CN112014735B - 一种基于全寿命周期的电芯老化寿命预测方法及装置 - Google Patents
一种基于全寿命周期的电芯老化寿命预测方法及装置 Download PDFInfo
- Publication number
- CN112014735B CN112014735B CN201910464412.3A CN201910464412A CN112014735B CN 112014735 B CN112014735 B CN 112014735B CN 201910464412 A CN201910464412 A CN 201910464412A CN 112014735 B CN112014735 B CN 112014735B
- Authority
- CN
- China
- Prior art keywords
- training
- battery cell
- battery
- prediction model
- discharge
- 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
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]
- G01R31/367—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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Abstract
本申请公开了一种基于全寿命周期的电芯老化寿命预测方法及装置,该方法包括:在获取到待检测的目标电芯后,可以利用预先构建的电芯老化寿命预测模型,预测出获取到的待预测的目标电芯的老化寿命,其中,电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的,可见,本申请实施例在对目标电芯进行老化寿命预测时,采用了预先构建的电芯老化寿命预测模型,该模型是通过电池所处的环境温度、放电倍率以及放电深度这些应力参数构建的,是从电池老化机理入手构建的预测模型,适用于锂离子电池全寿命周期的老化寿命预测,从而利能够更准确的预测出全寿命周期的电池电芯老化寿命,进而有助于锂离子电池汽车的全面推广。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种基于全寿命周期的电芯老化寿命预测方法及装置。
背景技术
随着经济的高速发展,电动汽车的使用率越来越高,而锂离子电池因重量轻、体积小、寿命长、高电压、无污染等优点,已成为电动汽车动力电池的首选,但其在使用过程中的老化会影响整车的性能和安全性,因此,须对电池的性能状态和使用寿命进行研究,才能以此为基础对电池的健康使用做出相应的决策。
目前普遍认为,锂离子电池的内阻上升到额定内阻的150%或者可用容量下降到额定容量的80%,则表明该电池的寿命终止,将不适合继续在电动汽车上使用。现有的针对锂离子电池寿命进行预测的方法,通常是通过建立机理模型、纯数据驱动模型或者机理-数据结合的半经验模型,来进行电芯的老化寿命预测,可是,虽然机理模型能够较好地描述电池内部的物理和电化学过程,但大量的参数测算存在较高的难度,且对于求解偏微分方程的要求也很高;而纯数据驱动模型在建立时,需求的数据量较大,且模型中的参数物理意义不明确;对于机理-数据结合的半经验模型,虽然可以通过数据拟合得到模型参数,在一定程度上能够从机理上解释不同参数对电池寿命的影响,比如,可以建立容量衰减率Q与电池循环充放电次数N之间的关系满足公式Qloss=AN1/2+B的预测模型,但存在的问题是,该模型中的参数物理意义仍不明确,且不具有普遍适应性,对电池全寿命周期的老化寿命预测准确性不高。
因此,如何利用更先进的方法,实现基于全寿命周期的电池电芯老化寿命的精确预测,从而有助于锂离子电池汽车的全面推广,已成为亟待解决的问题。
发明内容
本申请实施例的主要目的在于提供一种基于全寿命周期的电芯老化寿命预测方法及装置,能够实现基于全寿命周期的电池电芯老化寿命的精确预测。
本申请实施例提供了一种基于全寿命周期的电芯老化寿命预测方法,包括:
获取待预测的目标电芯;
利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命;
其中,所述电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件。
可选的,所述预先构建的电芯老化寿命预测模型为电芯内阻增长率预测模型;
相应的,所述利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命,包括,
利用预先构建的电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率。
可选的,按照下述方式构建所述电芯内阻增长率预测模型:
结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
对所述训练电芯进行直流内阻标定;
根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
对所述试验结果数据进行预处理,得到模型训练数据;
利用所述模型训练数据,训练得到所述电芯内阻增长率预测模型。
可选的,所述预先构建的电芯老化寿命预测模型为电芯容量损失率预测模型;
相应的,所述利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命,包括,
利用预先构建的电芯容量损失率预测模型,预测待预测的目标电芯的容量损失率。
可选的,按照下述方式构建所述电芯容量损失率预测模型:
结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
对所述训练电芯进行容量标定;
根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
对所述试验结果数据进行预处理,得到模型训练数据;
利用所述模型训练数据,训练得到所述电芯容量损失率预测模型。
本申请实施例还提供了一种基于全寿命周期的电芯老化寿命预测装置,包括:
目标电芯获取单元,用于获取待预测的目标电芯;
电芯寿命预测单元,用于利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命;其中,所述电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件。
可选的,所述预先构建的电芯老化寿命预测模型为电芯内阻增长率预测模型;
相应的,所述电芯寿命预测单元具体用于:
利用预先构建的电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率。
可选的,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
直流内阻标定单元,用于对所述训练电芯进行直流内阻标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第一模型获得单元,用于利用所述模型训练数据,训练得到所述电芯内阻增长率预测模型。
可选的,所述预先构建的电芯老化寿命预测模型为电芯容量损失率预测模型;
相应的,所述电芯寿命预测单元具体用于:
利用预先构建的电芯容量损失率预测模型,预测待预测的目标电芯的容量损失率。
可选的,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
电芯容量标定单元,用于对所述训练电芯进行容量标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第二模型获得单元,用于利用所述模型训练数据,训练得到所述电芯容量损失率预测模型。
本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测方法及装置,在获取到待检测的目标电芯后,可以利用预先构建的电芯老化寿命预测模型,预测出获取到的待预测的目标电芯的老化寿命,其中,电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的,可见,本申请实施例在对目标电芯进行老化寿命预测时,不再采用现有的结构复杂、训练数据量大并且参数物理意义不明的预测模型进行预测,而是采用预先构建的电芯老化寿命预测模型进行预测,该模型是通过电池所处的环境温度、放电倍率以及放电深度这些应力参数构建的,是从电池老化机理入手构建的预测模型,适用于锂离子电池全寿命周期的老化寿命预测,从而利能够更准确的预测出全寿命周期的电池电芯老化寿命,进而有助于锂离子电池汽车的全面推广。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测方法的流程示意图;
图2为本申请实施例提供的构建电芯内阻增长率预测模型的流程示意图;
图3为本申请实施例提供的HPPC直流内阻测试曲线的示意图;
图4为本申请实施例提供的锂离子电池脉冲响应的示意图;
图5为本申请实施例提供的欧姆内阻增长率-Ah输入关系的示意图;
图6为本申请实施例提供的A(DOD,T)值和循环温度T、充放深度DOD的拟合曲线图的示意图;
图7为本申请实施例提供的B(T,Ratio)值和循环温度T、放电倍率Ratio的拟合曲线图的示意图;
图8为本申请实施例提供的电芯内阻增长率预测模型拟合前后数据的对比示意图;
图9为本申请实施例提供的电芯内阻增长率预测模型的相对误差曲线的示意图;
图10为本申请实施例提供的构建电芯容量损失率预测模型的流程示意图;
图11为本申请实施例提供的实现循环老化寿命的外推预测的示意图;
图12为本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测装置的组成示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的研究背景进行简单说明。
众所周知,节能、环保以及安全是未来汽车的发展方向,随着经济的高速发展以及人们环境保护意识的提升,电动汽车的使用率越来越高,而锂离子电池也已成为电动汽车动力电池的首选,但其在使用过程中的老化会影响整车的性能和安全性,因此,须对电池的性能状态和使用寿命进行研究,才能以此为基础对电池的健康使用做出相应的决策。
但现有的针对锂离子电池寿命进行预测的方法,通常是通过建立机理模型、纯数据驱动模型或者机理-数据结合的半经验模型,来进行电芯的老化寿命预测,其中,机理模型虽然能够较好地描述电池内部的物理和电化学过程,但大量的参数测算存在较高的难度,且对于求解偏微分方程的要求也很高;而纯数据驱动模型在建立时,需求的数据量较大,且模型中的参数物理意义不明确;对于机理-数据结合的半经验模型,虽然可以通过数据拟合得到模型参数,在一定程度上能够从机理上解释不同参数对电池寿命的影响,但其存在的问题仍是模型中的参数物理意义不明确,且不具有普遍适应性,导致对电池全寿命周期的老化寿命预测的准确性不高。
基于此,本申请提出了一种基于全寿命周期的电芯老化寿命预测方法及装置,以实现基于全寿命周期的电池电芯老化寿命的精确预测,从而有助于锂离子电池汽车的全面推广。
以下将结合附图对本申请实施例提供的基于全寿命周期的电芯老化寿命预测方法进行详细说明。参见图1,其示出了本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测方法的流程图,本实施例可以包括以下步骤:
S101:获取待预测的目标电芯。
在本实施例中,将采用本实施例实现全寿命周期的老化寿命预测的任一电芯定义为目标电芯,为了实现对目标电芯的老化寿命的准确预测,本实施例从分析锂离子电池老化机理出发,通过后续步骤S102对其进行老化寿命预测。
S102:利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命,其中,电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件。
在本实施例中,通过步骤S101获取到待进行老化寿命预测的目标电芯后,可以利用预先构建的电芯老化寿命预测模型对获取到的目标电芯进行老化寿命的预测,其中,该电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件。
在本实施例的一种可能的实现方式中,预先构建的电芯老化寿命预测模型为电芯内阻增长率预测模型,则相应的,步骤S102具体包括:利用预先构建的电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率。
在本实现方式中,由于普遍认为锂离子电池的内阻上升到额定内阻的150%,即表明该电池的寿命终止,所以,电池功率的衰退和电池的内阻增加有直接的关联,因此,可以通过对电池电芯的内阻增长率进行预测,并利用预测结果来表征电池电芯的老化寿命,具体的预测公式如下:
其中,Rinc为目标电芯的内阻增长率,其定义为Rinc=Rold/Rnew-1,其中,Rold为循环后内阻,Rnew为新电池内阻;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;A(DOD,T,Ratio)为前因参数函数;B(DOD,T,Ratio)为指数参数函数。
接下来,本实施例将通过具体的试验流程对电芯的内阻增长率预测模型的构建过程进行介绍。
参见图2,其示出了本实施例提供的构建电芯内阻增长率预测模型的流程示意图,该流程包括以下步骤:
S201:结合实车使用工况,确定训练电芯的老化训练矩阵,其中,该矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度。
在本实施例中,为了构建电芯内阻增长率预测模型,需要预先进行大量的准备工作,首先,需要结合实车使用工况,训练电芯的老化训练矩阵,其中,该矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度。根据训练电池电芯的正常充放电温度确定循环老化试验的温度范围,在所选取的试验温度范围内,选取多个放电倍率和放电深度,从而确定训练电芯的老化训练矩阵。
具体来讲,以一种50Ah三元电池作为训练电池进行电芯内阻增长率预测模型的构建。在确定训练电芯的老化训练矩阵过程中,DOD(放电深度)的本质是锂离子电池内部参与反应的活性物质占全部活性物质的百分数,为了研究不同DOD对锂离子电池内阻增长的变化,本实施例中的DOD值可以取为20%、40%、60%和80%;放电倍率Ratio主要影响电池内部的极化过程,放电倍率Ratio越大时,电池电极的极化就会越明显,系统将偏离平衡状态,即阴极的电势更负,阳极的电势更正,造成电池的充放电电压发生变化,内阻受到影响,间接影响电池的寿命,本试验矩阵的放电倍率Ratio的值可以取为1C、2C和3C;训练电芯所处的循环温度T主要影响电池内部化学反应速率及内部传质过程,本实施例中的温度T可以取为常温25℃和高温45℃,具体的训练电芯的老化训练矩阵如下表1所示:
表1
S202:对训练电芯进行直流内阻标定。
在本实施例中,为了构建电芯内阻增长率预测模型,需要对训练电芯进行直流内阻标定,即,需要设计HPPC内阻测试中测试温度、脉冲放电电流大小、放电截至电压以及放电持续时间等参数。
具体来讲,如图3所示,首先,将训练电芯样件放置于温度为25±2℃的恒温箱内,先将电芯以1C电流放空,然后将电池充满,静置1小时,然后,待电芯内部状态稳定后,以相对真实剩余容量的1C电流放电,持续3min,再静置1小时,接着以相对额定容量3C电流放电,持续18s;重复此过程9次,可得不同SOC下电池脉冲电流相应曲线。接着,对电芯加载电流(一般为3C)后,锂离子电池的两段电压会立刻出现一个跳跃式的电压降,接着电池端电压开始下降;当撤去加载的脉冲电流之后,电压先出现一个跳跃式的电压反弹,接着电压开始缓慢升高趋于稳定,电压响应类似RC并联响应环节。如图4中OR段和PR段所示,这两段分别表示欧姆内阻和极化内阻引起的电池压降,可以通过下列公式进行求解:
通过上述公式(2)可以计算出不同SOC下的欧姆内阻和极化内阻近似解。
S203:根据训练电芯的老化训练矩阵,利用训练电芯进行试验,获得试验结果数据。
在本实施例中,通过步骤S201确定出训练电芯的老化训练矩阵,以及通过步骤S202对训练电芯进行直流内阻标定后,可以将电池放入对应设定好的恒温箱中,并设置相应的工步进行充放电循环,并定期对电池样件进行内阻标定,直至电池内阻上升到初值的150%终止试验。
具体来讲,可以将训练电芯放入老化训练矩阵规定温度T的恒温箱内,首先以CC+CV充电模式将训练电芯充满,然后静置30min,接着,以老化训练矩阵规定的放电倍率Ratio进行CC模式放电,截至条件为老化训练矩阵规定的放电深度DOD,再静置1小时;不断重复此过程,待循环天数达到15天后,将训练电芯取出,利用步骤S202进行内阻标定,标定结束后接着进行加速老化寿命试验,直至满足直流内阻≥初始内阻的150%,若试验出现故障则认为是滥用因素所致,可认定为试验结束,获得试验结果数据。
S204:对试验结果数据进行预处理,得到模型训练数据。
在本实施例中,通过步骤S203获得试验结果数据后,可以对获取的试验数据进行预处理,剔除或修正异常数据。具体来讲,可以按照Rinc=Rold/Rnew-1,对获取的试验数据中的标定结果进行处理,处理结果如图5所示,可以获得训练电芯内阻增长率与Ah输入呈线性关系,在结合其他试验结果数据共同作为模型训练数据,用以执行后续步骤S205。
S205:利用模型训练数据,训练得到电芯内阻增长率预测模型。
在本实施例中,通过步骤S204对试验结果数据进行预处理,得到模型训练数据后,可以基于显著性检验研究环境温度T、放电倍率Ratio和放电深度DOD对内阻变化程度的影响,确定上述公式(1)中的前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)的结构及自变量,并依据试验结果数据对模型参数进行拟合得到初步模型参数,再利用初步确定的寿命老化模型对整体试验数据进行拟合,并与真实的试验数据进行对比,进而微调模型的参数,使每个电芯的拟合曲线与真实的试验数据的误差在一定范围内,最终确认模型中的各个参数,完成电芯内阻增长率预测模型的训练。
具体来讲,本实施例预先假定训练电池的电芯内阻增长率符合Andrea Cordoba-Arenas提出的以下Arrhenius半经验模型,模型公式如下:
然后对上述公式(3)进行处理后,可以得到具体的电芯内阻增长率模型的计算公式为上述公式(1),即,
接下来,根据试验结果数据,求解出上述公式(1)中的前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)。
具体来讲,可以利用最小二乘法对试验结果数据进行拟合,求解出各个试验条件下的前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio),具体求解结果如下表2所示:
表2
接下来,对影响前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)取值结果的应力参数(放电倍率Ratio、放电深度DOD、循环温度T)进行分析:
(1)三因子模型及假设
理论上放电倍率Ratio、放电深度DOD、循环温度T对电池的老化都会有很大影响,但不一定每个因素对前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)取值结果的都有明显作用,因此需要对前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)进行析因分析。现将放电倍率Ratio、循环温度T、放电深度DOD分别记为A、B、C。其中,A有a个变量,B有b个变量,C有c个变量。假设三因子模型如下:
yijkl=u+αi+βj+γk (4)
其中,y为观察值;l表示试验的总次数;yijkl是第ijk组的第l个观察值;u代表了观察值y的平均量;模型的限制条件为
(2)F检验统计构建
析因分析的理论基础是根据多个因素的平方和公式、自由度以及均方值构建检验的统计量,最后根据F检在显著性水平的判断方法,通过F表判断各个因素的影响是否显著。首先要构造F统计量,得到平方和公式如下:
其中,为因素A在第i个变量下观测值的平均值;/>为abcn个观测值的平均值;/>为因素B在第i个变量下观测值的平均值;/>为因素C在第i个变量下观测值的平均值;/>为组合处理的观测值的平均值。
由此,可得到平方和计算公式为:
SS(T)=SS(A)+SS(B)+SS(C)+SS(E) (9)
其中,平方和SS(T)由4个部分组成,分别反映了A、B、C三组的组件差异和随机误差的离散情况。另外,自由度由样本中独立变化变量的个数表示,如a-1,b-1,c-1由平方和与自由度可以计算出均方值的大小:
老化试验受到时间、误差和设备的制约一般为单次重复试验,因此在此处我们取l-1=1,则可以忽略组内误差,误差的自由度可以表示为a*b*c。
一般来说,F值为因素的均方值与误差的均方值的比值,如对于因素A来说,F(A)=MS(A)/MS(E),F的两个自由度为f_1=a-1,f_2=abc。F值符合F分布,其分布函数为:
所以F分布从的概率为:
F值如果大于F_0.05,则表示F值在0.05的水平上显著,能够以大于95%的可靠性推断出该因素的方差大于误差的方差。实际的试验中可以根据分子和分母的自由度f_1和f_2得到F值的大小,总结成三因子分析表如下表3所示:
表3
(3)电池内阻增长析因分析
下面对前因参数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)进行析因分析,得到A(DOD,T,Ratio)值如下表4所示,B(DOD,T,Ratio)值如下表5所示,析因分析结果如下表6所示。
影响因素 | 平方和 | 自由度 | 均方 | F值 | F0.05 |
放电倍率 | 6.158e5 | 2 | 3.079e5 | 9.0325 | 3.4 |
循环温度 | 4.7077e9 | 1 | 4.7077e9 | 1.381e5 | 4.26 |
放电深度 | 1.3748e6 | 3 | 4.5828e5 | 13.4440 | 3.01 |
误差 | 3.4088e4 | 6 | 3.4088e4 |
表4
影响因素 | 平方和 | 自由度 | 均方 | F值 | F0.05 |
放电倍率 | 5.2903e8 | 2 | 2.6452e8 | 17.2189 | 3.4 |
循环温度 | 2.1895e9 | 1 | 2.1895e9 | 142.5287 | 4.26 |
放电深度 | 5.4912e9 | 3 | 1.8637e8 | 12.1322 | 3.01 |
误差 | 1.5362e7 | 24 | 1.5362e7 |
表5
表6
从表中的析因分析结果可知,对于前因参数函数A(DOD,T,Ratio)值,放电倍率Ratio和放电深度DOD、循环温度T的F值大于F0.05,说明其都对于A(DOD,T,Ratio)值具有所影响,而为了试验分析的方便,选取了其中影响因子最大的两个因素循环温度T和充放深度DOD;对于指数参数函数B(DOD,T,Ratio)值,放电倍率Ratio和放电深度DOD、循环温度T的F值大于F0.05,说明其对于B(DOD,T,Ratio)值具有较为显著的,同样选取影响较大的两个因素循环温度T和放电倍率Ratio。于是,上述公式(1)可以简化为:
接下来,利用试验结果数据对上述公式中的前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)两个参数进行拟合。
具体来讲,A(DOD,T,Ratio)和B(DOD,T,Ratio)是根据DOD、T、Ratio求解出的参数值,寻找一个最合适的系数使得拟合参数相差最小,找到变量间的关系。本实施可以运用Matlab和最小二乘法曲面拟合对应的系数情况,采用RMSE(Root Mean Square Error均方根误差,观测值与真值偏差的平方和与观测次数比值的平方根)和R-square(决定系数或拟合优度,越接近1表示参考价值越高)来衡量观测值同真值之间的偏差以及评估容量衰减模型的拟合度。
根据析因式分析结果,前因参数函数A(DOD,T,Ratio)的自变量可确定为循环温度T和充放深度DOD,可以利用下述公式(17)对前因参数函数A(DOD,T)进行拟合:
A(DOD,T)=a1+a2·DOD+a3·T+a4·DOD2+a5·DOD·T (17)
A(DOD,T)值和影响因素循环温度T和充放深度DOD的拟合曲线如图6所示,拟合均方根误差RMSE为9.2034,方差均根R-square为0.9946;具体的拟合参数结果如下表7所示:
表7
同理,根据析因式分析结果,指数参数函数B(DOD,T,Ratio)的自变量可确定为循环温度T和放电倍率Ratio,可以利用下述公式(18)对指数参数函数B(T,Ratio)进行拟合:
B(T,Ratio)=b1+b2·Ratio+b3·T+b4·Ratio2+b5·Ratio·T (18)
B(T,Ratio)值和影响因素循环温度T和放电倍率Ratio的拟合曲线如图7所示,拟合均方根误差RMSE为8.4853,方差均根R-square为0.9995;具体的拟合参数结果如下表8所示:
系数 | b1 | b2 | b3 | b4 | b5 |
拟合值 | 7169 | -4139 | -7.9 | 64 | 13.7 |
表8
基于此,将上述数值代入上述公式(1)或(16),可以得到电芯内阻增长率预测模型的计算公式为:
然后,将得到的模型对电池的试验数据进行拟合,并与真实的试验数据进行对比,如图8和图9所示,整体上吻合度较高,相对误差也都控制在3%以下,由于在同等条件下循环的电芯内阻增长率不可能百分百一致,所以模型拟合效果满足基本要求。
在本实施例的一种可能的实现方式中,预先构建的电芯老化寿命预测模型为电芯容量损失率预测模型,则相应的,步骤S102具体包括:利用预先构建的电芯容量损失率预测模型,预测待预测的目标电芯的容量损失率。
在本实现方式中,由于普遍认为锂离子电池的容量下降到额定容量的80%,即表明该电池的寿命终止,所以,电池功率的衰退和电池的容量下降有直接的关联,因此,可以通过对电池电芯的容量损失率进行预测,并利用预测结果来表征电池电芯的老化寿命,具体的预测公式如下:
Qloss=C(DOD,T,Ratio)·AhZ(DOD,T,Ratio) (19)
其中,Qloss为目标电芯的容量损失率,其定义为Qloss=1-Qold/Qnew,其中,Qold为循环后容量,Qnew为新电池额定容量;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;C(DOD,T,Ratio)为前因参数函数;Z(DOD,T,Ratio)为指数参数函数。
接下来,本实施例将通过具体的试验流程对电芯的容量损失率预测模型的构建过程进行介绍。
参见图10,其示出了本实施例提供的构建电芯容量损失率预测模型的流程示意图,该流程包括以下步骤:
S1001:结合实车使用工况,确定训练电芯的老化训练矩阵,其中,该矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度。
需要说明的是,步骤S1001与上述步骤S201一致,相关之处请参见步骤S201的介绍,在此不再赘述。
S1002:对训练电芯进行容量标定。
在本实施例中,为了构建电芯容量损失率预测模型,需要对训练电芯进行容量标定,即,设计静态容量测试的测试温度、放电电流、放电截止电压及静置时间等参数。
S1003:根据训练电芯的老化训练矩阵,利用训练电芯进行试验,获得试验结果数据。
在本实施例中,通过步骤S1001确定出训练电芯的老化训练矩阵,以及通过步骤S1002对训练电芯进行容量标定后,可以将电池放入对应设定好的恒温箱中,并设置相应的工步进行充放电循环,并定期对电池样件进行容量标定,直至电芯容量衰退到初值容量的80%后终止试验。
S1004:对试验结果数据进行预处理,得到模型训练数据。
需要说明的是,步骤S1004与上述步骤S204一致,相关之处请参见步骤S1004的介绍,在此不再赘述。
S1005:利用模型训练数据,训练得到电芯容量损失率预测模型。
需要说明的是,步骤S1005与上述步骤S205相类似,只是将模型计算公式由公式(1)替换为公式(19),并通过训练拟合出公式(19)中的参数C(DOD,T,Ratio)和Z(DOD,T,Ratio),具体计算方式与确定上述公式(1)中的前因参数函数A(DOD,T,Ratio)和指数参数函数B(DOD,T,Ratio)的过程类似,相关之处请参见上述实施例的介绍,在此不再赘述。
需要说明的是,实际应用中,可以采用预先构建的电芯内阻增长率预测模型和电芯容量损失率预测模型中的一种模型作为电芯老化寿命预测模型,对待预测的目标电芯的老化寿命进行预测,也可以同时利用两种模型共同对待预测的目标电芯的老化寿命进行预测,本申请实施例对此不进行限制。
这样,本实施例预先构建的电芯老化寿命预测模型考虑了环境温度、放电倍率及放电深度的影响,具有一定的普遍适应性,而且该模型中各参数物理意义明确,能够通过该模型分析各参数对内阻增长、容量衰退的影响程度。由此,利用该基于全寿命周期的电芯老化寿命预测模型可预测同类电池在一定的环境温度、放电倍率及放电深度下的循环寿命,可以为电池达到寿命终止时的更换提供理论依据和数据支持。此外,该模型的输入采用的是累计放电量Ah,其中包含了一定的循环次数和放电深度的信息,而非传统的循环次数和循环天数,因此,该模型的预测准确性更高。
进一步的,基于该预先建立的电芯老化寿命预测模型(包括电芯内阻增长率预测模型和电芯容量损失率预测模型),可以将Ah输入数据外推至容量损失率为20%或内阻增长率50%阈值进行预测,从而可以扩展电芯老化寿命预测模型的应用范围,实现循环老化寿命的外推预测。例如,对循环温度为45℃,放电深度DOD为40%,放电倍率为2C的电芯,利用上述预先建立的电芯老化寿命预测模型外推至30000Ah的输入,得到结果如图11所示,当内阻增长率为50%时,对应的Ah输入为24155。由此能够外推出电芯在该条件下的循环老化寿命。
综上,本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测方法,在获取到待检测的目标电芯后,可以利用预先构建的电芯老化寿命预测模型,预测出获取到的待预测的目标电芯的老化寿命,其中,电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件,可见,本申请实施例在对目标电芯进行老化寿命预测时,不再采用现有的结构复杂、训练数据量大并且参数物理意义不明的预测模型进行预测,而是采用预先构建的电芯老化寿命预测模型进行预测,该模型是通过电池所处的环境温度、放电倍率以及放电深度这些应力参数构建的,是从电池老化机理入手构建的预测模型,适用于锂离子电池全寿命周期的老化寿命预测,从而利能够更准确的预测出全寿命周期的电池电芯老化寿命,进而有助于锂离子电池汽车的全面推广。
上述实施例详细叙述了本申请方法的技术方案,相应地,本申请还提供了一种于全寿命周期的电芯老化寿命预测装置,下面对该装置进行介绍。
参见图12,为本实施例提供的一种于全寿命周期的电芯老化寿命预测装置的组成示意图,该装置包括:
目标电芯获取单元1201,用于获取待预测的目标电芯;
电芯寿命预测单元1202,用于利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命;其中,所述电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件。
在本实施例的一种实现方式中,所述预先构建的电芯老化寿命预测模型为电芯内阻增长率预测模型;
相应的,所述电芯寿命预测单元1202具体用于:
利用预先构建的电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率。
在本实施例的一种实现方式中,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
直流内阻标定单元,用于对所述训练电芯进行直流内阻标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第一模型获得单元,用于利用所述模型训练数据,训练得到所述电芯内阻增长率预测模型。
在本实施例的一种实现方式中,所述预先构建的电芯老化寿命预测模型为电芯容量损失率预测模型;
相应的,所述电芯寿命预测单元1202具体用于:
利用预先构建的电芯容量损失率预测模型,预测待预测的目标电芯的容量损失率。
在本实施例的一种实现方式中,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
电芯容量标定单元,用于对所述训练电芯进行容量标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第二模型获得单元,用于利用所述模型训练数据,训练得到所述电芯容量损失率预测模型。
这样,本申请实施例提供的一种基于全寿命周期的电芯老化寿命预测装置,在获取到待检测的目标电芯后,可以利用预先构建的电芯老化寿命预测模型,预测出获取到的待预测的目标电芯的老化寿命,其中,电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件,可见,本申请实施例在对目标电芯进行老化寿命预测时,不再采用现有的结构复杂、训练数据量大并且参数物理意义不明的预测模型进行预测,而是采用预先构建的电芯老化寿命预测模型进行预测,该模型是通过电池所处的环境温度、放电倍率以及放电深度这些应力参数构建的,是从电池老化机理入手构建的预测模型,适用于锂离子电池全寿命周期的老化寿命预测,从而利能够更准确的预测出全寿命周期的电池电芯老化寿命,进而有助于锂离子电池汽车的全面推广。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于全寿命周期的电芯老化寿命预测方法,其特征在于,包括:
获取待预测的目标电芯;
利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命;
其中,所述电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件;
其中,所述预先构建的电芯老化寿命预测模型包括电芯内阻增长率预测模型和电芯容量损失率预测模型;相应的,所述利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命,包括,利用预先构建的所述电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率;利用预先构建的所述电芯容量损失率预测模型,预测所述待预测的目标电芯的容量损失率;所述电芯容量损失率预测模型为Qloss=C(DOD,T,Ratio)·AhZ(DOD ,T,Ratio),其中,Qloss为目标电芯的容量损失率,定义为Qloss=1-Qold/Qnew,Qold为循环后容量,Qnew为新电池额定容量;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;C(DOD,T,Ratio)为前因参数函数;
Z(DOD,T,Ratio)为指数参数函数;所述电芯内阻增长率预测模型为
其中,Rinc为目标电芯的内阻增长率,其定义为Rinc=Rold/Rnew-1,其中,Rold为循环后内阻,Rnew为新电池内阻;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;A(DOD,T,Ratio)为前因参数函数;B(DOD,T,Ratio)为指数参数函数。
2.根据权利要求1所述的方法,其特征在于,按照下述方式构建所述电芯内阻增长率预测模型:
结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
对所述训练电芯进行直流内阻标定;
根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
对所述试验结果数据进行预处理,得到模型训练数据;
利用所述模型训练数据,训练得到所述电芯内阻增长率预测模型。
3.根据权利要求1所述的方法,其特征在于,按照下述方式构建所述电芯容量损失率预测模型:
结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
对所述训练电芯进行容量标定;
根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
对所述试验结果数据进行预处理,得到模型训练数据;
利用所述模型训练数据,训练得到所述电芯容量损失率预测模型。
4.一种基于全寿命周期的电芯老化寿命预测装置,其特征在于,包括:
目标电芯获取单元,用于获取待预测的目标电芯;
电芯寿命预测单元,用于利用预先构建的电芯老化寿命预测模型,预测待预测的目标电芯的老化寿命;其中,所述电芯老化寿命预测模型是根据电池所处的环境温度、放电倍率以及放电深度构建的半经验模型,并采用累计安时数作为输入条件;
所述预先构建的电芯老化寿命预测模型包括电芯内阻增长率预测模型和电芯容量损失率预测模型;
相应的,所述电芯寿命预测单元具体用于:
利用预先构建的所述电芯内阻增长率预测模型,预测待预测的目标电芯的内阻增长率;利用预先构建的所述电芯容量损失率预测模型,预测所述待预测的目标电芯的容量损失率;所述电芯容量损失率预测模型为Qloss=C(DOD,T,Ratio)·AhZ(DOD,T,Ratio),其中,Qloss为目标电芯的容量损失率,定义为Qloss=1-Qold/Qnew,Qold为循环后容量,Qnew为新电池额定容量;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;
C(DOD,T,Ratio)为前因参数函数;Z(DOD,T,Ratio)为指数参数函数;
所述电芯内阻增长率预测模型为其中,Rinc为目标电芯的内阻增长率,其定义为Rinc=Rold/Rnew-1,其中,Rold为循环后内阻,Rnew为新电池内阻;DOD为放电深度;T为循环温度;Ratio为放电倍率;Ah为循环累计放电量;A(DOD,T,Ratio)为前因参数函数;
B(DOD,T,Ratio)为指数参数函数。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
直流内阻标定单元,用于对所述训练电芯进行直流内阻标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第一模型获得单元,用于利用所述模型训练数据,训练得到所述电芯内阻增长率预测模型。
6.根据权利要求4所述的装置,其特征在于,所述装置还包括:
训练矩阵确定单元,用于结合实车使用工况,确定训练电芯的老化训练矩阵,所述矩阵包括训练电芯的放电温度、放电倍率以及所处环境温度;
电芯容量标定单元,用于对所述训练电芯进行容量标定;
试验数据获得单元,用于根据所述训练电芯的老化训练矩阵,利用所述训练电芯进行试验,获得试验结果数据;
训练数据获得单元,用于对所述试验结果数据进行预处理,得到模型训练数据;
第二模型获得单元,用于利用所述模型训练数据,训练得到所述电芯容量损失率预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464412.3A CN112014735B (zh) | 2019-05-30 | 2019-05-30 | 一种基于全寿命周期的电芯老化寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464412.3A CN112014735B (zh) | 2019-05-30 | 2019-05-30 | 一种基于全寿命周期的电芯老化寿命预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112014735A CN112014735A (zh) | 2020-12-01 |
CN112014735B true CN112014735B (zh) | 2023-09-22 |
Family
ID=73500493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464412.3A Active CN112014735B (zh) | 2019-05-30 | 2019-05-30 | 一种基于全寿命周期的电芯老化寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112014735B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112706652A (zh) * | 2020-12-31 | 2021-04-27 | 蜂巢能源科技有限公司 | 电动车v2g模式放电量确定方法、装置及存储装置 |
CN112798960B (zh) * | 2021-01-14 | 2022-06-24 | 重庆大学 | 一种基于迁移深度学习的电池组剩余寿命预测方法 |
CN113655314B (zh) * | 2021-08-12 | 2022-07-26 | 华南理工大学 | 一种超级电容循环寿命预测方法、系统、装置及介质 |
CN114295998A (zh) * | 2021-12-28 | 2022-04-08 | 东软睿驰汽车技术(沈阳)有限公司 | 动力电池寿命的预测方法、装置、设备及存储介质 |
WO2024055201A1 (zh) * | 2022-09-14 | 2024-03-21 | 宁德时代新能源科技股份有限公司 | 日历寿命预测方法、装置、设备、存储介质和程序产品 |
CN115792642B (zh) * | 2023-02-02 | 2023-04-28 | 中创新航科技股份有限公司 | 一种动力电池寿命的估算方法及装置 |
CN116705210A (zh) * | 2023-08-03 | 2023-09-05 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
CN117233630B (zh) * | 2023-11-16 | 2024-03-15 | 深圳屹艮科技有限公司 | 锂离子电池的使用寿命预测方法、装置和计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000228227A (ja) * | 1999-02-04 | 2000-08-15 | Toyota Motor Corp | 電池容量予測装置 |
US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
CN107367694A (zh) * | 2017-07-31 | 2017-11-21 | 重庆金山医疗器械有限公司 | 一种锂电池使用寿命的评估方法和系统 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
CN109061478A (zh) * | 2018-06-14 | 2018-12-21 | 深圳市比克动力电池有限公司 | 一种利用eis测试进行锂离子电池寿命定性预测的方法 |
-
2019
- 2019-05-30 CN CN201910464412.3A patent/CN112014735B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000228227A (ja) * | 1999-02-04 | 2000-08-15 | Toyota Motor Corp | 電池容量予測装置 |
US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
CN103698710A (zh) * | 2013-12-12 | 2014-04-02 | 中南大学 | 一种电池寿命周期预测方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN106526486A (zh) * | 2016-08-30 | 2017-03-22 | 郑州轻工业学院 | 一种锂电池健康寿命模型构建方法 |
CN107367694A (zh) * | 2017-07-31 | 2017-11-21 | 重庆金山医疗器械有限公司 | 一种锂电池使用寿命的评估方法和系统 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
CN109061478A (zh) * | 2018-06-14 | 2018-12-21 | 深圳市比克动力电池有限公司 | 一种利用eis测试进行锂离子电池寿命定性预测的方法 |
Non-Patent Citations (4)
Title |
---|
Cycle-life model for graphite-LiFePO4 cells;John Wang;JOURNAL OF POWER SOURCES;3942-3948 * |
LiFePO4动力电池组放电末端SOC估计研究;董波;CNKI优秀硕士论文全文库;第23-32页 * |
低温运行状态下插电式混合动力客车能量管理策略研究;王天泽;《CNKI优秀硕士学位论文全文库》;20190815;25 * |
动力电池寿命研究及其在增程式电动车控制中的应用;张冬冬;CNKI优秀硕士论文全文库;第23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112014735A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112014735B (zh) | 一种基于全寿命周期的电芯老化寿命预测方法及装置 | |
Su et al. | Path dependence of lithium ion cells aging under storage conditions | |
CN110386029B (zh) | 一种根据动态电压修正锂电池soc方法 | |
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
CN110703121A (zh) | 一种锂离子电池健康状态预测方法 | |
CN106585422B (zh) | 一种动力电池soh估算方法 | |
CN108761341A (zh) | 一种锂离子电池电化学模型参数获取方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
JP2023523370A (ja) | リチウムメッキを検出するための方法及び装置、並びに分極比率を取得するための方法及び装置 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN106772099A (zh) | 一种动力锂电池劣化程度估算方法 | |
CN109782190A (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
CN111766530B (zh) | 锂离子蓄电池单体寿命检测方法 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN114114051B (zh) | 一种电池老化值的确定方法、装置及电子设备 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN112051509A (zh) | 锂离子二次电池的电池状态判定方法 | |
CN113281656B (zh) | 电池健康度的确定方法和装置 | |
CN114636936A (zh) | 一种铅酸电池充电阶段soc预测曲线的修正方法及装置 | |
CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
CN112782603B (zh) | 一种基于区间截尾数据的锂离子电池循环寿命分布拟合方法 | |
CN110133534B (zh) | 蓄电池老化趋势的评估方法 |
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 |