 110673041 A CN110673041 A CN 110673041A
- Authority
- CN
- China
- Prior art keywords
- capacity
- current
- battery
- charging
- side reaction
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:建立容量预测计算模型;在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox;根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。本发明提出的一种基于副反应量化的锂电池容量预测方法,建立容量预测计算模型,实现对新产品电池的快速预测。本发明中,模型建立方便,数据采集量小,样品电池仅需测试50‑200周循环,且倍率越小循环周数越少。同时,本发明基于副反应量化的电化学原理,其预测误差小、精度高,具有良好的使用前景。
Description
技术领域
本发明涉及锂电池生产技术领域,尤其涉及一种基于副反应量化的锂电池容量预测方法。
背景技术
自锂离子电池商业化以来,以其高能量密度、长循环寿命、高放电电压和低自放电率等优异性能被广泛应用于便携式电子设备以及电动交通工具和航空航天等领域,为了保证这些负载设备正常稳定运行,预测锂电池的使用寿命成为重中之重。
目前锂电池的寿命预测主要采用基于数据驱动的方法,它是对系统进行状态监测,对其历史数据进行分析学习,并转化成相关模型,从而对系统的未来状态进行预测。但是这一方法需要建立庞大的数据库,采集数据量大,且耗时长,不利于对新产品和新体系进行快速预测。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于副反应量化的锂电池容量预测方法。
本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:
S1、建立容量预测计算模型:
其中,Qcn为第n圈的充电容量,Qdn为第n圈的放电容量,qLi为SEI(固体电解质膜)所消耗不可逆Li(锂离子)的容量,qox为电解液中消耗的Li+(带正电的锂离子)产生的容量,qP为正极结构中无法正常脱出的Li+产生的容量损失,Qc0为电池正常循环容量达到最大值时的充电容量;
S2、在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox;
S3、根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。
优选的,50≦n≦200。
优选的,步骤S2中,通过结合电池的充放电电流IA和对应的充放电容量状态下的充电容量Qcn和放电容量Qdn计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox。
优选的,步骤S2中,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。
优选的,步骤S2中,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。
优选的,k=50。
优选的,步骤S3中,根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox的计算模型为:qLi=QILi/IA,qox=QIox/IA。
优选的,步骤S1中,qp=QIp/IA。
本发明提出的一种基于副反应量化的锂电池容量预测方法,通过对样品电池的测试,获得生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox,并进一步获得qLi、qox、qP,从而建立容量预测计算模型,实现对新产品电池的快速预测。
本发明中,模型建立方便,数据采集量小,样品电池仅需测试50-200周循环,且倍率越小循环周数越少。同时,本发明基于副反应量化的电化学原理,其预测误差小、精度高,具有良好的使用前景。
附图说明
图1为本发明提出的一种基于副反应量化的锂电池容量预测方法流程图。
具体实施方式
参照图1,本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:
S1、建立容量预测计算模型:
其中,Qcn为第n圈的充电容量,Qdn为第n圈的放电容量,qLi为SEI所消耗不可逆Li的容量,qox为电解液中消耗的Li+产生的容量,qP为正极结构中无法正常脱出的Li+产生的容量损失,Qc0为电池正常循环容量达到最大值时的充电容量。同时,本实施方式中,Qc0为容量预测计算模型计算的起始循环。
SEI膜的生成与修复、电解液的氧化和电池正极结构的破坏是影响电池充放电容量的最主要因素,本实施方式中,容量预测计算模型通过引入qLi、qox和qP对电池循环过程中的充放电容量进行修正,充分考虑到电池正常循环过程中最主要的副反应,有利于提高电池容量预测的精确;同时,忽略对电池容量影响很小的副反应,降低了模型设置复杂度,降低了预测难度。
具体的,电解液氧化qox只发生在电池充电阶段,并起到增大电池容量的作用;正极结构破坏qP只发生在电池充电阶段,因为结构破坏导致锂无法脱出,所以降低了电池容量;SEI生成qLi只发生在电池充电阶段,但它不影响充电容量,只会降低放电容量。如此,本实施方式中,充分考虑到各副反应功效,保证了容量预测计算模型的精确度,从而保证了根据容量预测计算模型预测充放电容量的精确度。
具体的,本实施方式中,循环测试周期n满足:50≦n≦200,具体实施时,倍率越小所需的循环周数越少。
S2、在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox。
具体的,本实施方式中,通过结合电池的充放电电流IA和对应的充放电容量状态下的充电容量Qcn和放电容量Qdn计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox,即:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。本实施方式中,电流ILi和电流Iox仅与相邻两次充放电容量相关,即每进行一次充放电容量计算,都必须重新计算电流ILi和电流Iox。该种计算方式,精确度高,但效率低。
具体实施时,也可采用电池循环充放电前k周的副反应电流均值计算电流ILi和电流Iox。如此,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,ILi为电池第n次充放电过程中用于生成SEI膜的平均电流ILi,Iox为电池第n次充放电过程中由电解液氧化产生的平均电流Iox。Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值,即通过dV/dQ拟合软件拟合得到的正极平均结构损失电流。本实施方式中,电流ILi和电流Iox为定值,有利于提高计算效率。
具体实施时,根据实际需求,也可在电池充放电循环的前k周,采用计算模型(1)计算电流InLi和电流Inox,用于计算每一次充放电容量;当n>k,则采用计算模型(2)计算电流ILi和电流Iox,以提高计算效率。
具体的,本实施方式中,k=50。
S3、根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。
本实施方式中,qLi=QILi/IA,qox=QIox/IA,qp=QIp/IA。
以下结合一个具体的实施例,对本发明做进一步解释。
本实施例中,计算副反应电流大小,如下表一所示。
表一:电池前50周测量数据统计表
编号 | Qc(mAh) | Qd(mAh) | I<sub>Li</sub>(mA) | I<sub>ox</sub>(mA) | 编号 | Qc(mAh) | Qd(mAh) | I<sub>Li</sub>(mA) | I<sub>ox</sub>(mA) |
1 | 64.597494 | 64.520479 | / | 0.008049 | 26 | 63.971762 | 63.923225 | 0.004906 | 0.008924 |
2 | 64.585552 | 64.502343 | 0.008411 | 0.010578 | 27 | 63.944698 | 63.894263 | 0.005098 | 0.006171 |
3 | 64.568914 | 64.499154 | 0.007052 | 0.01073 | 28 | 63.913247 | 63.863359 | 0.005043 | 0.005919 |
4 | 64.564077 | 64.485701 | 0.007923 | 0.010563 | 29 | 63.880812 | 63.831005 | 0.005035 | 0.005764 |
5 | 64.539845 | 64.465115 | 0.007554 | 0.009473 | 30 | 63.85409 | 63.809509 | 0.004507 | 0.006334 |
6 | 64.51273 | 64.443006 | 0.007048 | 0.008813 | 31 | 63.832063 | 63.793564 | 0.003892 | 0.00628 |
7 | 64.491314 | 64.425894 | 0.006613 | 0.008883 | 32 | 63.812931 | 63.775372 | 0.003797 | 0.005958 |
8 | 64.470353 | 64.403075 | 0.006801 | 0.008494 | 33 | 63.774385 | 63.705818 | 0.006931 | 0.0039 |
9 | 64.443579 | 64.377641 | 0.006665 | 0.008094 | 34 | 63.713627 | 63.669509 | 0.00446 | 0.004789 |
10 | 64.423435 | 64.359885 | 0.006424 | 0.008629 | 35 | 63.692458 | 63.648985 | 0.004395 | 0.00632 |
11 | 64.397723 | 64.330445 | 0.006801 | 0.007825 | 36 | 63.628886 | 63.593801 | 0.003547 | 0.001968 |
12 | 64.36657 | 64.303737 | 0.006352 | 0.007652 | 37 | 63.633135 | 63.587927 | 0.00457 | 0.007976 |
13 | 64.33518 | 64.276308 | 0.005951 | 0.007179 | 38 | 63.614213 | 63.60864 | 0.000563 | 0.006657 |
14 | 64.306982 | 64.245483 | 0.006217 | 0.007101 | 39 | 63.668969 | 63.624396 | 0.004506 | 0.010098 |
15 | 64.278612 | 64.221457 | 0.005778 | 0.007349 | 40 | 63.645553 | 63.534037 | 0.011273 | 0.006139 |
16 | 64.253203 | 64.195197 | 0.005864 | 0.007209 | 41 | 63.581537 | 63.522808 | 0.005937 | 0.008802 |
17 | 64.22534 | 64.169692 | 0.005625 | 0.007047 | 42 | 63.341028 | 63.459794 | -0.01201 | -0.01438 |
18 | 64.202301 | 64.150298 | 0.005257 | 0.007296 | 43 | 63.509096 | 63.426182 | 0.008382 | 0.008984 |
19 | 64.184031 | 64.127391 | 0.005726 | 0.00741 | 44 | 63.475513 | 63.398398 | 0.007795 | 0.008987 |
20 | 64.14942 | 64.09629 | 0.005371 | 0.006227 | 45 | 63.443823 | 63.36618 | 0.007849 | 0.008592 |
21 | 64.124747 | 64.075226 | 0.005006 | 0.006877 | 46 | 63.417979 | 63.342197 | 0.007661 | 0.009236 |
22 | 64.099243 | 64.048267 | 0.005153 | 0.006428 | 47 | 63.385028 | 63.312767 | 0.007305 | 0.00833 |
23 | 64.073896 | 64.021862 | 0.00526 | 0.006591 | 48 | 63.357091 | 63.285192 | 0.007268 | 0.008481 |
24 | 64.046778 | 63.99578 | 0.005155 | 0.006519 | 49 | 63.32559 | 63.256452 | 0.006989 | 0.008084 |
25 | 64.019673 | 63.923048 | 0.009768 | 0.006415 | 50 | 63.296347 | 63.224851 | 0.007227 | 0.008033 |
根据表一可计算得:该电池前50周ILi的平均值为0.00577mA,Iox的平均值为0.007056mA,通过全电池充电dV/dQ拟合得到的正极平均结构损失电流为0.004mA。
根据ILi=0.00577mA,Iox=0.007056mA,Ip=0.004mA,代入容量预测计算模型,对电池的70到190周循环充放电数据的预测如下表二所示。可见,根据该方法获得预测数据最大误差为1.14%,说明了该方法的可靠。
表二:电池预测数据统计表
编号 | Qc(mAh) | Qd(mAh) | 误差/% |
CC70 | 62.64 | 62.75 | -0.02% |
CC80 | 62.36 | 62.48 | -0.02% |
CC90 | 62.07 | 62.21 | 1.14% |
CC100 | 61.79 | 61.93 | 0.76% |
CC110 | 61.5 | 61.66 | 0.56% |
CC120 | 61.21 | 61.39 | 0.44% |
CC130 | 60.93 | 61.12 | 0.35% |
CC140 | 60.64 | 60.85 | 0.27% |
CC150 | 60.36 | 60.58 | 0.23% |
CC160 | 60.07 | 60.31 | 0.22% |
CC170 | 59.79 | 60.03 | 0.16% |
CC180 | 59.6 | 59.76 | 0.18% |
CC190 | 59.32 | 59.49 | 0.09% |
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于副反应量化的锂电池容量预测方法,其特征在于,包括:
S1、建立容量预测计算模型:
其中,Qcn为第n圈的充电容量,Qdn为第n圈的放电容量,qLi为SEI所消耗不可逆Li的容量,qox为电解液中消耗的Li+产生的容量,qP为正极结构中无法正常脱出的Li+产生的容量损失,Qc0为电池正常循环容量达到最大值时的充电容量;
S2、在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox;
S3、根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。
2.如权利要求1所述的基于副反应量化的锂电池容量预测方法,其特征在于,50≦n≦200。
3.如权利要求2所述的基于副反应量化的锂电池容量预测方法,其特征在于,步骤S2中,通过结合电池的充放电电流IA和对应的充放电容量状态下的充电容量Qcn和放电容量Qdn计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox。
6.如权利要求5所述的基于副反应量化的锂电池容量预测方法,其特征在于,k=50。
7.如权利要求1所述的基于副反应量化的锂电池容量预测方法,其特征在于,步骤S3中,根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox的计算模型为:qLi=QILi/IA,qox=QIox/IA。
8.如权利要求1所述的基于副反应量化的锂电池容量预测方法,其特征在于,步骤S1中,qp=QIp/IA。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837704.7A CN110673041B (zh) | 2019-09-05 | 2019-09-05 | 一种基于副反应量化的锂电池容量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837704.7A CN110673041B (zh) | 2019-09-05 | 2019-09-05 | 一种基于副反应量化的锂电池容量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110673041A true CN110673041A (zh) | 2020-01-10 |
CN110673041B CN110673041B (zh) | 2021-10-01 |
Family
ID=69076477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837704.7A Active CN110673041B (zh) | 2019-09-05 | 2019-09-05 | 一种基于副反应量化的锂电池容量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110673041B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0987555B1 (en) * | 1998-09-18 | 2003-11-12 | Matsushita Electric Industrial Co., Ltd. | Method of and apparatus for measuring quantities indicating the state of a battery |
CN101501518A (zh) * | 2006-08-07 | 2009-08-05 | 罗伯特·博世有限公司 | 借助与容量有关的参数确定电池容量的方法 |
CN101512827A (zh) * | 2006-08-31 | 2009-08-19 | 丰田自动车株式会社 | 二次电池的控制系统以及装载有该控制系统的混合动力车辆 |
CN104849675A (zh) * | 2015-06-17 | 2015-08-19 | 哈尔滨工业大学 | 锂离子电池电化学和热耦合模型的获取方法 |
US20180159130A1 (en) * | 2016-12-06 | 2018-06-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | High capacity phosphorous sulfide based cathode materials for magnesium batteries |
CN108169683A (zh) * | 2017-12-15 | 2018-06-15 | 浙江隆劲电池科技有限公司 | 多层叠片结构锂离子电池的内部分布特征仿真分析方法 |
-
2019
- 2019-09-05 CN CN201910837704.7A patent/CN110673041B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0987555B1 (en) * | 1998-09-18 | 2003-11-12 | Matsushita Electric Industrial Co., Ltd. | Method of and apparatus for measuring quantities indicating the state of a battery |
CN101501518A (zh) * | 2006-08-07 | 2009-08-05 | 罗伯特·博世有限公司 | 借助与容量有关的参数确定电池容量的方法 |
CN101512827A (zh) * | 2006-08-31 | 2009-08-19 | 丰田自动车株式会社 | 二次电池的控制系统以及装载有该控制系统的混合动力车辆 |
CN104849675A (zh) * | 2015-06-17 | 2015-08-19 | 哈尔滨工业大学 | 锂离子电池电化学和热耦合模型的获取方法 |
US20180159130A1 (en) * | 2016-12-06 | 2018-06-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | High capacity phosphorous sulfide based cathode materials for magnesium batteries |
CN108169683A (zh) * | 2017-12-15 | 2018-06-15 | 浙江隆劲电池科技有限公司 | 多层叠片结构锂离子电池的内部分布特征仿真分析方法 |
Non-Patent Citations (2)
Title |
---|
DOYLE M EL.: "Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell.", 《ELECTROCHEM SOC》 * |
李欣然等: "锂离子电池容量的预测建模及其仿真研究", 《系统仿真学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110673041B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Health conscious fast charging of Li-ion batteries via a single particle model with aging mechanisms | |
CN111880099B (zh) | 一种储能电站站内电池单体寿命预测方法及系统 | |
CN109586373A (zh) | 一种电池充电方法和装置 | |
Chang et al. | A novel fast capacity estimation method based on current curves of parallel-connected cells for retired lithium-ion batteries in second-use applications | |
CN111999666B (zh) | 一种锂离子电芯扩散阻抗的定量测试方法 | |
CN109061478A (zh) | 一种利用eis测试进行锂离子电池寿命定性预测的方法 | |
Zhou et al. | Overview of lithium-ion battery SOC estimation | |
Trovò et al. | Maximizing vanadium redox flow battery efficiency: Strategies of flow rate control | |
CN115548482A (zh) | 一种补锂方法、电池制备方法及电池 | |
Lianbing et al. | RUL prediction of lithium-ion battery based on differential voltage and Elman neural network | |
US20240012065A1 (en) | Battery diagnosis apparatus and method | |
Ikeya et al. | Charging operation with high energy efficiency for electric vehicle valve-regulated lead–acid battery system | |
CN115128467A (zh) | 一种锂电池负极容量的估算方法和装置 | |
Lin et al. | Estimating the state of health of lithium-ion batteries based on a probability density function | |
CN113447817B (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
Fan et al. | A fast screening and recombinant method based on short-time pulse discharge and electrochemical impedance spectroscopy for decommissioned power batteries | |
CN111381172A (zh) | 基于微网的电池测试与化成分容耦合系统及控制方法 | |
CN110673041B (zh) | 一种基于副反应量化的锂电池容量预测方法 | |
CN114879053B (zh) | 一种储能磷酸铁锂电池寿命预测方法 | |
CN111293336A (zh) | 基于引力搜索算法的全钒液流电池储能系统运行优化方法 | |
CN111136033A (zh) | 一种锂离子电池一致性的筛选方法 | |
Zhang et al. | Effects of cell-to-cell variations on series-connected liquid metal battery pack capacity | |
CN115037007A (zh) | 电池设备的放电平衡方法 | |
Mariani et al. | Techniques for estimating the VRLA batteries ageing, degradation and failure modes | |
Li et al. | Modeling of novel single flow zinc-nickel battery for energy storage system |
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 |