CN111398833B - 一种电池健康状态评估方法 - Google Patents
一种电池健康状态评估方法 Download PDFInfo
- Publication number
- CN111398833B CN111398833B CN202010268852.4A CN202010268852A CN111398833B CN 111398833 B CN111398833 B CN 111398833B CN 202010268852 A CN202010268852 A CN 202010268852A CN 111398833 B CN111398833 B CN 111398833B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- curve
- peak
- point
- 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.)
- Active
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Abstract
本发明公开了一种电池健康状态评估方法,包括步骤:对电池进行充放电测试,记录测试数据;将测试数据进行数据处理后得到V‑dQ/dV数据点集并进行滤波降噪;辨识数据点集峰值后根据峰值点分段,再对每段V‑dQ/dV进行多项式回归后获得IC曲线用于定性分析电池衰减模式;对IC曲线积分后转换得到Q‑V曲线数值模型,并进行数据校验,经过计算最优的电压曲线重构模型参数定量分析电池衰减行为。该方法对测试数据以及计算结果均进行了滤波和非线性回归操作,降低了测量噪声对分析结果的影响,适应性强,用于多种类型的锂离子电池体系,既定性又定量对电池衰减模式进行分析,定量分析可以设置合理的自变量步长,大大减少计算量。本发明还提出了一种电池健康状态评估系统。
Description
技术领域
本发明属于电池健康状态评估技术领域,具体的为一种电池健康状态评估方法和评估系统。
背景技术
能源短缺和环境危机的加剧,寻找替代化石燃料的可再生能源成为全世界关注的焦点,由于光伏、风能等可再生能源存在波动性和间歇性,为提升可再生能源利用效率,锂离子电池等用于储能的化学电池在消费电子、新能源汽车、大规模储能电站等领域获得了广泛的应用。
锂离子电池等电化学电源,在使用过程中会伴随这电池的逐渐老化,表现为容量衰减、功率损失等,直至丧失电池出厂时所规定的功能要求。为了保证电池系统的稳定可靠运行,需要对电池的健康状态和衰减程度进行准确评估,其估计和判断结果直接关系到能量管理、循环寿命、运行成本和系统安全。
传统的SOH评估通常直接记录电池剩余可用容量或者内阻等外特性参数历史数据,进而分析其变化趋势以预测其剩余寿命,但是该方法主要依赖拟合出的经验公式,且无法获得电池衰减过程中内部组分变化信息。
基于开路电压曲线分析的电池衰减机制定性或定量诊断,近年来得到了研究人员的普遍关注。
公开号为CN103698714B的中国发明专利申请提出了一种根据电压曲线,通过数点法获得锂离子电池IC曲线,进而定性分析电池健康状态的方法,但是该方法是采用数点法对较大倍率恒流充电曲线计算,此时电池极化现象不能忽略,故其不能准确反映电池的真实健康状态。然而,实验测试得到的电池小倍率充放电时的电压数据是离散的且包含大量噪声,无法直接应用于电池管理系统或者电池性能分析系统,需要对测试数据进行降噪平滑处理,如(J Power Source,2018,373-40Energies,2018,11-2323)分别通过高斯滤波函数以及SVR算法处理IC曲线,分析电池衰减机制,但这种直接对IC曲线降噪平滑的算法会导致一定程度的数据失真,且只能进行定性分析,无法进一步用于定量分析。
文献(J Power Source,2014,258-228)提出了一种电池开路电压曲线建模方法,使用一个包含若干sigmoid函数分项的经验公式拟合测试曲线,再对容量求微分后获得IC曲线,并在此基础上定性分析电池衰减机制。但是由于不同种类电池的电压曲线特征有很大差异,且电池随着循环次数增加,容量会衰减,电压曲线亦会发生变形,使得采用经验公式拟合的方法适应性、可靠性较差。
公开号为CN103576097B的中国发明专利申请、文献(J Cleaner Production,2018,193-379)介绍了一种基于正负极电极均衡电势曲线,采用遗传算法、粒子群算法等算法重构全电池电压曲线,获得一组最优的关键参数,进而评估电池衰减机制,并获得电池内部组分衰减量数值,但该方法计算过程中,不对测试数据预处理,但需要求每个测试数据点对应的误差,计算量大,如果在测试数据中间隔取点,又无法避免噪声的影响。
发明内容
本发明针对以上问题,提出了一种电池健康状态评估方法,该方法通过对电池开路电压测试数据进行滤波降噪等操作后,将其表示为多段连续函数,对每段函数微分后获得导数点集,获得电池充放电的电增量曲线即V-dQ/dV曲线,降噪滤波后,再根据电增量曲线的特征值对其分段非线性回归,将V-dQ/dV曲线表示为连续分段函数模型,对其积分后获得电池开路电压的数值模型即Q-V曲线数值模型,整个方法既能定性又能定量分析电池衰减模式以及程度。本发明的分析方法可以在降低噪声的同时,尽可能保留电池充放电过程中电极材料中发生的电化学变化过程。通过对测得数据以及计算得到得数据分别进行滤波和非线性回归操作,最大程度降低了测量噪声对分析结果得影响,适应性强,可以用于多种类型的锂离子电池体系。
本发明的第二个目的是提出了一种电池健康状态评估系统。
为了实现上述目的,本发明的一种电池健康状态评估方法包括如下步骤:步骤S100,对电池进行充放电测试,记录测试数据;步骤S200,将测试数据进行数据处理后得到V-dQ/dV数据点集并进行滤波降噪;步骤S300,辨识数据点集峰值后根据峰值点分段,再对每段V-dQ/dV进行多项式回归后获得IC曲线用于定性分析电池衰减模式;步骤S400,对IC曲线积分后转换得到Q-V曲线数值模型,并进行数据校验,经过计算最优的电压曲线重构模型参数定量分析电池衰减行为。
进一步的,充放电测试方法包括但不仅限于对半电池和全电池进行恒电流间歇滴定测试或者恒电流充放电测试。
进一步的,步骤S200中对测试数据数据处理方法具体包括:步骤S210,对测试数据进行清洗滤波,获取V-Q曲线;步骤S220,将V-Q曲线分为若干段,对每段数据进行多项式回归从而获得每段多项式V-Q曲线;步骤S230,将每段多项式V-Q曲线求导并取绝对值后获得V-dQ/dV数据点集。
进一步的,步骤S210中对测试数据的数据清洗方法具体包括:步骤S211,测试数据按照电压值V大小排序;步骤S212,对相同电压值V对应的电量Q值取平均值;步骤S213,合并具有相同电压值V的数据点。
进一步的,步骤S300中数据点集的峰值应满足以下两个条件:(1)至少在点数为N的连续点集中该点的值最大,N大于所述数据点集数的1/50,小于所述数据点集数的1/5;(2)该点前后至少有各n个点的值比该点小,1≤n≤9。
进一步的,步骤S300根据峰值点对数据分段的方法包括:
步骤S310,对峰值点前后n个点纵坐标值即dQ/dV值求和后乘以m,记为P,1≤m≤5;
步骤S320,比较峰值点前面第n+1点的纵坐标Y(n+1)和峰值点后面第n+1点的纵坐标值Y’(n+1),取Y(n+1)和Y’(n+1)最大值为Ymax(1),做差使P(1)=P-Ymax(1);
步骤S330,根据步骤S320中比较结果进一步比较处理,
a.若Y(n+1)>Y’(n+1),则继续比较Y(n+2)和Y’(n+1),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
b.若Y(n+1)<Y’(n+1),则继续比较Y(n+1)和Y’(n+2),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
步骤S340,根据步骤S330中步骤a的比较结果进一步比较处理,
若Y(n+2)>Y’(n+1),则继续比较Y(n+3)和Y’(n+1),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+2)<Y’(n+1),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
根据步骤S330中的步骤b的比较结果进行处理,
若Y(n+1)>Y’(n+2),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+1)<Y’(n+2),则继续比较Y(n+1)和Y’(n+3),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
步骤S350,
按照步骤S330和S340的方法循环计算直至P(k)<0,
若k<k0,不将此处作为峰数据段,
若k>k0,则将计算过程中经过比较计算较大的k个点和峰顶的数据点集作为一个峰数据段,
其中2n≤k0≤8n;
步骤S360,
根据第二个峰值点计算得到的峰数据段和第一个峰值点计算得到的峰数据段之间或与起点之间的数据点为峰前数据段,根据第二个峰值点计算得到的峰数据段和第三个峰值数据之间或与终点之间的数据段为峰后数据段。
进一步的,定性分析电池衰减模式包括但不仅限于根据IC曲线中不同峰面积的变化,峰值点移动判断电池衰减程度;
进一步的,定量分析电池衰减行为包括但不限于定量的确定电池衰减模式和衰减程度。
进一步的,步骤S400中定量分析电池衰减方法包括:步骤S410,根据半电池Q-V曲线模型和根据电压曲线重构计算方法,设置充放电容量变化的步长,计算不同充放电容量下全电池Q-V;步骤S420,与全电池Q-V数值模型计算结果校对误差,根据误差调整参数值直至获得最优解;步骤S430,进而计算电池各组分衰减量,定量分析电池衰减行为。
为了实现本发明的第二个目的,本发明的一种电池健康状态评估系统包括数据采集存储模块,用于进行半电池和全电池充放电测试,并记录测试数据;数据处理模块,用于对测试数据滤波清洗,获取半电池和全电池V-Q曲线,对所述V-Q曲线分段,并进行多项式回归、求导和滤波降噪等处理获得V-dQ/dV数据点集;定性分析模块,辨识V-dQ/dV数据点集峰值点,根据峰值点对数据分段,再对每段V-dQ/dV进行多项式回归后得到IC曲线,对比新电池和衰减后电池IC曲线,定性分析电池衰减模式;定量分析模块,用于IC曲线积分,获得V-Q曲线后转换为Q-V曲线数值模型,将所述Q-V曲线数值模型与所述测试数据校验,计算误差,根据Q-V曲线数值模型,计算最优的电压曲线重构模型参数,比较新电池和衰减后电池的参数值,定量分析电池衰减行为。
本发明一种电池健康状态评估系统采取具有如下技术优点或有益效果:
1.通过对测得Q-V曲线数据以及计算得到得IC曲线数据分别进行滤波和非线性回归操作,最大程度降低了测量噪声对分析结果得影响,且适应性强,可以用于多种类型的锂离子电池体系,如磷酸铁锂/石墨、NCM三元材料/石墨等;
2.根据计算得到的IC曲线中的特征峰,对数据进行分段处理,同时得到电池IC曲线和Q-V曲线数值模型,在此基础上可以对电池衰减模式分别进行定性和定量分析。
3.由于IC曲线中的特征峰表征了电池充放电过程中电极材料的相变过程,本发明提出的分析方法和系统可以在降低噪声的同时,尽可能的保留了电池充放电过程中电极材料中发生的电化学变化过程。
4.Q-V数值模型,可用于衰减模式定量计算,且通过设置合理的自变量步长,可以大大减少计算量。
附图说明
图1为本发明一个实施例的电池健康状态评估方法的流程图;
图2为本发明一个实施例的电池健康状态评估方法的滤波降噪后的全电池IC曲线;
图3为本发明一个实施例的电池健康状态评估方法的滤波降噪后的正极半电池IC曲线;
图4为本发明一个实施例的电池健康状态评估方法的滤波降噪后的负极半电池IC曲线;
图5为本发明一个实施例的电池健康状态评估方法的衰减前后全电池IC曲线;
图6为本发明一个实施例的电池健康状态评估方法的正极半电池Q-V曲线数值模型;
图7为本发明一个实施例的电池健康状态评估方法的负极半电池Q-V曲线数值模型;
图8为本发明一个实施例的电池健康状态评估方法的全电池Q-V曲线数值模型;
图9为本发明一个实施例的电池健康状态评估方法的Q-V曲线重构计算结果;
图10为本发明一个实施例的电池健康状态评估方法的全电池Q-V曲线模拟结果;
图11为本发明一个实施例的电池健康状态评估系统的结构图。
具体实施方式
为了便于本领域人员更好的理解本发明,下面结合附图和具体实施例对本发明做进一步详细说明,下述仅是示例性的,不限定本发明的保护范围。
图1是根据本发明一个实施例的电池健康状态评估方法的流程图,根据流程图,电池健康状态评估方法包括以下步骤:
步骤S100:对电池进行充放电测试,记录测试数据。
本发明的实施例中以最常见的磷酸铁锂为正极,石墨为负极的锂离子电池为例进行说明,需要说明的是,本发明的实施例可以使用于使用其他正负极材料的电池,包括但不仅限于锂离子电池、钠离子电池或锂电池等化学电池。
其中对电池进行充放电测试可以通过恒电流间歇滴定测试或者恒电流充放电测试,获取电池充电电压曲线或者放电电压曲线。采用恒电流间歇滴定测试,电流大小通常设置在C/5-C/20之间,其中C为电池容量,电流大小设置为10/C在实验室测试中最为常见,每阶段充放电电池容量的0.1%-2%,0.3%-0.5%最优,间隔弛豫时间一般不小于10min,或者每分钟电压变化不大于0.1mV。
采用恒电流充放电测试时,电流大小通常设置在C/5-C/60范围内,其中C/25最为常用。
具体的,本实施例中,测试数据的采样精度为5mV,最大采样频率为10Hz。采样策略是5s/5mV,即5s内变化超过5mV就进行数据采集,否则仅5s采集一次,最短记录间隔0.1s。
步骤S200:将所述测试数据进行数据处理后得到V-dQ/dV数据点集并进行滤波降噪。
具体的,本实施例对数据处理方法具体包括:步骤S210,对测试数据进行清洗滤波,获取V-Q曲线;步骤S220,将V-Q曲线分为若干段,对每段数据进行多项式回归从而获得每段多项式V-Q曲线;步骤S230,将每段多项式V-Q曲线求导并取绝对值后获得V-dQ/dV数据点集。
具体的,本实施例对步骤S210中对测试数据数据清洗方法包括;步骤S211,测试数据按照电压值V大小排序;步骤S212,对相同电压值V对应的电量Q值取平均值;步骤S213,合并具有相同电压值V的数据点。
具体的,本实施例测试数据清洗后约2000个点,将其分为100段以内,每段数据点在20-30之间。测试数据采用S-G滤波器进行滤波,滤波段一般取19,阶数2,过大曲线失真,过小曲线噪声大。
具体的,对每段要进行多项式回归的数据点,分别拟合1阶至60阶的多项式函数并分别计算误差。取60次计算结果中误差最小的阶数所对应的函数,输出每段多项式V-Q曲线。
具体的,步骤S230中,每段多项式V-Q曲线求导,自变量取值密度不小于测试数据密度。
步骤S300:辨识所述数据点集峰值后根据峰值点分段,再对每段V-dQ/dV进行多项式回归后获得IC曲线用于定性分析电池衰减模式;
具体的,峰值点应满足两个条件:
(1)至少在点数为N的连续点集中该点的值最大,N大于所述数据点集数的1/50,小于所述数据点集数的1/5;
(2)该点前后至少有各n个点的值比该点小,1≤n≤9。
具体的,本实施例N值为150,n为6,进行峰值点的确定和计算并用于后续根据峰值点对数据分段,峰值点前后各6个点比峰值点小。
步骤S300根据峰值点对数据分段的方法包括:
步骤S310,对峰值点前后n个点纵坐标值即dQ/dV值求和后乘以m,记为P,1≤m≤5;
步骤S320,比较峰值点前面第n+1点的纵坐标Y(n+1)和峰值点后面第n+1点的纵坐标值Y’(n+1),取Y(n+1)和Y’(n+1)最大值为Ymax(1),做差使P(1)=P-Ymax(1);
步骤S330,根据步骤S320中比较结果进一步比较处理,
a.若Y(n+1)>Y’(n+1),则继续比较Y(n+2)和Y’(n+1),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
b.若Y(n+1)<Y’(n+1),则继续比较Y(n+1)和Y’(n+2),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
步骤S340,
根据步骤S330中步骤a的比较结果进一步比较处理,
若Y(n+2)>Y’(n+1),则继续比较Y(n+3)和Y’(n+1),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+2)<Y’(n+1),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
根据步骤S330中的步骤b的比较结果进行处理,
若Y(n+1)>Y’(n+2),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+1)<Y’(n+2),则继续比较Y(n+1)和Y’(n+3),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
步骤S350,
按照步骤S330和S340的方法循环计算直至P(k)<0,
若k<k0,不将此处作为峰数据段,
若k>k0,则将计算过程中经过比较计算较大的k个点和峰顶的数据点集作为一个峰数据段,
其中2n≤k0≤8n;
步骤S360,
根据第二个峰值点计算得到的峰数据段和第一个峰值点计算得到的峰数据段之间或与起点之间的数据点为峰前数据段,根据第二个峰值点计算得到的峰数据段和第三个峰值数据之间或与终点之间的数据段为峰后数据段。
具体的,本实施例中,n=6,m=2,k0=3n=18。经查表得到某峰值点附近,Y(n+1)=Y(7)=42.77,Y(n+2)=Y(8)=41.407375,Y’(n+1)=33.58436523,经计算得到P=1066.24。比较Y(7)和Y’(7)的大小,P(1)=P-Y(7),即P(1)=1066.24-42.77=1023.47。比较Y(8)和Y’(7)的大小,P(2)=P1-Y(8),即P(2)=1023.47-41.407375=982.062625,循环计算得到P(48)=-3.65<0,k为48,k>k0;则将计算过程延伸到48个数据点、所取的峰值点和峰值点前后各取得6个数据点,共61个点作为一个峰数据段,经本次计算得到的峰数据段的前一个峰数据段中间的数据为峰前数据段,经本次计算得到的峰数据段和后一个的峰数据段之间的数据为峰后数据段。
具体的,步骤S300中,对每段V-dQ/dV进行多项式回归,包括对每个峰数据段、峰前数据段和峰后数据段多项式回归。从而得到IC曲线。
根据获得的IC曲线,对比新电池IC曲线和衰减后电池的每段多项式IC曲线,进行定性的分析电池衰减,但不仅限于根据IC曲线中不同峰面积的变化,峰值点移动判断电池衰减程度。
具体的,本实施例中的滤波过程采用S-G滤波器进行滤波,滤波段一般取19,阶数为2。
图2为滤波降噪后的全电池IC曲线,图3为滤波降噪后的正极半电池IC曲线,图4为滤波降噪后的负极半电池IC曲线。如图5所示,曲线1-3分别代表了经过衰减前电池V-dQ/dV曲线即IC曲线,经过150次充放电循环的电池IC曲线和经过250充放电循环的电池IC曲线。根据曲线1-3不同峰面积的变化,定性的分析电池衰减模式。具体的,从图中可以明显看到,随着循环次数的增加,峰值有所下降,说明电池内部材料的损失。电池IC曲线上的峰,反映了锂离子电池放电过程中电极材料的相变过程,可以循环过程中峰1、峰2、峰3的面积分别有不同程度的下降,说明衰减过程中同时发生了LAM和LLI。
步骤S400:对所述IC曲线积分后转换得到Q-V曲线数值模型,并进行数据校验,经过计算最优的电压曲线重构模型参数定量分析电池衰减行为。
具体的,数据校验是将所述Q-V曲线数值模型与所述测试数据进行校验,计算误差。计算误差为了确认Q-V曲线数值模型与测试数据曲线拟合的准确性,采用平均误差计算方法,从而得到半电池Q-V曲线数值模型和全电池Q-V曲线数值模型。
具体的,步骤S400中定量分析电池衰减方法包括:步骤S410,根据半电池Q-V曲线模型和根据公式(1)-(3)的电池Q-V重构方法,设置ΔQ步长,计算不同充放电容量下全电池Q-V;步骤S420,与全电池Q-V数值模型计算结果校对误差,根据误差调整参数值直至获得最优解;步骤S430,进而计算电池各组分衰减量,定量分析电池衰减行为。
其中公式(1)中,V(Q)表示全电池平衡电压,UPE、UNE分别表示正负极对锂电势,v为过电势修正值,SOCPE为正极可用活性材料荷电状态,SOCNE为负极可用活性材料荷电状态,SCOPE,0为充放电电量为Q0时正极可用活性材料荷电状态,SCONE.0为充放电电量为Q0时负极可用活性材料荷电状态,I为充放电电流,Q为充电容量或放电容量,Q0为电池初始容量,ΔQ为从0-t时间的充放电容量;
其中公式(2)中,QPE、QNE、QLI分别表示正负极可用活性材料容量和可用锂离子损失量,QPE.n=0、QNE.n=0为电池老化前的正极容量和负极容量,LAMLiPE为正极含锂活性材料损失,LAMLiNE为负极含锂活性材料损失,LAMdePE为正极不含锂活性材料损失,LAMdePE为负极不含锂活性材料损失;
其中公式(3)中,Vfit,i是根据之前的拟合出的Q-V曲线数值模型计算出来的电压值,Vsim,i是在预设一组参数[SOCPE,0,SOCNE,0,QPE,QNE,v]时根据公式(1)模拟计算出来的结果电压值,N为Q-V曲线上的取样点数,大小取决于ΔQ变化的步长,本实施例中N约为300,RMSE为计算所述拟合Q-V曲线相对测试数据的均方差。
根据半电池Q-V曲线模型和根据公式(1)-(3)的电池Q-V重构方法,设置ΔQ变化步长,计算不同充放电容量下全电池Q-V;与全电池Q-V数值模型计算结果校对误差,根据误差调整参数值直至获得最优解;进而计算电池各组分衰减量,定量分析电池衰减行为。
如图6-图8所示,图6为半电池正极Q-V曲线数值模型,其中的曲线1表示测试数据,曲线2为步骤S400获取得半电池正极Q-V数值模型模拟计算结果。图7为半电池负极Q-V曲线数值模型,其中的曲线1为测试数据,曲线2为步骤S400获取得半电池负极Q-V数值模型模拟计算结果。图8为全电池Q-V曲线数值模型,其中的曲线1表示测试数据,曲线2为步骤S400获取得全电池Q-V数值模型模拟计算结果。对图6-图8进行分析,半电池和全电池的Q-V数值模型模拟计算结果和测试数据拟合度较高,通过本方法可以得到较为准确的Q-V数值模型,说明本方法具有较好的适应性,可以适用多种类型的锂离子电池体系。
如图9所示,曲线1为测试得到电池正极电势曲线,曲线2为测试得到电池负极电势曲线,曲线3为测试得到的全电池Q-V曲线,曲线4为Q-V曲线数值模型,曲线3和曲线4具有较高的拟合度。
如图10所示,曲线1为Q-V曲线数值模型,曲线2为根据步骤S420计算出最优的Q-V曲线数值模型。
图11根据本发明一个实施例的电池健康状态评估系统结构框图,本发明的电池健康状态评估系统包括数据采集模块100、数据处理模块200、定性分析模块300和定量分析模块400。
具体的,数据采集模块,用于进行半电池和全电池充放电测试,并记录测试数据;
数据处理模块,用于对测试数据滤波清洗,获取半电池和全电池V-Q曲线,对所述V-Q曲线分段,并进行多项式回归、求导和滤波降噪等处理获得V-dQ/dV数据点集;
定性分析模块,用于辨识所述V-dQ/dV数据点集峰值点,根据峰值点对数据分段,再对每段V-dQ/dV进行多项式回归后的IC曲线,对比新电池和衰减后电池IC曲线,定性分析电池衰减模式。
定量分析模块,用于所述IC曲线积分,获得V-Q曲线后转换为Q-V曲线数值模型,将所述Q-V曲线数值模型与所述测试数据校验,计算误差,根据Q-V曲线数值模型,计算最优的电压曲线重构模型参数,比较新电池和衰减后电池的参数值,定量分析电池衰减行为。
以上仅描述了本发明的基本原理和优选实施方式,本领域人员可以根据上述描述做出许多变化和改进,这些变化和改进应该属于本发明的保护范围。
Claims (6)
1.一种电池健康状态评估方法,其特征在于,包括以下步骤:
步骤S100,对电池进行充放电测试,记录测试数据;
步骤S200,将所述测试数据进行数据处理后得到V-dQ/dV数据点集并进行滤波降噪;
步骤S300,辨识所述数据点集峰值并根据峰值点分段,再对每段V-dQ/dV进行多项式回归后获得IC曲线用于定性分析电池衰减模式,其中,数据点集的峰值应满足以下两个条件:
(1)至少在点数为N的连续点集中该点的值最大,N大于所述数据点集数的1/50,小于所述数据点集数的1/5;
(2)该点前后至少有各n个点的值比该点小,1≤n≤9;
根据峰值点进行数据分段具体包括:
步骤S310,对峰值点前后各n个点纵坐标值即dQ/dV值求和后乘以m,记为P,1≤m≤5;
步骤S320,比较峰值点前面第n+1点的纵坐标Y(n+1)和峰值点后面第n+1点的纵坐标值Y’(n+1),取Y(n+1)和Y’(n+1)最大值为Ymax(1),做差使P(1)=P-Ymax(1);
步骤S330,根据步骤S320中比较结果进一步比较处理,
a.若Y(n+1)>Y’(n+1),则继续比较Y(n+2)和Y’(n+1),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
b.若Y(n+1)<Y’(n+1),则继续比较Y(n+1)和Y’(n+2),取较大值为Ymax(2),P(2)=P(1)-Ymax(2);
步骤S340,
根据步骤S330中步骤a的比较结果进一步比较处理,
若Y(n+2)>Y’(n+1),则继续比较Y(n+3)和Y’(n+1),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+2)<Y’(n+1),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
根据步骤S330中的步骤b的比较结果进行处理,
若Y(n+1)>Y’(n+2),则继续比较Y(n+2)和Y’(n+2),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
若Y(n+1)<Y’(n+2),则继续比较Y(n+1)和Y’(n+3),取较大值为Ymax(3),P(3)=P(2)-Ymax(3);
步骤S350,
按照步骤S330和S340的方法循环计算直至P(k)<0,
若k<k0,不将此处作为一个峰数据段,
若k>k0,则将计算过程中经过比较计算较大的k个点和峰顶的数据作为一个峰数据段,
其中2n≤k0≤8n;
步骤S360,根据第二个峰值点计算得到的峰数据段和第一个峰值点计算得到的峰数据段之间或与起点之间的数据点为峰前数据段,根据第二个峰值点计算得到的峰数据段和第三个峰值数据之间或与终点之间的数据段为峰后数据段;
步骤S400,对所述IC曲线积分后转换得到Q-V曲线数值模型,并进行数据校验,经过计算最优的电压曲线重构模型参数计算电池各组分衰减量,进而定量分析电池衰减行为,具体包括:
步骤S410,根据半电池Q-V曲线模型和根据公式(1)-(3)的电池Q-V重构方法,设置ΔQ步长,计算不同充放电容量下全电池Q-V;
步骤S420,与全电池Q-V数值模型计算结果校对误差,根据误差调整参数值直至获得最优解;
步骤S430,进而计算电池各组分衰减量,包括正负极活性材料损失和可用锂离子损失,定量分析电池衰减行为,
其中,公式(1)中,V(Q)表示全电池平衡电压,UPE、UNE分别表示正负极对锂电势,v为过电势修正值,SOCPE为正极可用活性材料荷电状态,SOCNE为负极可用活性材料荷电状态,SOCPE,0为充放电电量为Q0时正极可用活性材料荷电状态,SOCNE.0为充放电电量为Q0时负极可用活性材料荷电状态,I为充放电电流,Q为充电容量或放电容量,Q0为电池初始容量,ΔQ为从0-t时间的充放电容量,QPE、QNE分别表示正负极可用活性材料容量;
其中,公式(2)中,QPE、QNE、QLI分别表示正负极可用活性材料容量和可用锂离子损失量,QPE.n=0、QNE.n=0为电池老化前的正极容量和负极容量,LAMLiPE为正极含锂活性材料损失,LAMLiNE为负极含锂活性材料损失,LAMdePE为正极不含锂活性材料损失,LAMdePE为负极不含锂活性材料损失;
其中,公式(3)中,Vfit,i是根据之前的拟合出的Q-V曲线数值模型计算出来的电压值,Vsim,i是在预设一组参数[SOCPE,0,SOCNE,0,QPE,QNE,v]时根据公式(1)模拟计算出来的结果电压值,N为Q-V曲线上的取样点数,大小取决于ΔQ变化的步长,RMSE为计算所述拟合Q-V曲线相对测试数据的均方差。
2.根据权利要求1所述的评估方法,其特征在于:所述充放电测试方法包括但不仅限于对半电池和全电池进行恒电流间歇滴定测试或者恒电流充放电测试。
3.根据权利要求1所述的评估方法,其特征在于:步骤S200中对测试数据数据处理方法具体包括:
步骤S210,对所述测试数据进行清洗滤波,获取V-Q曲线;
步骤S220,将所述V-Q曲线分为若干段,对每段数据进行多项式回归从而获得每段多项式V-Q曲线;
步骤S230,将所述每段多项式V-Q曲线求导并取绝对值后获得V-dQ/dV数据点集。
4.根据权利要求3所述的评估方法,其特征在于:步骤S210中对测试数据的数据清洗方法包括:
步骤S211,测试数据按照电压值V大小排序;
步骤S212,对相同电压值V对应的电量Q值取平均值;
步骤S213,合并具有相同电压值V的数据点。
5.根据权利要求1所述的评估方法,其特征在于:步骤S300中定性分析电池衰减模式包括但不仅限于根据IC曲线中不同峰面积的变化,峰值点移动判断电池衰减程度。
6.根据权利要求1所述的评估方法,其特征在于:所述定量分析电池衰减行为包括但不限于定量的确定电池衰减模式和衰减程度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020101755339 | 2020-03-13 | ||
CN202010175533 | 2020-03-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398833A CN111398833A (zh) | 2020-07-10 |
CN111398833B true CN111398833B (zh) | 2021-08-31 |
Family
ID=71431453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010268852.4A Active CN111398833B (zh) | 2020-03-13 | 2020-04-08 | 一种电池健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398833B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965546B (zh) * | 2020-09-03 | 2023-06-30 | 南京理工大学 | 基于ocv曲线重构的锂电池容量和初始soc估计方法 |
CN113283632B (zh) * | 2021-04-13 | 2024-02-27 | 湖南大学 | 一种电池早期故障预警方法、系统、装置及存储介质 |
CN113406520B (zh) * | 2021-05-21 | 2022-11-15 | 北京理工大学 | 针对现实新能源汽车的电池健康状态估计方法 |
CN113533988B (zh) * | 2021-06-04 | 2022-09-27 | 上海空间电源研究所 | 一种锂离子电池长期循环容量衰减分析方法 |
CN113391214A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 一种基于电池充电电压排名变化的电池微故障诊断方法 |
CN113466709A (zh) * | 2021-07-30 | 2021-10-01 | 深圳市新威尔电子有限公司 | 电池测试数据绘制曲线方法 |
CN113625176B (zh) * | 2021-08-02 | 2024-02-09 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池模块soc差计算方法及设备 |
CN113805072B (zh) * | 2021-08-03 | 2023-10-20 | 蜂巢能源科技(无锡)有限公司 | 容量的确定方法和确定装置、分容方法及动力电池系统 |
CN114184972B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 |
CN114167284B (zh) * | 2021-11-02 | 2023-12-22 | 江苏博强新能源科技股份有限公司 | 基于bms大数据和集成学习的锂电池rul预测方法及设备 |
CN113759269B (zh) * | 2021-11-10 | 2022-02-25 | 武汉理工大学 | 一种电动汽车电池健康状态监测方法及系统 |
CN116522153B (zh) * | 2023-07-05 | 2023-12-26 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116680506B (zh) * | 2023-07-27 | 2023-10-20 | 中国人民解放军国防科技大学 | 自适应间隔优化的增量容量曲线数点统计方法及装置 |
CN117214742A (zh) * | 2023-09-15 | 2023-12-12 | 斯润天朗(合肥)科技有限公司 | 一种锂电池的状态分析方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679834A (zh) * | 2015-02-06 | 2015-06-03 | 北京工商大学 | 一种时序数据清洗方法及系统 |
CN103698714B (zh) * | 2014-01-02 | 2016-06-29 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
CN107290686A (zh) * | 2017-08-08 | 2017-10-24 | 广东天波信息技术股份有限公司 | 曲线采集计量方法和装置 |
CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
JP2018205139A (ja) * | 2017-06-05 | 2018-12-27 | 三菱自動車工業株式会社 | 二次電池システム |
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 |
CN109932663A (zh) * | 2019-03-07 | 2019-06-25 | 清华四川能源互联网研究院 | 电池健康状态评估方法、装置、存储介质及电子装置 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
US10393813B2 (en) * | 2013-08-27 | 2019-08-27 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
-
2020
- 2020-04-08 CN CN202010268852.4A patent/CN111398833B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10393813B2 (en) * | 2013-08-27 | 2019-08-27 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN103698714B (zh) * | 2014-01-02 | 2016-06-29 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
CN104679834A (zh) * | 2015-02-06 | 2015-06-03 | 北京工商大学 | 一种时序数据清洗方法及系统 |
JP2018205139A (ja) * | 2017-06-05 | 2018-12-27 | 三菱自動車工業株式会社 | 二次電池システム |
CN107290686A (zh) * | 2017-08-08 | 2017-10-24 | 广东天波信息技术股份有限公司 | 曲线采集计量方法和装置 |
CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
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 |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN109932663A (zh) * | 2019-03-07 | 2019-06-25 | 清华四川能源互联网研究院 | 电池健康状态评估方法、装置、存储介质及电子装置 |
CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111398833A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398833B (zh) | 一种电池健康状态评估方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN109061514B (zh) | 一种基于大数据的动力电池衰退情况分析方法及系统 | |
CN111781504B (zh) | 一种锂离子动力电池老化状态识别与开路电压重构方法 | |
CN111948546A (zh) | 一种锂电池健康度评估方法及系统 | |
CN110954832A (zh) | 一种识别老化模式的锂离子电池健康状态在线诊断方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN114865117B (zh) | 锂离子电池电极嵌锂量检测方法、装置及电池管理系统 | |
CN110850322B (zh) | 一种基于小波信号分解的电池相对健康状态估计方法 | |
CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN113866655A (zh) | 融合车联网运行数据与测试数据的动力电池容量评估方法 | |
CN117233622A (zh) | 一种新能源汽车动力锂电池性能检测测试方法 | |
CN113406520A (zh) | 针对现实新能源汽车的电池健康状态估计方法 | |
CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
CN116008847A (zh) | 一种基于车云协同下的锂离子电池在线析锂检测方法 | |
CN109871881B (zh) | 一种基于凝聚分层聚类算法的电池工况分析方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN115166564A (zh) | 一种在线量化评估磷酸铁锂电池微短路程度的方法 | |
CN113125974A (zh) | 一种电池析锂检测方法及装置 | |
CN219371111U (zh) | 负极结构、电池及电池系统 |
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 |