CN111239630A - 一种储能电池寿命预测方法及管理系统 - Google Patents

Abstract

本发明提供了一种储能电池寿命预测方法及管理系统，方法包括：获取前期实测数据和应用工况下实际采集数据，作为大数据文件；通过提取大数据文件，建立储能电池寿命预测模型；导入应用场景下用户需求曲线；根据特定的用户需求曲线，解析出储能电池电流曲线，电压曲线及温升曲线，并进行同步实验，获取该工况下实测数据；进行寿命预测，对比，寿命预测评估及改善。本发明通过将电池循环寿命衰减及日历寿命衰减叠加考虑，能够贴切地对电池寿命进行预测，预测准确度更高，并可以在管理系统中进行预测评估及提出改善建议。

Description

一种储能电池寿命预测方法及管理系统

技术领域

本发明涉及电池技术领域，具体而言，涉及一种储能电池寿命预测方法及管理系统。

背景技术

近年来，各国都在积极开展研究新能源汽车，而锂离子电池以能量密度大、工作电压高、循环寿命长和自放电率低等特点，在动力电池领域的应用越来越多。锂离子动力电池的开发过程包括电性能、核心功能、寿命、安全等方面，其中，寿命开发是重中之重。

通常而言，锂离子电池寿命衰减包括循环寿命衰减及日历寿命衰减。传统电池寿命预测方法一般仅关注电池生命周期的循环寿命衰减，对日历寿命衰减做了忽略处理，会存在一定的预测偏差，也不能完全表征电池生命周期衰退机制。

发明内容

有鉴于此，本发明实施例的目的在于，提供一种储能电池寿命预测方法及管理系统以解决上述问题。

本发明实施例提供了一种储能电池寿命预测方法，包括以下步骤：

获取前期实测数据和应用工况下实际采集数据，作为大数据文件；

通过提取大数据文件，建立储能电池寿命预测模型；

导入应用场景下用户需求曲线；

根据特定的用户需求曲线，解析出储能电池电流曲线，电压曲线及温升曲线，并进行同步实验，获取该工况下实测数据；

进行寿命预测，得到预测数据，

将预测数据与实测数据进行对比；

寿命预测评估及改善。

进一步的，建立储能电池寿命预测模型，具体包括以下步骤：

预设网络模型，获取寿命衰减因素间函数映射关系；

采用训练样本实时训练模型；

确定训练样本中不同类别样本散度差值；

基于散度差值构建学习模型，确定损失函数最小值；

寿命预测模型建立。

进一步的，所述寿命衰减因素包括循环寿命衰减因素和日历寿命衰减因素，所述循环寿命衰减因素包括平均剩余电量，放电深度，电池表面温度，循环次数和充放电电流，所述日历寿命衰减因素包括平均剩余电量和存储天数。

进一步的，所述函数映射关系满足以下公式：

Q＝1-Qloss_cyc-Qloss_stor；

其中，Q为剩余容量百分比，Qloss_cyc为循环寿命损失率，Qloss_stor为日历寿命损失率。

具体的，根据以下公式计算循环寿命损失率：

Qloss_cyc＝k0*(T/T_ref)*exp((k1*F/R)*(SOC_equ-SOC_cyc_ref))*(△DOD/△DOD_ref)^k2*(I/I_ref)^k3*N

其中，k0，k1，k2，k3为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_cyc_ref为实验参照电量中值，△DOD为用户曲线放电深度，△DOD_ref为为实验参照放电深度，I_ref为实验参照充放电电流，F为法拉第常数，R为摩尔气体常数，N表示为循环次数。

根据如下公式计算所述日历寿命损失率：

Qloss_stor＝k4*(T/T_ref)*exp(k5*F/R*(SOC_equ-SOC_stor_ref))*t^0.5

其中，k4，k5为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_stor_ref为存储状态实验参照电量，F为法拉第常数，R为摩尔气体常数，t表示为存储的天数。

本发明另一实施例提供了一种储能电池寿命预测管理系统，包括：

获取模块，用于从储能电池大数据文件中获取训练样本；

计算模块，用于将训练样本导入内部预测模型，根据函数映射关系计算出预测数据，并与实测数据进行比较，当偏差值超过设定阈值时，对预测模型进行迭代训练。

评估模块，根据预测数据对电池进行分析，提供优化改善建议。

与现有技术相比，本发明的有益效果包括：本发明主要提供了一种储能电池寿命预测方法及管理系统，把电池循环寿命衰减及日历寿命衰减叠加考虑，通过参数标定，能较贴切地对电池寿命进行预测，同时构建了测评电池寿命预测的管理系统，通过在管理系统中导入储能电池组应用场景下的用户需求曲线，可以解析出电池实际工作电流需求曲线、工作电压曲线及温升曲线，所得到的工作曲线数据可以与寿命模型参数之间进行数据传递，减少了模型间温度，充放电电流等衰减应力因子处理，更贴切实际应用场景，预测准确度更高。此外通过寿命预测对比，可以在管理系统中进行预测评估及改善，如在满足客户需求的电池寿命要求下，针对对电池充放电倍率设计、热管理、成本管理等综合方面提供一些改善建议，减少了人员复杂而繁重的测试实验，节省了大量的物力财力。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。其中：

图1为本发明一个实施例中储能电池寿命预测方法的流程示意图；

图2为本发明一个实施例中预测寿命模型建立方法的流程示意图；

图3为本发明一个实施例中电流曲线图；

图4为本发明一个实施例中电压曲线图；

图5为本发明一个实施例中温升曲线图；

图6为本发明一个实施例中参数设置界面图；

图7为本发明一个实施例中55℃高温1C1C循环剩余容量比-实验与拟合曲线图；

图8为本发明一个实施例中不同温度下1C1C循环剩余容量比-模型拟合曲线图；

图9为本发明一个实施例中不同DOD-1C1C循环剩余容量比-模型拟合曲线图；

图10为本发明另一实施例中储能电池寿命预测管理系统的结构示意图。

具体实施方式

容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。

根据本发明的一实施方式结合图1示出，图1为储能电池寿命预测方法的流程示意图。该储能电池寿命预测方法包括以下步骤：

在步骤S1中，通过获取储能电池前期实测数据和应用工况下实际采集数据，作为大数据文件，大数据文件包含不同工况条件下影响储能电池的寿命衰减因素及相应寿命损失率。

本实施例中，影响储能电池的寿命衰减因素主要考虑循环寿命衰减因素和日历寿命衰减因素。循环寿命损失率用于表征电池被循环充电或放电使用过程中造成的电池容量的衰减变化百分比。循环寿命衰减因素包括电量中值，放电深度，电池表面温度，循环次数，充放电电流等。其中，电池表面温度等同于环境温度加上温升。

日历寿命损失率用于表征电池由于存放导致的电池容量的衰减变化百分比。日历寿命衰减因素包括电量中值，电池表面温度，存储时间等。

本实施例的执行主体可以是集成有该预测方法的装置，例如电脑、智能手机或者工控机等。

在步骤S2中，建立储能电池寿命预测模型。具体的，请参阅图2，包括以下步骤：

S201，预设网络模型，获取寿命衰减因素间函数映射关系；

根据以下公式计算循环寿命损失率：

Qloss_cyc＝k0*(T/T_ref)*exp((k1*F/R)*(SOC_equ-SOC_cyc_ref))*(△DOD/△DOD_ref)^k2*(I/I_ref)^k3*N

其中，k0，k1，k2，k3为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_cyc_ref为实验参照电量中值，△DOD为用户曲线放电深度，△DOD_ref为实验参照放电深度，I_ref为实验参照充放电电流，F为法拉第常数，R为摩尔气体常数，N表示为循环次数。

根据以下公式计算日历寿命损失率：

Qloss_stor＝k4*(T/T_ref)*exp(k5*F/R*(SOC_equ-SOC_stor_ref))*t^0.5

其中，k4，k5为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_stor_ref为存储状态实验参照电量，F为法拉第常数，R为摩尔气体常数，t表示为存储的天数。

因此，通过上述双因素可以计算出电池剩余容量百分比，具体公式如下：

Q＝1-Qloss_cyc-Qloss_stor

其中，Q为剩余容量百分比，Qloss_cyc为循环寿命损失率，Qloss_stor为日历寿命损失率。

在步骤S202中，将大数据文件作为训练样本，采用训练样本实时训练模型；训练样本中的实测数据按照矩阵表格进行实验测得。

循环寿命衰减实测数据按照下列矩阵表格进行：

例如：通过实验可测得电池在45℃，以0.3C充电0.5C放电，进行N次循环，剩余电量SOC变化范围为10％-90％条件下的循环寿命损失率。

则可得出：实验参照电量中值为SOC_cyc_ref＝1/2(10％+90％)＝50％,实验参照放电深度为△DOD_ref＝90％-10％＝80％,充电状态：实验参照充电电流为I_ref＝0.3C，放电状态：实验参照放电电流为I_ref＝0.5C，实验参照温度为T_ref＝45℃。

通过多组实验，即可得到在某一寿命衰减因素影响下，循环寿命损失率的实测数据。

下面对日历寿命损失率进行分析：

日历寿命衰减实测数据按照下列矩阵表格进行：

表中SOC为存储状态实验参照电量SOC_stor_ref,即表示存储状态下电池的初始剩余电量。例如：通过实验可测得电池在60℃，存储初始电量为50％条件下，存储t天的日历寿命损失率。

则可得出：存储状态实验参照电量SOC_stor_ref＝50％，实验参照温度为T_ref＝60℃。

通过多组实验，即可得到在某一日历衰减因素影响下，日历寿命损失率的实测数据。

请参阅图3至图5，根据储能电池在该应用场景下的用户需求曲线，用户需求曲线为功率-时间曲线图，解析出储能电池电流曲线，电压曲线及温升曲线。

例如：已知某一时刻的需求功率P_t，此处以电池等效电路一阶模型作为介绍。根据公式V_t＝Em-I_tR0-I_t R1(1-exp(-t)/(R1 C1))，I_t＝P_t/V_t可以解析出电压曲线。其中Em为电池电动势，R0为欧姆内阻，R1为极化电阻，C1为等效电容。从而，可以解析出电流曲线。

进一步的，可以计算出t时刻的电池产热功率，根据实验参照温度T_ref及换热系数，可以计算出t+1时刻的温度，以此类推即可得到温升曲线。

更进一步的，通过电流I_t与时间t的积分，可以计算任意时刻的SOC，

其中SOC_int为电池初始剩余电量，为已知值，C为电池实际容量。

根据任意时刻的SOC，通过解析出其中的SOC最大值(SOC_max)与SOC最小值(SOC_min)，即可得出SOC的工作区间，公式中SOC_equ为SOC最大值与SOC最小值的中值，即

公式中△DOD为SOC最大值与SOC最小值之差，即△DOD＝SOC_max-SOC_min。

S203，确定训练样本中不同类别样本散度差值，散度差值用y-f(x)表示，x为某一寿命衰减因素或多寿命衰减因素，f(x)为在某一寿命衰减因素或多寿命衰减因素影响下，通过上述模型得到的预测值，也就是预测数据，y为实测值，也就是实测数据；

S204，基于散度差值构建学习模型，确定损失函数；此处采用最小二乘法确定损失函数，即L(y，f(x))＝(y-f(x))^2

例如，给定一个训练数据集(x1,y1),(x2,y2)....(xn,yn)，进行训练。

因此，平均损失函数

1≤i≤n。当Remf取得最小值时，此时的k0，k1，k2，k3为较优解，即为确定值，同理，k4，k5也可以确定。

S205，寿命预测模型建立。

请参阅图6，为本实施例中参数设置界面图，通过在参数界面上设置电池的初始参数，如电芯型号，SOC_int，SOH_online和T_int，作为模拟电池。SOC_int为初始剩余电量，T_int为初始温度，SOH_online为电池健康值，通常取100％。

在步骤S3中，为了预测某一场景下储能电池寿命衰减情况，导入储能电池该应用场景下的用户需求曲线。

在步骤S4中，根据特定的用户需求曲线，解析出储能电池电流曲线，电压曲线及温升曲线。

在步骤S5中，通过电池寿命预测模型即可准确预测出电池的使用寿命情况，得到预测数据。

在步骤S6中，通过实验同步获取上述工况下的实测数据，将预测数据与实测数据进行对比，当偏差值超过设定阈值时，对寿命预测模型进行迭代训练，即增加训练样本数据，优化方法与步骤S204相同，在此不做赘述。

请参阅图7，为在55℃高温1C1C充放电条件下，循环剩余容量比-实验与预测拟合曲线图；由图可以看出，根据双因素寿命衰退率，预测曲线重合度较高，如最大可接受阈值设置为0.8％，偏差值在阈值范围内。

在步骤S7中，对电池寿命的预测结果进行评估及提出改善建议。

请参阅图8，为不同温度下1C1C循环剩余容量比-模型拟合曲线图，可以分析某一衰减因素对电池剩余容量百分比的影响。由图中可以看出，如单方面考虑温度因素，工况下要求在4000循环次数下，剩余容量要大于80％。通过模型拟合，可以考虑通过电池热管理或电芯改善以达到目标。具体的，如本例中过程温度控制在298K-313K，可以满足4000循环次数下，电池剩余容量百分比大于80％。

请参阅图9，为不同DOD-1C1C循环剩余容量比-模型拟合曲线图。由图中可以看出，如果单方面考虑DOD因素，工况下要求4500循环次数下，剩余容量要大于70％。通过模型拟合，100％DOD条件下大概率不能满足要求，可以通过改变电芯设计来达到要求。

本发明另一实施例提供了一种储能电池寿命预测管理系统，请参阅图10，该系统包括：

获取模块，用于从储能电池大数据文件中获取训练样本；

计算模块，用于将训练样本导入内部预测模型，根据函数映射关系计算出预测数据集，并与实测数据进行比较，计算散度差值；通过平方损失函数，得到平均损失结果与设定值进行比较，从而得到训练的各待求解参数的较优解，用于对模型进行预测。

评估模块，通过寿命预测，可以在管理系统中进行预测评估及改善，如在满足客户需求的电池寿命要求下，针对对电池充放电倍率设计、热管理、成本管理等综合方面提供一些改善建议，减少了人员复杂而繁重的测试实验，节省了大量的物力财力。例如在针对客户某应用场景下需求10年8000次循环寿命的要求，可通过实际通过优化改善多个输入(如改善倍率设计，降低内阻，热管理方式的改变,自然冷却改为强制风冷)来满足要求，通过获取的多方案集合，可以进一步针对优化改善的成本及周期进行比较，提供出综合的改善建议。

本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (5)

1.一种储能电池寿命预测方法，其特征在于，包括以下步骤：

获取前期实测数据和应用工况下实际采集数据，作为大数据文件；

通过提取大数据文件，建立储能电池寿命预测模型；

导入应用场景下用户需求曲线；

根据特定的用户需求曲线，解析出储能电池电流曲线，电压曲线及温升曲线，并进行同步实验，获取该工况下实测数据；

进行寿命预测，得到预测数据，

将预测数据与实测数据进行对比；

寿命预测评估及改善。

2.根据权利要求1所述的储能电池寿命预测方法，其特征在于，所述大数据文件包含不同工况条件下影响储能电池的寿命衰减因素及相应寿命损失率，所述寿命衰减因素包括循环寿命衰减因素和日历寿命衰减因素，所述循环寿命衰减因素包括剩余电量中值，放电深度，电池表面温度，循环次数和充放电电流，所述日历寿命衰减因素包括剩余电量中值，电池表面温度和存储天数。

3.根据权利要求2所述的储能电池寿命预测方法，其特征在于，建立储能电池寿命预测模型，具体包括以下步骤：

预设网络模型，获取寿命衰减因素间函数映射关系；

采用训练样本实时训练模型；

确定训练样本中不同类别样本散度差值；

基于散度差值构建学习模型，确定损失函数最小值；

寿命预测模型建立。

4.根据权利要求3所述的储能电池寿命预测方法，其特征在于，所述函数映射关系满足以下公式：

Q＝1-Qloss_cyc-Qloss_stor；

其中，Q为剩余容量百分比，Qloss_cyc为循环寿命损失率，Qloss_stor为日历寿命损失率。

具体的，根据以下公式计算循环寿命损失率：

Qloss_cyc＝k0*(T/T_ref)*exp((k1*F/R)*(SOC_equ-SOC_cyc_ref))*(△DOD/△DOD_ref)^k2*(I/I_ref)^k3*N

其中，k0，k1，k2，k3为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_cyc_ref为实验参照电量中值，△DOD为用户曲线放电深度，△DOD_ref为实验参照放电深度，I_ref为实验参照充放电电流，F为法拉第常数，R为摩尔气体常数，N表示为循环次数。

根据如下公式计算所述日历寿命损失率：

Qloss_stor＝k4*(T/T_ref)*exp(k5*F/R*(SOC_equ-SOC_stor_ref))*t^0.5

其中，k4，k5为待求解的经验参数,通过电池实验结果归纳得出，T_ref为实验参照温度，SOC_equ为用户曲线电量中值，SOC_stor_ref为存储状态实验参照电量，F为法拉第常数，R为摩尔气体常数，t表示为存储的天数。

5.一种储能电池寿命预测管理系统，其特征在于，包括：

获取模块，用于从储能电池大数据文件中获取训练样本；

计算模块，用于将训练样本导入内部预测模型，根据函数映射关系计算出预测数据，并与实测数据进行比较，当偏差值超过设定阈值时，对预测模型进行迭代训练。

评估模块，根据预测数据对电池进行分析，提供优化改善建议。

Images