CN112733427A - 锂离子电池的负极电位估算模型建立方法及计算机设备 - Google Patents

锂离子电池的负极电位估算模型建立方法及计算机设备 Download PDF

Info

Publication number
CN112733427A
CN112733427A CN202011491854.6A CN202011491854A CN112733427A CN 112733427 A CN112733427 A CN 112733427A CN 202011491854 A CN202011491854 A CN 202011491854A CN 112733427 A CN112733427 A CN 112733427A
Authority
CN
China
Prior art keywords
negative electrode
battery
model
parameter
electrode potential
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.)
Pending
Application number
CN202011491854.6A
Other languages
English (en)
Inventor
卢宇芳
韩雪冰
冯旭宁
卢兰光
欧阳明高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202011491854.6A priority Critical patent/CN112733427A/zh
Publication of CN112733427A publication Critical patent/CN112733427A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本申请提供了一种锂离子电池的负极电位估算模型建立方法及计算机设备。锂离子电池的负极电位估算模型建立方法包括首先提供带参比电极的三电极电池。其次对三电极电池进行性能测试，从而获得三电极电池的标称容量和电压特性参数，电压特性参数包括正极电位、端电压以及负极电位。建立分极等效模型。分极等效模型包括正极参数和负极参数，以反映三电极电池的外部特性和内部特性。最后利用标称容量和电压特性参数对正极参数和负极参数进行标定，以获得负极电位估算模型。该方法能够将电池的正极和负极特性分离，准确地模拟电池在充放电过程中的正极和负极电位变化的规律。同时，分极等效模型参数明确、计算简单，能够应用于电池管理系统。

Description

锂离子电池的负极电位估算模型建立方法及计算机设备
技术领域
本申请涉及电池管理技术领域，尤其涉及一种锂离子电池的负极电位估算模型建立方法及计算机设备。
背景技术
锂离子电池因具有能量密度高、功率密度高、寿命长、环保等优点，近年来被广泛应用于电脑、手机等电子设备及新能源汽车的动力电池系统中。为了保证电池在使用过程中的性能不受损坏，需要对电池的温度、电流、电压等进行监测，其中，电池电压是监控的关键状态之一。锂离子电池在使用过程中，电极发生极化，电极电位偏离平衡电位，极化电位与平衡电位差为过电位。其中，负极过电位低于0V vs.Li/Li+时，负极表面会发生析锂，损害电池性能，严重时还可能引发热失控等安全事故。
目前通过测量正极和负极电位之差，可以得到商用锂离子电池的端电压，但无法获得电池内部单个电极的电位。向电池中植入参比电极构成三电极体系，测量电极与参比电极之间的电位可直接获得内部电位，但现有的参比电极仅为实验室级别使用，尚未商用化于锂离子电池；常用的锂离子电池电化学模型可以预测内部电位，但模型复杂且计算量大，难以实用于电池管理系统；常用的等效电路模型参数简单计算量小，但只能描述电池的外在特性，无法提供负极电位。目前为止，尚没有能够适用于电池管理系统的能够准确预测电池内部电位变化的锂离子电池等效模型。
申请内容
基于此，本申请提供一种锂离子电池的负极电位估算模型建立方法及计算机设备，将电池的正极和负极特性分离，准确地模拟电池在充放电过程中的负极电位和正极电位变化的规律，并能够应用于电池管理系统。
本申请提供了一种锂离子电池的负极电位估算模型建立方法，包括：
提供带参比电极的三电极电池；
对所述三电极电池进行性能测试，从而获得所述三电极电池的标称容量和电压特性参数，所述电压特性参数包括正极电位、端电压以及负极电位；
建立分极等效模型，所述分极等效模型包括正极参数和负极参数，以反映所述三电极电池的外部特性和内部特性；
利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型。
在其中一个实施例中，所述对所述三电极电池进行性能测试包括给定电流条件下的容量测试、给定电流条件下的电池开路电压测试以及不同工况下的充放电测试。
在其中一个实施例中，所述分极等效电路模型为分极一阶RC模型，所述分极一阶RC模型是在电池一阶RC模型的基础上将全电池的理想电压源、欧姆内阻、极化内阻以及极化电容基于正负极特性拆分为正极理想电压源、负极理想电压源、正极欧姆内阻、正极极化内阻、负极欧姆内阻、负极极化内阻、正极极化电容和负极极化电容得到的。
在其中一个实施例中，所述分极等效电路模型为分极Rint模型，所述分极Rint模型是在电池Rint模型的基础上将全电池的理想电压源和总内阻基于正负极特性拆分为正极理想电压源、负极理想电压源、正极内阻和负极内阻得到的。
在其中一个实施例中，所述利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定的步骤包括：
获取模型计算的正极电位和参比电极实测正极电位之间的均方根误差，作为第一适应函数，通过优化算法拟合，以使得所述第一适应函数为最小为优化目标，得到相应的正极参数；
获取模型计算的负极电位和参比电极实测负极电位之间的均方根误差，作为第二适应函数，通过优化算法拟合，以使得所述第二适应函数为最小为优化目标，得到相应的负极参数。
在其中一个实施例中，所述优化算法包括遗传算法、蚁群算法、模拟退火、禁忌搜索、以及粒子群算法中的至少一种。
在其中一个实施例中，所述优化算法为遗传算法，并且在MATLAB软件中直接调用相关工具进行参数优化。
在其中一个实施例中，所述利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型的步骤之后还包括：
对所述负极电位估算模型和实验电池施加相同的测试工况，以获取负极电位模型仿真结果与负极电位实验结果；
通过比较所述负极电位模型仿真结果与所述负极电位实验结果，以确认所述负极电位估算模型的准确性。
基于相同的申请构思，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施例中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
基于相同的申请构思，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
综上，本申请提供了一种锂离子电池的负极电位估算模型建立方法及计算机设备。所述锂离子电池的负极电位估算模型建立方法包括首先提供带参比电极的三电极电池。其次对所述三电极电池进行性能测试，从而获得所述三电极电池的标称容量和电压特性参数，所述电压特性参数包括正极电位、端电压以及负极电位。建立分极等效模型。所述分极等效模型包括正极参数和负极参数，以反映所述三电极电池的外部特性和内部特性。最后利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型。该方法能够将电池的正极和负极特性分离，准确地模拟电池在充放电过程中的负极电位和正极电位变化的规律。同时，分极等效模型参数明确、计算简单，能够应用于电池管理系统，更好地监控电池的内部状态，以更好保障电池系统的安全，为电池管理系统的升级奠定基础。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请一个实施例提供的一种锂离子电池的负极电位估算模型建立方法的流程示意图；
图2为本申请第一实施例中锂离子电池分极一阶RC模型电路结构示意图；
图3为本申请第一实施例中FUDS工况的电流数据图；
图4为本申请第一实施例中基于分极一阶RC模型得到的负极电位估计结果数据图；
图5为本申请第一实施例中基于分极一阶RC模型得到的负极电位估计误差数据图；
图6为本申请第二实施例中锂离子电池的分极Rint模型电路结构示意图；
图7为本申请第二实施例中基于分极Rint模型得到的负极电位估计结果数据图；
图8为本申请第二实施例中基于分极Rint模型得到的负极电位估计误差数据图。
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，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1，本申请提供了一种锂离子电池的负极电位估算模型建立方法，包括：
S10，提供带参比电极的三电极电池；
S20，对所述三电极电池进行性能测试，从而获得所述三电极电池的标称容量和电压特性参数，所述电压特性参数包括正极电位、端电压以及负极电位；
S30，建立分极等效模型，所述分极等效模型包括正极参数和负极参数，以反映所述三电极电池的外部特性和内部特性；
S40，利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型。
可以理解的是，上述方法可以适用于任意类型锂离子电池，仅需要对电池模型参数和估计算法参数重新标定即可。
步骤S10中，所述三电极电池为在任意一种全电池的基础上制备第三电极得到的电池。所述第三电极包括但不限于锂金属参比电极、锂合金参比电极、铜丝原位镀锂参比电极等多种可以提供准确和稳定测量的第三电极。制备好所述三电极电池后，可以对所述三电极电池进行参比电极电位测量的准确性、稳定性评估。
步骤S20中，对所述三电极电池进行性能测试包括给定电流条件下的容量测试、给定电流条件下的电池开路电压测试以及不同工况下的充放电测试。
步骤S20中，给定电流条件下的容量测试方法是指：根据厂家给定的锂离子动力电池参数，例如工作电压、电池容量等，选择1/3C倍率进行容量测试。给定电流条件下的电池开路电压测试是指：对三电极电池进行1/20C倍率充放电测得所述三电极电池的标准容量和电池正极开路电压、负极开路电压以及全电池的OCV-SOC曲线。不同工况下的充放电测试中的测试工况包括但不限于恒流充放电、HPPC测试等。分别获取各个工况下锂离子电池的正极电位、负极电位和全电池电压。
步骤S30中，可以根据步骤S20的测试结果和建模的目的搭建合适的分极等效模型。此处的分极等效模型包括但不限于分极等效电路模型、分极等效电化学模型等，要求能够分别反映电池的外部特性和内部特性，以便于准确预测正极电位和负极电位。具体的，分极等效模型需要包含各种物理参数和电化学参数，以分极等效电路模型为例，需要包含正极理想电压源和负极理想电压源、正极内阻和负极内阻、正极电容和负极电容等电路元件。所述外部特性可以为端电压等。所述内部特性为负极电位等。
步骤S40中，根据步骤S20中获得的电池正负极电位信息，采用优化算法标定步骤S30中的模型参数(正极参数和负极参数)，这里的优化算法包括但不限于遗传算法、蚁群算法、模拟退火、禁忌搜索、以及粒子群算法等。标定好的模型针对同样类型但不具有参比电极的锂离子电池，能基于电池电流、端电压等信息，准确估计不同工况下的锂离子电池的外特性(如端电压)和内部特性(如负极电位)等。
本实施例中，所述锂离子电池的负极电位估算模型建立方法包括首先提供带参比电极的三电极电池。其次对所述三电极电池进行性能测试，从而获得所述三电极电池的标称容量和电压特性参数，所述电压特性参数包括正极电位、端电压以及负极电位。建立分极等效模型。所述分极等效模型包括正极参数和负极参数，以反映所述三电极电池的外部特性和内部特性。最后利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型。该方法能够将电池的正极和负极特性分离，准确地模拟电池在充放电过程中的负极电位和正极电位变化的规律。同时，分极等效模型参数明确、计算简单，能够应用于电池管理系统，更好地监控电池的内部状态，以更好保障电池系统的安全，为电池管理系统的升级奠定基础。
本申请一个实施例提供基于参比电极的锂离子电池分极一阶RC模型建立方法，具体包括，首先选用铜丝原位镀锂的方法制作参比电极，即将去除绝缘包覆层的铜丝用隔膜包裹，置于电池内部正负极之间，根据电池的体系和容量等施以微小的电流，在铜丝标表面均匀镀上一层锂，制成带参比电极的三电极电池。负极与参比电极之间的电位差即为负极参考电位。
其次，对上述三电极电池在离线状态下进行容量测试和开路电压测试，得到电池的标准容量和电池正极、负极及全电池的OCV-SOC曲线。具体包括如下步骤：
S21，将制作好的三电极锂离子电池放入恒温箱内，调整恒温箱温度值为25℃，将电池静置足够时间以使其和温箱温度一致。
S22，将电池以1/3C恒流充电至截止电压，再恒压充电至截止电流(1/20C)，静置一定时间值。将电池以1/3C恒流放电至截止电压。
S23，重复步骤S22三次，以完成容量测试。
S24，将电池以1/20C恒流充电至截止电压，静置一定时间值，将电池以1/20C恒流放电至截止电压，以完成开路电压测试。
其中，静置时间值不做具体限制，只需要保证电池温度与恒温箱温度达到平衡，且电池的正极和负极恢复到平衡电位即可。
再次，对上述三电极电池进行HPPC测试：每隔5％或10％SOC的间隔，对电池施加一次充放电脉冲，再静置一定时间值使电池达到平衡状态，获得测试过程中电池的端电压和负极电位。HPPC测试为现有的成熟技术，在此不再赘述。
其中，本实施例中每隔5％SOC的间隔，充放电脉冲设置为以1C倍率放电30s、静置40s、1C倍率充电30s，在电池SOC为0时以1C倍率充电30s、静置40s、1C倍率放电30s。静置时间不做具体限制，只需要保证电池恢复到平衡状态。
根据HPPC测试结果，搭建更能反映电池正极和负极动态特性的分极一阶RC模型。所述分极一阶RC模型是在电池一阶RC模型的基础上将全电池的理想电压源、欧姆内阻、极化内阻、极化电容基于参比电极拆分为正极理想电压源、负极理想电压源、正极欧姆内阻、负极欧姆内阻、正极极化内阻，负极极化内阻、正极极化电容和负极极化电容得到的，具体请参见图2。
从图中可看出，模型由以下几部分组成：
(1)正极理想电压源、负极理想电压源，分别代表正极开路电压OCVca和负极开路电压OCVan；
(2)正极欧姆内阻Rca，负极欧姆内阻Ran；
(3)正极极化内阻R1，负极极化内阻R2；
(4)正极极化电容C1，负极极化电容C2。
两个RC并联环节分别反映电池正极和负极的极化特性。记U1、U2分别为R1C1和R2C2并联电路两端的电压，I为通过欧姆内阻Rca和Ran的电流，Ut为电池的端电压，Vca和Van分别为正极和负极相对于参比电极的参考电位，二者之差为端电压Ut。时间常数τ1＝R1C1和τ0＝R2C2。由基本的电路原理，模型的特征描述方程可以写成：
Figure BDA0002840940440000091
Figure BDA0002840940440000092
Vca＝OCVca-U1-IRca#(3)
Van＝OCVan+U2+IRan#(4)
OCV＝OCVca-OCVan#(5)
Ut＝Vca-Van＝OCV-U1-U2-I(Rca+Ran)#(6)
根据上述步骤中获得的电池正负极电位信息，采用遗传算法(GeneticAlgorithm)对模型的正极参数和负极参数分开辨识，得到模型参数Rca、Ran、R1、R2、τ1、τ2。遗传算法为现有成熟技术，其原理此不再赘述。应用Matlab软件中的ga函数实现遗传算法，根据测量的正极OCV-SOC曲线、正极电位等，以模型计算的正极电位和参比电极实测正极电位之间的均方根误差作为适应函数，辨识得到模型正极参数，即Rca、R1、τ1；具体的，获取模型计算的正极电位和参比电极实测正极电位之间的均方根误差，作为第一适应函数，通过优化算法拟合，以使得所述第一适应函数为最小为优化目标，得到相应的正极参数。根据测量的负极OCV-SOC曲线、负极电位等，以模型计算的负极电位和参比电极实测负极电位之间的均方根误差作为适应函数，辨识得到模型负极参数，即Ran、R2、τ2，具体的，获取模型计算的负极电位和参比电极实测负极电位之间的均方根误差，作为第二适应函数，通过优化算法拟合，以使得所述第二适应函数为最小为优化目标，得到相应的负极参数。
采用遗传算法能取得较好的参数辨识结果，利用所建立的分极一阶RC模型将锂离子电池的仿真计算结果与实验结果进行比较。一阶RC模型在动态工况下对电压有较好的响应结果。具体的，选取FUDS(Federal Urban Driving Schedule)工况测试进行模型验证，其电流随时间变化的曲线如图3所示。图4为负极电位模型仿真结果与锂离子电池的实验结果对比。其中，横坐标代表时间，纵坐标代表负极电位，实线(真实值)为实验中参比电极测量得到的负极电位参考曲线，虚线(估计值)为本申请第一实施例中建立的电池分极模型进行仿真得到的负极电位变化曲线。由图可知，二者基本重合。图5为负极电位真实值和估计值之间的误差随时间变化曲线，模型的负极电位平均估计误差为0.29mV，最大估计误差为2.78mV。表明本申请实施例建立的分极一阶RC模型可以准确模拟电池在动态过程中的内部电位变化。
本申请另一个实施例提供一种基于参比电极的锂离子电池分极Rint模型建立方法。本实施例中的制备带参比电极的三电极电池的步骤、给定电流条件下的容量测试的步骤以及给定电流条件下的电池开路电压测试的步骤与上述实施例的步骤相似，此处不再赘述。与上述实施例不同的步骤如下：
S3，对上述三电极电池施以不同倍率下的恒流充电测试：充电倍率分别为1C、2C、3C、4C等，设置相同的充电截止电压；不同充电倍率对应的恒流放电倍率为1/3C，设置相同的放电截止电压。充电和放电之间的设置一定静置时间。静置时间不做具体限制，只需要保证电池恢复到平衡状态即可。
S4，根据恒流充电测试结果，搭建更能反映电池正极和负极稳态特性的分极Rint模型。所述分极Rint模型是在电池Rint模型的基础上将全电池的理想电压源和总内阻基于参比电极拆分为正极理想电压源、负极理想电压源、正极内阻和负极内阻得到的，具体请参见图6。
从图中可看出，模型由以下几部分组成：
(1)正极理想电压源、负极理想电压源，分别代表正极开路电压OCVca和负极开路电压OCVan；
(2)正极总内阻Rca，负极总内阻Ran。
Ut为电池的端电压，Vca和Van分别为正极和负极相对于参比电极的参考电位，二者之差为端电压Ut。由基本的电路原理，模型的特征描述方程可以写成：
Vca＝OCVca-IRca#(7)
Van＝OCVan+IRan#(8)
OCV＝OCVca-OCVan#(9)
Ut＝Vca-Van＝OCV-I(Rca+Ran)#(10)
根据上述步骤中获得的电池正负极电位信息，采用计算或其他优化算法标定S4中的模型参数，这里的优化算法包括但不限于遗传算法、粒子群优化算法等。本施例中利用公式(11)和(12)计算得到正负极内阻Rca和Ran在不同电流倍率和SOC下的MAP图。
Figure BDA0002840940440000121
Figure BDA0002840940440000122
S5，利用上述步骤中所建立的分极Rint模型将锂离子电池的仿真计算结果与实验结果进行比较。Rint模型在恒流充电等稳态工况下对电压有较好的响应结果。本申请第二实施选取步骤S3中的部分测试工况进行模型验证，图7为不同充电倍率下负极电位模型仿真结果与锂离子电池的实验结果对比。其中，横坐标代表时间，纵坐标代表负极电位，连续线(真实值)为实验中参比电极测量得到的负极电位参考曲线，离散点(估计值)为本申请实施例中建立的电池分极模型进行仿真得到的负极电位变化曲线。由图可知，二者基本重合。图8为负极电位真实值和估计值之间的误差随时间变化曲线，模型在不同倍率充电下的负极电位估计误差均不超过5mV。表明本申请第二实施例建立的分极Rint模型可以准确模拟电池在恒流充电工况下的内部电位变化。
基于相同的申请构思，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施例中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
基于相同的申请构思，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的锂离子电池的负极电位估算模型建立方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述锂离子电池的负极电位估算模型建立方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序。存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种锂离子电池的负极电位估算模型建立方法，其特征在于，包括：
提供带参比电极的三电极电池；
对所述三电极电池进行性能测试，从而获得所述三电极电池的标称容量和电压特性参数，所述电压特性参数包括正极电位、端电压以及负极电位；
建立电池的分极等效模型，所述分极等效模型包括正极参数和负极参数，以反映所述三电极电池的外部特性和内部特性；
利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型。
2.如权利要求1所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述对所述三电极电池进行性能测试包括给定电流条件下的容量测试、给定电流条件下的电池开路电压测试以及不同工况下的充放电测试。
3.如权利要求1所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述分极等效模型为分极一阶RC模型，所述分极一阶RC模型是在电池一阶RC模型的基础上将全电池的理想电压源、欧姆内阻、极化内阻以及极化电容基于正负极特性拆分为正极理想电压源、负极理想电压源、正极欧姆内阻、正极极化内阻、负极欧姆内阻、负极极化内阻、正极极化电容和负极极化电容得到的。
4.如权利要求1所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述分极等效模型为分极Rint模型，所述分极Rint模型是在电池Rint模型的基础上将全电池的理想电压源、总内阻基于正负极特性拆分为正极理想电压源、负极理想电压源、正极内阻和负极内阻得到的。
5.如权利要求1所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定的步骤包括：
获取模型计算的正极电位和参比电极实测正极电位之间的均方根误差，作为第一适应函数，通过优化算法拟合，以使得所述第一适应函数为最小为优化目标，得到相应的正极参数；
获取模型计算的负极电位和参比电极实测负极电位之间的均方根误差，作为第二适应函数，通过优化算法拟合，以使得所述第二适应函数为最小为优化目标，得到相应的负极参数。
6.如权利要求5所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述优化算法包括遗传算法、蚁群算法、模拟退火、禁忌搜索、以及粒子群算法中的至少一种。
7.如权利要求6所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述优化算法为遗传算法，并且在MATLAB软件中直接调用相关工具进行参数优化。
8.如权利要求1所述的锂离子电池的负极电位估算模型建立方法，其特征在于，所述利用所述标称容量和所述电压特性参数对所述正极参数和所述负极参数进行标定，以获得负极电位估算模型的步骤之后还包括：
对所述负极电位估算模型和实验电池施加相同的测试工况，以获取负极电位模型仿真结果与负极电位实验结果；
通过比较所述负极电位模型仿真结果与所述负极电位实验结果，以确认所述负极电位估算模型的准确性。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的锂离子电池的负极电位估算模型建立方法的步骤。
CN202011491854.6A 2020-12-16 2020-12-16 锂离子电池的负极电位估算模型建立方法及计算机设备 Pending CN112733427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491854.6A CN112733427A (zh) 2020-12-16 2020-12-16 锂离子电池的负极电位估算模型建立方法及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491854.6A CN112733427A (zh) 2020-12-16 2020-12-16 锂离子电池的负极电位估算模型建立方法及计算机设备

Publications (1)

Publication Number Publication Date
CN112733427A true CN112733427A (zh) 2021-04-30

Family

ID=75602576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491854.6A Pending CN112733427A (zh) 2020-12-16 2020-12-16 锂离子电池的负极电位估算模型建立方法及计算机设备

Country Status (1)

Country Link
CN (1) CN112733427A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642153A (zh) * 2021-07-15 2021-11-12 清华大学 参比电极的测量误差标定方法及计算机设备
CN114089193A (zh) * 2021-10-19 2022-02-25 清华大学 电池的温度和负极电位在线估计方法、装置和计算机设备
CN116613865A (zh) * 2023-07-18 2023-08-18 广东电网有限责任公司东莞供电局 一种电池快充方法、电池储能系统及储能电站

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576097A (zh) * 2013-11-19 2014-02-12 清华大学 电池的健康状态soh的估计方法及系统
CN104391159A (zh) * 2014-10-27 2015-03-04 清华大学 电池的单电极电位的检测方法及系统
CN106154172A (zh) * 2016-06-17 2016-11-23 清华大学 锂离子动力电池内短路程度的定量估算方法
CN106450536A (zh) * 2016-11-09 2017-02-22 清华大学 一种锂离子电池快速充电方法
CN106872905A (zh) * 2017-02-23 2017-06-20 哈尔滨工业大学 一种单体锂离子全电池参数获取方法
US20180299511A1 (en) * 2017-04-18 2018-10-18 Hyundai Motor Company Apparatus for estimating battery degradation state, system including the same, and method thereof
WO2020129478A1 (ja) * 2018-12-18 2020-06-25 パナソニックＩｐマネジメント株式会社 電池状態推定装置、電池状態推定方法、及び電池システム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576097A (zh) * 2013-11-19 2014-02-12 清华大学 电池的健康状态soh的估计方法及系统
CN104391159A (zh) * 2014-10-27 2015-03-04 清华大学 电池的单电极电位的检测方法及系统
CN106154172A (zh) * 2016-06-17 2016-11-23 清华大学 锂离子动力电池内短路程度的定量估算方法
CN106450536A (zh) * 2016-11-09 2017-02-22 清华大学 一种锂离子电池快速充电方法
CN106872905A (zh) * 2017-02-23 2017-06-20 哈尔滨工业大学 一种单体锂离子全电池参数获取方法
US20180299511A1 (en) * 2017-04-18 2018-10-18 Hyundai Motor Company Apparatus for estimating battery degradation state, system including the same, and method thereof
WO2020129478A1 (ja) * 2018-12-18 2020-06-25 パナソニックＩｐマネジメント株式会社 電池状態推定装置、電池状態推定方法、及び電池システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨金星: "锂离子电池退化状态识别与寿命预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642153A (zh) * 2021-07-15 2021-11-12 清华大学 参比电极的测量误差标定方法及计算机设备
CN113642153B (zh) * 2021-07-15 2022-10-25 清华大学 参比电极的测量误差标定方法及计算机设备
CN114089193A (zh) * 2021-10-19 2022-02-25 清华大学 电池的温度和负极电位在线估计方法、装置和计算机设备
CN116613865A (zh) * 2023-07-18 2023-08-18 广东电网有限责任公司东莞供电局 一种电池快充方法、电池储能系统及储能电站
CN116613865B (zh) * 2023-07-18 2024-03-08 广东电网有限责任公司东莞供电局 一种电池快充方法、电池储能系统及储能电站

Similar Documents

Publication Publication Date Title
CN112615075B (zh) 电池快速充电方法及计算机设备
Chen et al. A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity
CN112733427A (zh) 锂离子电池的负极电位估算模型建立方法及计算机设备
KR102650965B1 (ko) 배터리 상태 추정 방법
CN112464571B (zh) 基于多约束条件粒子群优化算法的锂电池组参数辨识方法
CN110795851A (zh) 一种考虑环境温度影响的锂离子电池建模方法
Li et al. A new parameter estimation algorithm for an electrical analogue battery model
Knap et al. Electrical circuit models for performance modeling of lithium-sulfur batteries
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
KR20190056743A (ko) 배터리 저항 추정 장치 및 방법
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN108829911A (zh) 一种开路电压与soc函数关系优化方法
Qiu et al. Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter
Kim et al. Hysteresis modeling for model-based condition monitoring of lithium-ion batteries
Ahmed et al. A scaling approach for improved open circuit voltage modeling in Li-ion batteries
Rizzello et al. Temperature-Dependent Thévenin Model of a Li-Ion Battery for Automotive Management and Control
CN107402356B (zh) 一种基于动态参数辨识的ekf估算铅酸电池soc方法
Li et al. A new method of state of peak power capability prediction for Li-Ion battery
CN110850315A (zh) 一种电池荷电状态的估算方法及装置
CN114089193A (zh) 电池的温度和负极电位在线估计方法、装置和计算机设备
Somakettarin et al. An experimental study on modeling of transient response and parameters identification for Mn-type Li-Ion battery with temperature dependency
CN114740359A (zh) 基于电量估计的电池内短路诊断方法、装置及存储介质
CN114720881A (zh) 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法
CN111033930B (zh) 电池和电池包的荷电状态的估计方法及利用此荷电状态估计方法的电池管理系统
Hasan et al. eXogenous Kalman Filter for Lithium-Ion Batteries State-of-Charge Estimation in Electric Vehicles

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210430

RJ01 Rejection of invention patent application after publication