CN112327193A - 一种锂电池容量跳水预警方法 - Google Patents
一种锂电池容量跳水预警方法 Download PDFInfo
- Publication number
- CN112327193A CN112327193A CN202011134253.XA CN202011134253A CN112327193A CN 112327193 A CN112327193 A CN 112327193A CN 202011134253 A CN202011134253 A CN 202011134253A CN 112327193 A CN112327193 A CN 112327193A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- diving
- included angle
- characteristic included
- degradation curve
- 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]
- G01R31/392—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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池容量跳水预警方法,包括:获取经过数据预处理的锂电池充放电循环的包括起始点Q1和终止点Q2的锂电池退化曲线;根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角;将锂电池退化曲线特征夹角与特征夹角报警阈值和特征夹角跳水阈值进行比较;根据比较结果确定是否发生锂电池容量跳水;在确定已经发生锂电池容量跳水时,触发锂电池容量跳水报警。
Description
技术领域
本发明涉及一种锂电池技术领域,特别涉及一种锂电池容量跳水预警方法。
背景技术
锂离子电池目前是广泛应用于军事电子产品、航空电子器件、电动汽车以及各种便携式电子装置(例如笔记本电脑、数码相机、平板电脑、手机等)的主要储能器件,由于其质量轻、放电率低及寿命长的特点,锂离子电池已基本取代了镍镉电池、镍氢电池。与此同时,由于目前对于气候环境变化的关注和新能源开发的迫切性,锂离子电动汽车得到了快速发展,众多汽车厂商和研究机构都致力于开发能够代替传统石油的新能源汽车,例如德国大众、美国特斯拉、中国比亚迪等汽车公司纷纷投入大量资金和人力资源开发纯动力、混合动力等新能源汽车的车载锂离子电池。因此,锂离子电池的性能是其整体电子系统可靠性的关键因素,其失效可能会造成系统故障甚至是致命灾难。
锂离子的寿命退化客观的存在于其整个生命周期,其寿命问题主要指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘结强度、隔膜的质量等在循环充放电过程中的逐渐劣化。锂离子电池的容量是指示电池性能退化的重要指标,随着电池的使用不断降低,当电池容量低于某一阈值后,电池无法继续稳定提供储能功能,即认为发生失效。不同设计配方、设计因素下的电池型号寿命不同,因此电池设计生产厂商在电池设计定性或批量生产之前需要对不同配方、不同批次的电池进行加速寿命试验,对试验结果使用统计方法进行分析,得到该配方或批次下电池样本总体的寿命信息。通常,电池的测试在加速应力条件下开展,在特殊的测试台中进行循环充放电试验,激发电池性能的不断退化,反映在电池容量上,体现为容量保持率随着充放电循环数的增加而不断衰减。
根据现有文献研究表明,在加速应力条件下,锂离子电池容量保持率的衰退趋势总体满足平方根规律。即可以认为,电池若在试验条件下以正常的趋势发生退化,容量保持率随循环数变化的曲线理论上来讲呈现平方根函数的关系。但是在实际测试过程中,部分电池样本的容量保持率曲线形态会呈现在一段时间内平稳退化,当超过某个临界点之后衰退速率迅速增大的特点。当锂离子电池容量保持率出现这种突然加速率退化的情况时,即认为电池容量发生了跳水现象,退化速率发生突然变化的临界点即为跳水点。出现跳水现象的电池样本,在测试过程中需要引起试验人员的重点关注。具体原因有如下两点。
第一,跳水往往与电池设计因素、生产批次等密切相关,分析测试数据中跳水样本的电池可以为电池的优化设计、优化生产提供反馈指导信息。例如,如果发现在某一设计配方下的大部分电池都会出现跳水现象,则可以很大的概率说明这种设计配方中存在缺陷,应该予以针对性改进。因此,电池设计生产商的测试部门需要对试验结束的电池样本数据进行逐一分析,对电池容量保持率衰退曲线是否出现跳水现象进行识别和标注,将总体中那些发生跳水的电池样本区分开来。
第二,跳水电池样本的测试数据对总体寿命分析产生影响。除了设计因素之外,试验条件也会激发锂离子电池的容量跳水现象。现有研究表明,低温度、高充放电倍率、过高或过低SOC状态都可能诱发锂离子电池电极的析锂现象,在容量保持率上体现为跳水。因此,若电池样本在试验过程中发生了跳水现象,跳水点之后的循环容量数据对电池加速寿命试验数据分析作用不大,因为两段退化过程趋势已经不一致,无法用平方根物理模型或阿伦尼乌斯公式等加速模型进行数据分析。因此,希望在跳水点即将出现时或出现后短时间内发出预警,终止试验,节省试验成本。
然而,考虑上述两点,现有测试流程中针对跳水样本或跳水点的分析处理方法尚不完善。
针对跳水样本曲线的识别与标注,现有方法大多依赖人工判断,即将数据曲线可视化之后,肉眼判别电池在试验过程中容量是否发生跳水。这种人工判别的方式存在两个弊端。弊端之一,是人工识别标注方法受主观因素影响较大,不同的标注人员、判别尺度甚至可视化方法都会影响到标注结果,为跳水样本的识别与分类带来干扰。弊端之二,是依赖人工的标注方法需要大量的人力成本和时间成本,且无法批量化操作,影响样本标注效率。
针对跳水点的预警,现在并无成熟方法投入使用。在试验过程中,由于没有实时监测机制,当跳水点出现之后,试验还是会继续进行,直到电池容量保持率到达预定失效阈值,才终止试验。电池充放电循环试验成本较高,且耗时较长,因此无法在跳水点即将出现或出现不久后及时终止试验,带来了较大的试验成本浪费,包括经济成本和时间成本。
发明内容
为了解决上述技术问题,本发明提出了一种锂电池容量跳水预警方法。
本发明的一种锂电池容量跳水预警方法包括:
获取经过数据预处理的锂电池充放电循环的包括起始点Q1和终止点Q2的锂电池退化曲线;
根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角;
将锂电池退化曲线特征夹角与特征夹角报警阈值和特征夹角跳水阈值进行比较;
根据比较结果确定是否发生锂电池容量跳水;
在确定已经发生锂电池容量跳水时,触发锂电池容量跳水报警。
优选地,根据比较结果确定是否发生锂电池容量跳水包括:
当比较结果为锂电池退化曲线特征夹角大于特征夹角跳水阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水;
当比较结果为锂电池退化曲线特征夹角小于特征夹角跳水阈值且大于特征夹角报警阈值时,继续进行锂电池充放电循环,并在连续三次充放电循环的锂电池退化曲线特征夹角均大于特征夹角报警阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水。
优选地,根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角包括:
连接锂电池退化曲线起始点Q1和终止点Q2,作割线;
将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;
连接Q1、Q2、D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D 确锂电池退化曲线特征夹角α。
优选地根据历史数据和专家知识确定所述特征夹角跳水阈值,具体包括:
从历史数据中选取m个被人工标注为发生跳水和未发生跳水的锂电池退化曲线特征夹角α1,α2...αm为样本;
将能够使所述样本中满足人工标注为发生跳水和未发生跳水的预测阈值确定为所述特征夹角跳水阈值。
优选地,所确定的特征夹角跳水阈值小于所述样本中被人工标注为发生跳水的锂电池退化曲线特征夹角,并大于等于所述样本中被人工标注为未发生跳水的锂电池退化曲线特征夹角。
优选地,所述特征夹角报警阈值小于所述特征夹角跳水阈值。
优选地,所述数据预处理是对原始锂电池退化曲线进行的平滑去噪预处理。
优选地,所述平滑去噪预处理是局部加权散点回归平滑LOWESS处理。
优选地,所述局部加权散点回归平滑处理包括:
以原始锂电池退化曲线的一个点x1为中心,确定一个区间长度为f的数据,该长度取决于q=fn,其中q是参加局部回归的观察值的个数,f是参加局部回归的观察值的个数占观察值个数的比例,n表示观察值的个数;
赋予所确定的区间内的所有点的权重;
对于所述区间内数据用权值函数做一个加权的线性回归,得到点x1处的平滑值(x1,y1),其中y1为拟合后曲线的对应值;
对原始锂电池退化曲线中的其他点重复上述处理,最终将得到一组平滑点 (xi,yi),将这些平滑点用短直线连接起来,就得到LOWESS曲线。
本发明的积极与有益效果在于:1)提出了一种通过容量退化曲线形态计算的特征夹角,可以有效对电池退化中的容量跳水现象进行有效表征,且计算结果更加稳定;2)所提出的方法能够根据人工标注跳水的结果,自适应地生成用于区分样本是否跳水的特征夹角阈值;3)所提出的特征夹角及生成的阈值,能够开展电池充放电循环后的跳水样本识别,从而为批次试验鉴定提供辅助信息;4) 所提出的特征夹角实时计算,能够在电池充放电循环过程中对跳水现象进行实时的监测和预警,从而能够在跳水发生之后及时采取相应措施。
附图说明
图1是本发明的一种锂电池容量跳水预警方法的示意图;
图2是本发明的锂电池容量保持率退化曲线特征夹角定义示意图;
图3是本发明的跳水样本识别与标注流程图;
图4是本发明的跳水风险实时预警流程图;
图5是本发明的四个电池样本的原始退化曲线;
图6是本发明的数据平滑降噪预处理结果图;
图7是本发明的跳水识别和标注结果图;
图8是本发明的基于特征夹角趋势的跳水风险实时预警结果图。
具体实施方式
图1显示了本发明的一种锂电池容量跳水预警方法,包括:获取经过数据预处理的锂电池充放电循环的包括起始点Q1和终止点Q2的锂电池退化曲线;根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角;将锂电池退化曲线特征夹角与特征夹角报警阈值和特征夹角跳水阈值进行比较;根据比较结果确定是否发生锂电池容量跳水;在确定已经发生锂电池容量跳水时,触发锂电池容量跳水报警。
本发明的根据比较结果确定是否发生锂电池容量跳水包括:当比较结果为锂电池退化曲线特征夹角大于特征夹角跳水阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水;当比较结果为锂电池退化曲线特征夹角小于特征夹角跳水阈值且大于特征夹角报警阈值时,继续进行锂电池充放电循环,并在连续三次充放电循环的锂电池退化曲线特征夹角均大于特征夹角报警阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水。
本发明的根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角包括:连接锂电池退化曲线起始点Q1和终止点Q2,作割线;将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;连接Q1、 Q2、D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D确锂电池退化曲线特征夹角α。
本发明的根据历史数据和专家知识确定所述特征夹角跳水阈值,具体包括:从历史数据中选取m个被人工标注为发生跳水和未发生跳水的锂电池退化曲线特征夹角α1,α2,...αm为样本;将能够使所述样本中满足人工标注为发生跳水和未发生跳水的预测阈值确定为所述特征夹角跳水阈值。
本发明的特征夹角跳水阈值小于所述样本中被人工标注为发生跳水的锂电池退化曲线特征夹角,并大于等于所述样本中被人工标注为未发生跳水的锂电池退化曲线特征夹角。
本发明的特征夹角报警阈值小于所述特征夹角跳水阈值。
本发明的数据预处理是对原始锂电池退化曲线进行的平滑去噪预处理。
本发明的平滑去噪预处理是局部加权散点回归平滑LOWESS处理。
本发明的局部加权散点回归平滑处理包括:
以原始锂电池退化曲线的一个点x1为中心,确定一个区间长度为f的数据,该长度取决于q=fn,其中q是参加局部回归的观察值的个数,f是参加局部回归的观察值的个数占观察值个数的比例,n表示观察值的个数;
赋予所确定的区间内的所有点的权重;
对于所述区间内数据用权值函数做一个加权的线性回归,得到点x1处的平滑值(x1,y1),其中y1为拟合后曲线的对应值;
对原始锂电池退化曲线中的其他点重复上述处理,最终将得到一组平滑点 (xi,yi),将这些平滑点用短直线连接起来,就得到LOWESS曲线。
下面结合图2-图8对上述方法进行详细说明。
步骤1:锂电池容量跳水识别
步骤1.1:数据预处理
实际情况中,锂离子电池容量退化数据中包含大量噪声。这些噪声在退化曲线体现出局部波动的特性,但对于长期退化趋势并不构成显著影响。因此,为保证数据处理的鲁棒性,需要对容量退化数据进行平滑去噪预处理。本发明中采用局部加权散点回归平滑(LOWESS)方法对容量退化数据进行处理,将退化过程的局部波动去除的同时保留长期趋势。具体实施方式如下:
1.以一个点x1为中心,确定一个区间长度为f的数据,该长度取决于q=fn,其中q是参加局部回归的观察值的个数,f是参加局部回归的观察值的个数占观察值个数的比例,n表示观察值的个数。一般情况f的取值在1/3-2/3之间,q和 f无明确的准则。曲线的光滑程度与选取数据比例有关:比例越少,拟合越不光滑(因为过于看重局部性质),反之越光滑。
2.定义区间内的所有点的权重。权重由权值函数来确定。任一点(x1,y1)的权重是x1处权值函数曲线的高度。权值函数具有以下三方面特性:(1)点(x1,y1)具有最大权重;(2)当x离x1越远,权重逐渐减小;(3)加权函数以x1为中心对称。即对附近的点赋予更高的权重。
3.对于该段数据用权值函数w做一个加权的线性回归,得到x1处的平滑值 (x1,y1),其中y1为拟合后曲线的对应值。
上述步骤对每个点都进行一遍,最终将得到一组平滑点(xi,yi)。将这些平滑点用短直线连接起来,就得到LOWESS曲线。
以上LOWESS拟合为局部直线拟合。在实际中还可进行局部曲线拟合(一般为二次曲线)。要看具体数据而定,一般数据变化比较平缓,常选用局部直线拟合;数据变化剧烈,则选用局部曲线拟合。
步骤1.2:特征夹角计算
1)特征夹角的定义
特征夹角是反映退化曲线弯折程度的一个角度值,几何定义如图2所示。首先选定计算特征夹角的退化曲线段起始点Q1和终止点Q2,连接Q1和Q2,作割线;将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,可以看出,最大距离lmax处对应的点,即为发生跳水的样本电池容量保持率发生跳水的位置,定义为疑似跳水点D (对于能确定发生跳水的样本,即为跳水点。下文的定义针对确定发生跳水的样本展开)。连接Q1、Q2、D三点组成三角形,线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D定义为该段容量保持率退化曲线定义的特征夹角α。
从几何意义上来讲,割线反映的是电池在选定段退化过程中的总体走势;最大距离点到终止点的连线反映的是电池退化速率发生突变之后的退化总体走势。则二者之间的夹角则可以反映在退化全过程中退化规律变化的程度。容量跳水越严重的样本或数据段,特征夹角越大。因此,本发明提出的特征夹角可以作为锂电池容量保持率跳水的重要指示因子。
2)特征夹角的计算方法
设起始点Q1在平面直角坐标系中坐标为(x1,y1),终止点坐标为(x2,y2),跳水样本跳水点为(xD,yD)。根据余弦定理可以用解三角形的方法求出特征夹角的余弦值
其中
分别代表三角形三条边的长度。根据特征夹角的余弦值,可以反算出特征夹角的弧度值。
3)基于全部测试数据的特征夹角计算方法
当电池充放电循环试验全部结束后,需要对所有样本的容量退化曲线进行跳水识别标注。因此,需要使用全寿命测试数据进行特征夹角的计算。
在实际应用过程中,由于电池本身制造因素和外界测试不稳定因素,在测试开始的若干循环,电池特性未完全稳定,这一段数据的退化规律可能对跳水识别与标注造成干扰。因此首先需要对初始段数据进行剔除。设样本容量保持率退化序列为S={(x1,y1),(x2,y2),…,(xn,yn)},初始k个点为不稳定状态,则剔除初始段之后的序列为S′={(xk+1,yk+1),(xk+2,yk+2),…,(xn,yn)}。选定初始点 Q1=(xk+1,yk+1),终止点Q2=(xn,yn),则根据Q1、Q2两点确定的割线方程为
用真实退化曲线上每一个充放电循环处的真实容量保持率值与割线上对对应的容量保持率作差,差值最大的循环处即为样本的疑似跳水点
得到初始点、终止点和疑似跳水点坐标之后,根据上文的公式可以计算出全寿曲线的特征夹角值α。
步骤1.3:定量阈值设定
定量阈值依赖人工标注的结果,因此,首先在全部待标注样本中,随机抽样一部分样本作为训练集T={(α1,L1),(α2,L2),…,(αm,Lm)},其中αi为第i个训练样本的特征夹角,Li为第i个样本的跳水标签,若第i个样本人工判定发生跳水,则Li=1,反之Li=0;m为训练集样本数量。
当阈值为β时,第i个训练样本的预测标签
则根据训练集数据确定的跳水阈值为
即,确定的阈值需要使训练集中样本分类错误数量最少。若阈值在某个区间内均可满足上述公式条件,则阈值取区间的中点。
这种定量阈值设定方法,实质就是遍历搜索所有的β值,然后选择使跳水结果分类错误数最少的β,作为设定的跳水阈值;也就是说,从历史数据中选取m 个被人工标注为发生跳水和未发生跳水的锂电池退化曲线特征夹角α1,α2...αm为样本;将能够使所述样本中满足人工标注为发生跳水的值确定为所述特征夹角跳水阈值。
例如,共有4个样本,特征夹角分别为[1,2,3,4],人工标注是(1)否(0) 跳水结果为[0,0,1,1],则从0开始逐渐向上遍历不同的β值。当β值为1.5时,预测标签为[0,1,1,1],错误数为1;当β值在2-3之间时,预测标签均为[0,0,1,1],错误数最少,因此定量阈值可选择2-3之间任意值。
步骤1.4:跳水样本的识别与标注
图3显示了跳水样本识别与标注过程。根据上文中阈值确定的方法,确定跳水阈值为使用待标注样本j的容量保持率退化数据序列,根据上文中的特征夹角计算方法,计算出基于全部测试数据的特征夹角αj。若则判定该样本在测试过程中未发生跳水,标注Lj=0;反之若则判定该样本在测试过程中容量保持率发生了跳水,标注Lj=1。
步骤2:样本跳水风险实时预警
随着充放电循环试验的不断进行,锂电池退化规律不断发生变化,可能逐渐表现出跳水趋势。因此,对于跳水样本,特征夹角的值会随着充放电循环数的增加而不断增大,直到到达阈值,可以被判定为已经发生跳水。而正常电池(即在测试全过程中不发生跳水的电池)特征夹角随着循环数的增加,理论上始终保持在0值附近上下波动。通过实时计算退化曲线特征夹角,并建立预警阈值,可以实现对锂电池容量跳水的实时预警。
步骤2.1:特征夹角动态实时计算
锂电池在充放电循环试验的前期由于自身及环境原因,性质较不稳定,初始段退化数据会干扰特征夹角的计算和跳水预警效果。因此,需要跳过初始的若干循环的数据,延迟启动特征夹角计算。假设前k个循环,电池由于性质不稳定导致数据情况不良,需要加以剔除;而计算特征夹角至少需要三个数据点,因此从 k+3个循环处启动特征夹角实时计算。
固定起始点为Q1=(xk+1,yk+1),动态更新终止点Q2,使之始终为现有所有测试数据点的最后一个。确定疑似跳水点及计算实时特征夹角的方法与4.3.1节相同。当充放电循环试验进行到第c个循环(c≥k+3)时,终止点为Q2=(xc,yc),计算得到的特征夹角值为αc。当试验进行至c+1个循环处时,若实时预警进程未终止,则重新启动特征夹角计算,起始点不变,将终止点移动至Q2′=(xc+1,yc+1),计算得到新的特征夹角αc+1。上述过程即为特征夹角动态实时计算方法。
步骤2.2:特征夹角报警阈值设定
在跳水实时预警进程中,特征夹角的报警阈值需要结合上文中固定判别阈值与专家知识共同确定。假设用于跳水样本识别判定的阈值为β,即意为当某段容量保持率退化曲线特征夹角超过β时,便可以判断该段退化曲线已经发生了跳水。而实时预警过程中,需要在跳水迹象开始表露或尚不明显时提前发出警报,因此跳水实时预警进程中特征夹角的阈值要略小于跳水样本识别判定的阈值。设报警阈值为β-,则根据上述讨论可知,β-=β-e,其中e>0为报警阈值相较于判定阈值的减小量,可以根据历史数据及专家知识确定得到。
步骤2.3:跳水风险实时预警
图4显示了跳水风险实时预警流程。如图4所示,电池的试验过程每增加一个充放电循环,就会有一个更新的特征夹角实时计算值。设循环c处的特征夹角值为αc,根据4.3节中方法确定的用于跳水识别判定的固定阈值为β,根据4.4.2 中方法确定的特征夹角报警阈值为β-。则跳水实时预警进程中发出报警的条件可按如下方式表述:
若在循环c0处,实时计算得到的特征夹角值超过了判别固定阈值,即则直接触发跳水报警,停止充放电循环试验。若在循环c0处,实时计算得到的特征夹角未超过报警阈值,即则继续进行试验,计算下一个循环的特征夹角值。若在循环c0处,实时计算得到的特征夹角值超过了报警阈值但未超过判定阈值,则继续进行充放电循环试验并计算特征夹角值;若连续r个循环的特征夹角值均超过了报警阈值β-,则触发跳水报警,停止充放电循环试验。其中,r 是根据专家知识和历史经验确定的参数。
具体实施例
本发明采用宁德时代新能源科技股份有限公司的试验数据验证所提出的锂离子电池寿命预测方法的可行性和有效性(注:试验中所用电池是一种专门用于产品设计阶段的软包电池,与公司真实产品中使用的电池有所不同)。
选取25℃试验条件下的锂电池样本进行分析验证,本方法以四个样本开展案例分析,其中包括跳水样本两个,正常样本两个。四个样本的编号标记如下:
正常样本:N1、N2
跳水样本:D1、D2
四个电池样本的原始退化曲线如图5所示:
步骤1:锂电池容量跳水识别
步骤1.1:数据预处理
基于特征夹角的跳水识别与标注、基于特征夹角趋势的跳水预警方法都需要对电池容量退化曲线进行平滑降噪处理,保留容量退化总体趋势,去除局部噪声、自恢复效应等干扰。使用LOWESS方法对容量退化曲线进行平滑,其中平滑尺度参数统一设置为0.4。
经过平滑降噪处理之后的容量退化曲线结果如图6所示。
对于四个选定的样本容量退化曲线进行平滑降噪预处理之后,按照上文中介绍的基于全部测试数据的特征夹角计算方法,计算充放电循环试验全过程的电池退化曲线特征夹角值。
电池序号 | 特征夹角值 |
N1 | 0.02899 |
N2 | 0.01315 |
D1 | 0.24124 |
D2 | 0.13198 |
步骤1.3:定量阈值设定
在本发明中,考虑历史数据情况及专家知识,将锂电池容量跳水的特征夹角阈值设定为0.05。
步骤1.4:跳水样本的识别与标注
对案例中四个电池样本进行跳水识别和标注结果如图7所示。
在图7的左图中,虚线表示的退化曲线是人工判定正常的容量退化曲线,短横线表示的的是人工判定发生跳水的容量退化曲线;右图为每个电池样本对应的特征夹角值。可以看出,通过特征夹角与阈值的比较,超过阈值的电池样本容量发生明显跳水;而在阈值之下的样本则未发生跳水现象。结果说明,基于静态特征夹角计算与阈值比较的方法能够有效地完成跳水样本的定量自动识别与标注。步骤2:样本跳水风险实时预警
步骤2.1:特征夹角动态实时计算
在本案例部分,用样本电池的全部测试数据,模拟电池充放电循环试验的动态推进过程。具体方法为,充放电循环数每增加1,在该样本电池容量退化曲线序列中增补该循环对应的样本电池真实容量保持率数据,然后使用上文中提出的方法进行动态特征夹角计算,形成随着充放电循环数增加的特征夹角变化序列。
步骤2.2:特征夹角报警阈值设定
在本发明中,考虑历史数据情况及专家知识,将跳水报警的特征夹角阈值设定为0.05。当特征夹角超过阈值后,即发出跳水预警,建议终止试验。此外,特征夹角的实时值也可以作为参考依据,对试验人员的试验过程推进起到指导作用。
步骤2.3:跳水风险实时预警
基于特征夹角趋势的跳水风险实时预警结果如图8所示。
在图8中,细曲线为样本电池实际容量退化曲线,粗变曲线为随着充放电循环数增加,样本电池的特征夹角变化趋势曲线。黑色虚线为设定的报警阈值,当特征夹角超过阈值时,即发出跳水报警,建议终止试验。从结果中可以看出,基于特征夹角变化趋势的跳水实时风险预警方法可以有效且稳定地从容量退化曲线形态上对电池容量跳水进行及时发现和预警,从而起到提前终止试验,节省试验成本、提高试验安全性等目的。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (9)
1.一种锂电池容量跳水预警方法,其特征在于,包括:
获取经过数据预处理的锂电池充放电循环的包括起始点Q1和终止点Q2的锂电池退化曲线;
根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角;
将锂电池退化曲线特征夹角与特征夹角报警阈值和特征夹角跳水阈值进行比较;
根据比较结果确定是否发生锂电池容量跳水;
在确定已经发生锂电池容量跳水时,触发锂电池容量跳水报警。
2.根据权利要求1所述的锂电池容量跳水预警方法,其特征在于,根据比较结果确定是否发生锂电池容量跳水包括:
当比较结果为锂电池退化曲线特征夹角大于特征夹角跳水阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水;
当比较结果为锂电池退化曲线特征夹角小于特征夹角跳水阈值且大于特征夹角报警阈值时,继续进行锂电池充放电循环,并在连续三次充放电循环的锂电池退化曲线特征夹角均大于特征夹角报警阈值时,确定锂电池容量跳水,反之,则确定未发生锂电池容量跳水。
3.根据权利要求1或2所述的锂电池容量跳水预警方法,其特征在于,根据锂电池退化曲线的弯曲程度,确定锂电池退化曲线特征夹角包括:
连接锂电池退化曲线起始点Q1和终止点Q2,作割线;
将每个充放电循环处的真实容量保持率值与割线上的对应循环处容量保持率值作差,计算退化曲线与割线上每点的距离,将最大距离lmax处对应的点定义为疑似跳水点D;
连接Q1、Q2、D三点组成三角形,将线段Q1Q2与线段DQ2所夹锐角∠Q1Q2D确锂电池退化曲线特征夹角α。
4.根据权利要求3所述的锂电池容量跳水预警方法,其特征在于,根据历史数据和专家知识确定所述特征夹角跳水阈值,具体包括:
从历史数据中选取m个被人工标注为发生跳水和未发生跳水的锂电池退化曲线特征夹角α1,α2...αm为样本;
将能够使所述样本中满足人工标注为发生跳水和未发生跳水的预测阈值确定为所述特征夹角跳水阈值。
5.根据权利要求4所述的锂电池容量跳水预警方法,其特征在于,所确定的特征夹角跳水阈值小于所述样本中被人工标注为发生跳水的锂电池退化曲线特征夹角,并大于等于所述样本中被人工标注为未发生跳水的锂电池退化曲线特征夹角。
6.根据权利要求6所述的锂电池容量跳水预警方法,其特征在于,所述特征夹角报警阈值小于所述特征夹角跳水阈值。
7.根据权利要求1所述的锂电池容量跳水预警方法,其特征在于,所述数据预处理是对原始锂电池退化曲线进行的平滑去噪预处理。
8.根据权利要求7所述的锂电池容量跳水预警方法,其特征在于,所述平滑去噪预处理是局部加权散点回归平滑LOWESS处理。
9.根据权利要求9所述的锂电池容量跳水预警方法,其特征在于,所述局部加权散点回归平滑处理包括:
以原始锂电池退化曲线的一个点x1为中心,确定一个区间长度为f的数据,该长度取决于q=fn,其中q是参加局部回归的观察值的个数,f是参加局部回归的观察值的个数占观察值个数的比例,n表示观察值的个数;
赋予所确定的区间内的所有点的权重;
对于所述区间内数据用权值函数做一个加权的线性回归,得到点x1处的平滑值(x1,y1),其中y1为拟合后曲线的对应值;
对原始锂电池退化曲线中的其他点重复上述处理,最终将得到一组平滑点(xi,yi),将这些平滑点用短直线连接起来,就得到LOWESS曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134253.XA CN112327193B (zh) | 2020-10-21 | 2020-10-21 | 一种锂电池容量跳水预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134253.XA CN112327193B (zh) | 2020-10-21 | 2020-10-21 | 一种锂电池容量跳水预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327193A true CN112327193A (zh) | 2021-02-05 |
CN112327193B CN112327193B (zh) | 2021-09-24 |
Family
ID=74310590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011134253.XA Active CN112327193B (zh) | 2020-10-21 | 2020-10-21 | 一种锂电池容量跳水预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327193B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030758A (zh) * | 2021-03-17 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 |
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN113777495A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于特征面积的锂电池容量跳水在线多级预警方法及系统 |
CN114089204A (zh) * | 2021-11-30 | 2022-02-25 | 蜂巢能源科技(无锡)有限公司 | 一种电池容量跳水拐点预测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439666A (zh) * | 2013-09-02 | 2013-12-11 | 北京航空航天大学 | 一种锂离子电池容量衰退评估的几何方法 |
CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
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 |
CN109239616A (zh) * | 2018-11-26 | 2019-01-18 | 重庆长安汽车股份有限公司 | 电池寿命衰减评估方法、装置及计算机可读存储介质 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109946612A (zh) * | 2019-04-01 | 2019-06-28 | 北京交通大学 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN111175653A (zh) * | 2020-01-06 | 2020-05-19 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种用于辨识预判三元电池容量“跳水”故障的方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
-
2020
- 2020-10-21 CN CN202011134253.XA patent/CN112327193B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439666A (zh) * | 2013-09-02 | 2013-12-11 | 北京航空航天大学 | 一种锂离子电池容量衰退评估的几何方法 |
CN106295003A (zh) * | 2016-08-11 | 2017-01-04 | 北京航空航天大学 | 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法 |
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 |
CN109596983A (zh) * | 2018-11-19 | 2019-04-09 | 清华大学 | 一种电池老化过程中容量跳水的预测方法 |
CN109239616A (zh) * | 2018-11-26 | 2019-01-18 | 重庆长安汽车股份有限公司 | 电池寿命衰减评估方法、装置及计算机可读存储介质 |
CN109946612A (zh) * | 2019-04-01 | 2019-06-28 | 北京交通大学 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN111175653A (zh) * | 2020-01-06 | 2020-05-19 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种用于辨识预判三元电池容量“跳水”故障的方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
LEE GORDON等: "Tadiran HLCs Extend Battery Life for Oceanographic Deployments", 《OCEANS 2016 MTS/IEEE MONTEREY》 * |
TOBIAS C. BACHA,ET.: "Nonlinear aging of cylindrical lithium-ion cells linked to heterogeneous compression", 《JOURNAL OF ENERGY STORAGE》 * |
包塔拉等: "基于几何特征与流形距离的锂电池健康评估", 《山东大学学报》 * |
赵美红等: "基于非线性模型的动力电池容量损耗的预测", 《可再生能源》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030758A (zh) * | 2021-03-17 | 2021-06-25 | 重庆长安新能源汽车科技有限公司 | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 |
CN113030758B (zh) * | 2021-03-17 | 2022-05-06 | 重庆长安新能源汽车科技有限公司 | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 |
CN113655398A (zh) * | 2021-08-11 | 2021-11-16 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113655398B (zh) * | 2021-08-11 | 2024-04-05 | 远景动力技术(江苏)有限公司 | 预估锂电池循环跳水的方法 |
CN113777494A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于几何特征融合决策的锂电池容量跳水转折点识别方法 |
CN113777495A (zh) * | 2021-08-25 | 2021-12-10 | 同济大学 | 基于特征面积的锂电池容量跳水在线多级预警方法及系统 |
CN114089204A (zh) * | 2021-11-30 | 2022-02-25 | 蜂巢能源科技(无锡)有限公司 | 一种电池容量跳水拐点预测方法及装置 |
CN114089204B (zh) * | 2021-11-30 | 2023-11-21 | 蜂巢能源科技(无锡)有限公司 | 一种电池容量跳水拐点预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112327193B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327193B (zh) | 一种锂电池容量跳水预警方法 | |
CN112327194B (zh) | 一种锂电池容量跳水识别方法及装置 | |
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
CN112731159A (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN112327192B (zh) | 一种基于曲线形态的电池容量跳水现象识别方法 | |
CN112327191B (zh) | 一种基于几何特征融合决策的电池跳水概率评估方法 | |
CN113504482B (zh) | 考虑机械应变的锂离子电池健康状态估计与寿命预测方法 | |
CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN113815481A (zh) | 电池包选择方法、装置、电子设备及存储介质 | |
CN115166532A (zh) | 镍氢电池容量预测方法、装置、电子设备及存储介质 | |
CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN114076899B (zh) | 电池寿命的分档预估方法、装置、设备、系统及介质 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN114035056A (zh) | 一种动力电池性能检测方法、装置和设备 | |
CN116431454B (zh) | 一种大数据的计算机性能控制系统及方法 | |
CN115825755B (zh) | 一种储能电池电芯电压一致性评估方法 | |
CN117686935B (zh) | 一种基于电压概率密度的电池rul预测方法 |
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 |