CN113238157B - 一种通过对电动汽车退役电池进行ai检测来筛选的方法 - Google Patents
一种通过对电动汽车退役电池进行ai检测来筛选的方法 Download PDFInfo
- Publication number
- CN113238157B CN113238157B CN202110495066.2A CN202110495066A CN113238157B CN 113238157 B CN113238157 B CN 113238157B CN 202110495066 A CN202110495066 A CN 202110495066A CN 113238157 B CN113238157 B CN 113238157B
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- capacity
- battery cell
- cell
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
Abstract
一种通过对电动汽车退役电池进行AI检测来筛选的方法,首先对退役电池进行初步评估,筛选出可梯次利用的退役电池,然后将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容,对分容后的电芯进行参考性能测试,得到电芯的性能参数,还对电芯进行脉冲电流测试,得到电芯的脉冲电压特征,将电芯的脉冲电压特征输入预设的神经网络模型以得到电芯的容量,最后根据电芯的性能参数和容量,筛选出可梯次利用的电芯。由于引入人工智能来辅助进行电芯的检测,从而减少了检测时间和工作量,提高了检测精度。
Description
技术领域
本发明涉及电动汽车退役电池梯次利用技术领域,具体涉及一种通过对电动汽车退役电池进行AI检测来筛选的方法。
背景技术
近年来,诸如电动汽车等的新能源汽车因为其低排放、低污染、不使用化石燃料等优点被大力推广,但是电动汽车的退役电池却会对环境造成污染,大量的电动汽车退役电池带来了巨大的环境压力,因此有必要对电动汽车退役电池进行回收再利用。目前的电池回收途径主要有梯次利用和化学回收。与化学回收相比,退役电池梯次利用可以挖掘和利用电池的剩余价值,且无需拆卸、破坏或翻新电池,是一种简单廉价且环保的回收方式。当电动汽车电池服役了若干年后,由于电池间的温度、连接阻抗、震荡程度等因素的差异,电池的容量、内阻等性能的不一致性逐渐加剧,这给退役电池的梯次利用带来了一定的挑战,因此准确、快速的退役电池性能检测方法对于退役电池的筛选是十分重要的。
目前,对于电动汽车退役电池的性能检测主要集中在电压和容量的检测,现有的检测方法大都周期较长、成本较高,而且检测精确度也难以达到理想效果,甚至会导致退役电池后续再利用阶段的安全隐患。
发明内容
本申请提供一种通过对电动汽车退役电池进行AI检测来筛选的方法,旨在解决现有电动汽车退役电池检测方法周期较长、成本较高的问题。
根据第一方面,一种实施例中提供一种通过对电动汽车退役电池进行AI检测来筛选的方法,包括:
对退役电池进行初步评估,筛选出可梯次利用的退役电池;
将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容;
对分容后的电芯进行参考性能测试,得到电芯的性能参数;
对电芯进行脉冲电流测试,得到电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4,其中i为电芯序号,由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到电芯的脉冲电压特征,将脉冲电压特征输入预设的神经网络模型以得到电芯的容量;
根据电芯的性能参数和容量,筛选出可梯次利用的电芯。
一种实施例中,所述对退役电池进行初步评估,筛选出可梯次利用的退役电池,包括:
对电池的历史数据进行评估,对于历史数据出现异常的,直接剔除;
对电池、电池中各个模组和各个模组中的电芯进行外观检测,对于出现胀气、破损和鼓包的,直接剔除;
对电池、电池中各个模组和各个模组中的电芯进行绝缘检测,对于出现短路的,直接剔除;
打开电池箱盖检查箱内结构及组件的完整性,对于出现锈蚀或残缺的,直接剔除。
一种实施例中,所述将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容,包括:
将可梯次利用的退役电池机械拆解成一个个独立的单体电芯,使用多通道电芯检测分容设备测得各个电芯的分容容量,得到各个容量水平的电芯。
一种实施例中,所述使用多通道电芯检测分容设备测得各个电芯的分容容量包括对电芯进行以下步骤:
恒流恒压充电1min,并循环5次,其中充电电流0.6A,充电电压3.7V;
恒流恒压充电5min,其中充电电流2.95A,充电电压3.65V;
恒流放电3min,其中放电电流1A;
恒流恒压充电150min,其中充电电流2.95A,充电电压3.65V,截止电流为0.2A;
搁置3min;
恒流恒压充电30min,其中充电电流1A,充电电压3.65V,截止电流为0.2A;
搁置5min;
恒流放电150min,其中放电电流2.95A,截止电压为2.6V;
恒流放电30min,其中放电电流1A,截止电压为2.6V;
其中最后两个步骤的放电容量之和即为电芯的分容容量。
一种实施例中,所述对分容后的电芯进行参考性能测试,得到电芯的性能参数,包括:
根据USABC电池测试标准,以1/3C速率对分容后的电芯进行容量校正;
对电芯进行HPPC混合脉冲测试以得到电芯的内阻;
对电芯进行不同充放电速率的充放电测试,得到电芯在不同充放电速率下的充放电容量,据此计算电芯在不同充放电速率下的库伦效率和能量效率;所述电芯的性能参数包括电芯的内阻、库伦效率和能量效率。
一种实施例中,所述对电芯进行脉冲电流测试,得到电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4,包括:
将电池中的模组充分静置得到初始电压V0,将V0作为同一模组中各个电芯的初始电压;
对电芯进行1/2C恒流充电5min,再充分静置1h;
记充电开始后0.01s时电芯的电压为突增电压Vi1;
记充电5min后电芯电压稳定时的最高值为渐增电压Vi2;
记断电后0.01s时电芯的电压为突减电压Vi3;
记断电1h时后电芯电压稳定时的最低值为渐减电压Vi4。
一种实施例中,所述由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到电芯的脉冲电压特征包括:
计算Vi1-V0、Vi2-Vi1、Vi3-Vi2和Vi4-Vi3的结果作为电芯的脉冲电压特征。
一种实施例中,所述通过对电动汽车退役电池进行AI检测来筛选的方法还包括:在对电芯进行脉冲电流测试前,对电芯进行增量容量分析和电化学阻抗谱分析。
一种实施例中,所述增量容量分析包括:
对电芯进行0.1C的充放电测试,测试中对电芯电压和容量进行等时间间隔采样得到电压序列{Vi,j|i=m,j=1,2,…,n}和容量序列{Qi,j|i=m,j=1,2,…,n},其中V表示电压,Q表示容量,i表示电芯序号,j表示电压或容量采样数据时间序号,m和n为大于0的整数;
对电压序列和容量序列进行线性样条插值处理,得到线性样条插值函数Q=f(V),线性样条插值函数Q=f(V)由n-1个多项式组成,其中第k个多项式的表达式为:
记电压序列中的最小值为Vmin,最大值为Vmax,将Vmin到Vmax范围内的电压等间隔划分,得到由1000个等间隔电压组成的新电压序列{V* i,j|i=m,j=1,2,…,1000},将新电压序列代入线性样条插值函数Q=f(V)得到新容量序列{Q* i,j|i=m,j=1,2,…,1000};
对于新电压序列和新容量序列,计算ICi,j=ΔQ* i,j/ΔV* i,j=(Q* i,j+1-Q* i,j)/(V* i,j+1-V* i,j),得到增量容量序列{ICi,j|i=m,j=1,2,…,999}。
一种实施例中,所述电化学阻抗谱分析包括:
建立电芯的交流等效电路,使用电化学工作站对电芯施加10mHz-100kHz频率的交流电,根据电芯的响应拟合交流等效电路中的元件参数;
其中所述交流等效电路包括串联的高频等效电路、中频等效电路和低频等效电路,所述高频等效电路包括电阻R0,所述中频等效电路包括电容C1和电阻R1,电容C1和电阻R1并联,所述低频等效电路包括电容C2、电阻R2和Warburg阻抗,电阻R2和Warburg阻抗串联后与电容C2并联。
依据上述实施例的通过对电动汽车退役电池进行AI检测来筛选的方法,首先对退役电池进行初步评估,筛选出可梯次利用的退役电池,然后将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容,对分容后的电芯进行参考性能测试,得到电芯的性能参数,还对电芯进行脉冲电流测试,得到电芯的脉冲电压特征,将电芯的脉冲电压特征输入预设的神经网络模型以得到电芯的容量,最后根据电芯的性能参数和容量,筛选出可梯次利用的电芯。由于引入人工智能来辅助进行电芯的检测,从而减少了检测时间和工作量,提高了检测精度;同时将退役电池拆解成易于梯次利用的最小单元电芯,并对电芯进行性能检测和筛选,方便后续利用电芯进行梯次利用,有利于促进电动汽车退役电池的梯次利用。
附图说明
图1为一种实施例的通过对电动汽车退役电池进行AI检测来筛选的方法的流程图;
图2为对一个电动汽车退役电池进行电芯分容得到的电芯容量分布图;
图3为一种实施例中电芯的库伦效率、能量效率与不同充放电速率的关系图;
图4为一种实施例中得到的电芯的容量关于电压的微分曲线图;
图5为电芯的电化学阻抗谱的示意图;
图6为电芯的交流等效电路的结构示意图;
图7为一种实施例中等效电路中各元件参数与电芯容量的关系图;
图8为一种实施例中神经网络模型的构建流程图;
图9为对电芯进行脉冲电流测试的过程中,电芯的电压随时间的变化曲线图;
图10为电芯容量的预测值与真实值的对比图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
本发明提供的通过对电动汽车退役电池进行AI检测来筛选的方法,首先对电动汽车退役电池进行由外观到内部构造的初步筛选,将筛选出来的退役电池拆解成相应的电芯,对拆解出来的电芯进行参考性能测试得到电芯的性能参数,还对电芯进行脉冲电流测试,得到电芯的脉冲电压特征,利用电芯的脉冲电压特征与电芯的容量间的关系构建神经网络模型,从而可以利用构建好的神经网络模型,通过电芯的脉冲电压特征来计算电芯的容量,根据电芯的性能参数和容量,就可以筛选出可梯次利用的电芯,由此能够快速、准确地剔除衰退严重的退役电池。
请参考图1,本申请一种实施例中,对电动汽车退役电池进行AI检测来筛选的方法包括步骤110~150,下面具体说明。
步骤110:对退役电池进行初步评估,筛选出可梯次利用的退役电池。对退役电池的初步评估可以从退役电池的历史数据、外观、绝缘性、内部结构的完整性等方面进行。具体的,对电池的历史数据进行评估,对于历史数据出现异常的,直接剔除;对电池、电池中各个模组和各个模组中的电芯进行外观检测,对于出现胀气、破损和鼓包的,直接剔除;对电池、电池中各个模组和各个模组中的电芯进行绝缘检测,对于出现短路的,直接剔除;打开电池箱盖检查箱内结构及组件的完整性,对于出现锈蚀或残缺的,直接剔除。
步骤120:将步骤110中得到的可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容。电动汽车的电池通常是由许多电池模组串联组成,电池模组中又包含了许多并联的电芯,例如某个电动汽车的电池中,包含了42个电池模组,每个模组内部又包含了28个32700型号(直径32mm,高70mm)的圆柱形磷酸铁锂单体电芯,因此这个电池总共包含了1176个电芯。电芯易于进行梯次利用,因此如果能对电芯进行性能检测并筛选出可梯次利用的电芯,则有助于对电动汽车退役电池的梯次利用。
将电池拆解成电芯,可以是将电池机械拆解成一个个独立的单体电芯,对电芯进行分容,可以是使用多通道电芯检测分容设备来测得各个电芯的分容容量,得到各个容量水平的电芯。以额定电压为3.2V、额定容量为5.5AH的磷酸铁锂电芯为例,使用多通道电芯检测分容设备测量电芯的分容容量可以对电芯执行以下步骤:
恒流恒压充电1min,并循环5次,其中充电电流0.6A,充电电压3.7V;
恒流恒压充电5min,其中充电电流2.95A,充电电压3.65V;
恒流放电3min,其中放电电流1A;
恒流恒压充电150min,其中充电电流2.95A,充电电压3.65V,截止电流为0.2A;
搁置3min;
恒流恒压充电30min,其中充电电流1A,充电电压3.65V,截止电流为0.2A;
搁置5min;
恒流放电150min,其中放电电流2.95A,截止电压为2.6V;
恒流放电30min,其中放电电流1A,截止电压为2.6V;
其中最后两个步骤的放电容量之和即为电芯的分容容量。
请参考图2,图2示出了对一个电动汽车退役电池进行电芯分容的结果,可以看到,电芯的容量分布近似符合均值为4484、方差为53的Weibull分布。
步骤130:对分容后的电芯进行参考性能测试,得到电芯的性能参数,电芯的性能参数包括电芯的内阻、库伦效率、能量效率等。首先,根据USABC(United States AdvancedBattery Consortium,美国先进电池联盟)电池测试标准,以1/3C速率对分容后的电芯进行容量校正。其中C为电池充放电速率的表示单位,以1C的速率将电芯从0充满需要1小时,以1/3C速率将电芯从0充满需要3小时。根据相关标准,电芯在1/3C速率下的放电容量可认为是该电芯的实时容量,因此可以以1/3C速率对电芯进行容量校正。
进行容量校正后,对电芯进行HPPC(Hybrid Pulse Power Characteristic,混合动力脉冲能力特性)混合脉冲测试以得到电芯的内阻,进行不同充放电速率的充放电测试以得到电芯的倍率性能。HPPC混合脉冲测试的过程主要由10秒的2C快速放电、40秒的静置以及10秒的1C快速充电组成,计算电芯直流内阻的公式为:
其中V1、V2可以是任意工步中测得的电压曲线上的两个采样点,I1、I2是和V1、V2对应的电流值。
电芯的倍率性能测试包括对电芯进行0.1C、1/3C、2/3C、1C等不同速率的充放电测试,得到电芯在不同充放电速率下的充放电容量,据此计算电芯在不同充放电速率下的库伦效率和能量效率。电芯的库伦效率和能量效率只有达到一定水平才能用于梯次利用。请参考图3,图3示出了对某个电芯进行倍率性能测试的结果,可以看到,在4种倍率下,电芯的能量效率均在80%以上,库伦效率均在95%以上,那么该电芯老化程度不严重,可以用于梯次利用。
步骤140:对电芯进行脉冲电流测试,得到电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4,其中i为电芯序号,由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到电芯的脉冲电压特征,将脉冲电压特征输入预设的神经网络模型以得到电芯的容量。
申请人对电芯进行了老化测试,经研究发现电芯的老化程度与电芯的脉冲电压特征密切相关。电芯的容量一定程度上反映了电芯的老化程度,容量大的电芯老化程度较小,容量小的电芯老化程度较大,因此申请人对不同容量的电芯进行了老化测试,比较不同容量的电芯间的老化差异,发现电芯的容量与电芯的脉冲电压特征密切相关,因此提出了用神经网络模型拟合电芯的脉冲电压特征和电芯的容量之间的关系,通过电芯的脉冲电压特征来计算电芯的容量的方法。电芯的老化测试包括对电芯进行增量容量分析和电化学阻抗谱分析,下面具体说明。
对电芯进行增量容量分析,首先对电芯进行0.1C速率的充放电测试,测试中对电芯的电压和容量进行等时间间隔采样得到电压序列{Vi,j|i=m,j=1,2,…,n}和容量序列{Qi,j|i=m,j=1,2,…,n},其中V表示电压,Q表示容量,i表示电芯序号,j表示电压或容量采样数据时间序号,m和n为大于0的整数。然后对电压序列和容量序列进行线性样条插值处理,得到线性样条插值函数Q=f(V),线性样条插值函数Q=f(V)由n-1个多项式组成,其中第k个多项式的表达式为:
任意的两个相邻的多项式在连接点处都是连续的,因此Q=f(V)是一个连续函数。记电压序列中的最小值为Vmin,最大值为Vmax,将Vmin到Vmax范围内的电压等间隔划分,得到由1000个等间隔电压组成的新电压序列{V* i,j|i=m,j=1,2,…,1000},将新电压序列代入线性样条插值函数Q=f(V)得到新容量序列{Q* i,j|i=m,j=1,2,…,1000}。
对于所获得的新电压序列和新容量序列,进行容量关于电压的微分处理以得到增量容量序列。由于V* i,j+1-V* i,j为一较小值,因此,可以使用新电压序列相邻两点的差值来做微分的近似计算,具体的,可以计算ICi,j=ΔQ* i,j/ΔV* i,j=(Q* i,j+1-Q* i,j)/(V* i,j+1-V* i,j),从而得到增量容量序列{ICi,j|i=m,j=1,2,…,999}。由增量容量序列可以拟合得到容量关于电压的微分曲线,以LiFePO4电池为例,得到的容量关于电压的微分曲线如图4所示,曲线峰值对应于正负极活性材料的相变过程。对于LiFePO4电池来说,电池充电过程中,正极材料由LiFePO4逐渐转化为FePO4,正极发生了由LiFePO4到FePO4的两相相变过程,从而在正极上形成一个充电电压平台,对应于曲线中的峰值P1;负极在电池充电时,随着Li+嵌入,负极上的石墨材料会有三个相变过程,表现出三个明显的电势平台,分别对应于曲线中的峰值P1、P2和P5。
对电芯进行电化学阻抗谱分析,首先要建立电芯的交流等效电路。电芯的电化学阻抗谱如图5所示,可以分为三个区域:高频区半圆,中频区凹弧和低频区斜线,电芯的交流等效电路可以用来拟合电化学阻抗谱。请参考图6,电芯的交流等效电路包括串联的高频等效电路、中频等效电路和低频等效电路。高频等效电路包括电阻R0,中频等效电路包括电容C1和电阻R1,电容C1和电阻R1并联,低频等效电路包括电容C2、电阻R2和Warburg阻抗w,电阻R2和Warburg阻抗w串联后与电容C2并联。电芯内部在工作时,在不同频率的交流电下发生着不同的电化学过程,在高频区发生的是电子的转移,在等效电路中用电阻R0来表示;在中频区发生的是离子在SEI膜(Solid Electrolyte Interface,固体电解质界面膜)的迁移,在等效电路中用电容C1和电阻R1来表示;在低频区发生的是电荷的转移和离子的扩散,在等效电路中用电容C2和电阻R2来表示电荷的转移,用Warburg阻抗w来表示离子的扩散。建立电芯的交流等效电路后,使用电化学工作站对电芯施加10mHz-100kHz频率的交流电,根据电芯的响应通过相关软件拟合交流等效电路中的元件参数。申请人对不同容量的电芯进行了电化学阻抗谱分析,得到的等效电路中各元件参数与电芯容量的关系如图7所示。
综合上述分析可以看到,Warburg阻抗w与电芯的容量具有一定的负相关性,随着电芯容量的减小而显著增大,也就是说随着电芯老化程度的加深Warburg阻抗w显著增大,表明低频区离子扩散受到的阻抗随着电芯老化程度的加深而加大,电芯中锂离子迁移速率随着电芯老化程度的加深而减慢。而对电芯进行脉冲电流测试得到的脉冲电压特征,是电芯老化导致的锂离子迁移速率降低和正极材料相变的外在表现,因此电芯的脉冲电压特征与电芯的老化程度密切相关,从而与电芯的容量也是密切相关的,据此申请人提出用神经网络模型拟合电芯的脉冲电压特征和电芯的容量之间的关系,通过电芯的脉冲电压特征来计算电芯的容量的方法。请参考图8,神经网络模型的构建流程包括步骤141~148,下面具体说明。
步骤141:对电芯进行脉冲电流测试,得到电芯的脉冲电压特征。对电芯的脉冲电流测试可以包括:
将电池中的模组充分静置得到初始电压V0,由于同一模组内的电芯是相互并联的,它们的初始电压近似相同,因此可以将V0作为同一模组中各个电芯的初始电压;
对电芯进行1/2C恒流充电5min,再充分静置1h;
记充电开始后0.01s时电芯的电压为突增电压Vi1;
记充电5min后电芯电压稳定时的最高值为渐增电压Vi2;
记断电后0.01s时电芯的电压为突减电压Vi3;
记断电1h时后电芯电压稳定时的最低值为渐减电压Vi4。
请参考图9,图9给出了对电芯进行脉冲电流测试的过程中,电芯的电压随时间的变化曲线,以及突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4在曲线中的大致位置。电芯的脉冲电压特征可以由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到,在一些实施例中可以将Vi1-V0、Vi2-Vi1、Vi3-Vi2和Vi4-Vi3的结果作为电芯的脉冲电压特征,用作神经网络模型的输入数据。
步骤142:数据归一化。通过适当的数据归一化,能够使训练具有更高的效率和更强的鲁棒性,从而提高收敛速度。这里,将输入数据标准化到-1到1的范围,用公式表示如下:
其中x为归一化前的数据,x’为归一化后的数据,xmax和xmin分别表示输入数据中的最大值和最小值。
步骤143:获取隐藏层的输出值。隐藏层的输出值可以表示为:
其中xi为第i个输入数据,n为输入数据数,Hj为第j个隐藏层节点的输出值,lH为隐藏层的节点数,wij为网络权重,aj为隐含层的阈值,f为激活函数,具体公式为:
步骤144:获取输出层的输出值。输出层的输出值可以表示为:
其中OP为第p个输出层节点的输出值,mo为输出层的节点数,wjp为网络权重,bp为输出层的阈值。这里可以将输出层的节点设置为一个,将输出值作为电芯容量的预测值。
步骤145:误差计算。将电芯容量的预测值Op和实际值Yp进行比较,得到误差值ep,具体公式为:
ep=YP-Op,p=1,2,…,mo。
步骤146:权重值更新。根据误差值ep对网络权重值wij和wjp进行实时更新。具体公式为:
其中η为学习速率,w’ij和w’jp为更新后的权重值。
步骤147:阈值更新。根据误差值ep对阈值aj和bp进行实时更新。具体公式为:
步骤148:重复执行步骤143~147,直至达到预设的停止条件,例如达到设定的精度要求或最大迭代次数,此时就完成了神经网络模型的构建。
对需要被检测的电芯进行步骤141中所述的脉冲电流测试,得到脉冲电压特征,输入到构建好的神经网络模型中,就可以得到电芯的容量,所得到的电芯的容量值可以称为电芯容量的预测值,图9给出了电芯容量的预测值与真实值的对比图,可以看到,大部分情况下电芯容量的预测值和真实值是比较接近的。
步骤150:根据电芯的性能参数和容量,筛选出可梯次利用的电芯。根据电芯的性能参数和容量可以对电芯的老化程度进行评估,剔除掉老化严重、不适于进行梯次利用的电芯,筛选出可梯次利用的电芯,还可以根据电芯的性能参数和容量对电芯进行分级,将不同级别的电芯应用于不同的领域,实现梯次利用。
依据上述实施例的通过对电动汽车退役电池进行AI检测来筛选的方法,首先对电动汽车退役电池进行由外观到内部构造的初步筛选,将筛选出来的退役电池拆解成相应的电芯,对拆解出来的电芯进行参考性能测试得到电芯的性能参数;同时引入人工智能来辅助进行电芯容量的检测,即对电芯进行脉冲电流测试,得到电芯的脉冲电压特征,将电芯的脉冲电压特征输入预设的神经网络模型以得到电芯的容量;最后根据电芯的性能参数和容量,筛选出可梯次利用的电芯,由此能够快速、准确地剔除衰退严重的退役电池,减少了检测时间和工作量,提高了检测精度;同时将退役电池拆解成易于梯次利用的最小单元电芯,并对电芯进行性能检测和筛选,方便后续利用电芯进行梯次利用,有利于促进电动汽车退役电池的梯次利用。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应仅由权利要求确定。
Claims (8)
1.一种通过对电动汽车退役电池进行AI检测来筛选的方法,其特征在于,包括:
对退役电池进行初步评估,筛选出可梯次利用的退役电池;
将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容;
对分容后的电芯进行参考性能测试,得到电芯的性能参数;
对电芯进行脉冲电流测试,得到电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4,其中i为电芯序号,由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到电芯的脉冲电压特征,将脉冲电压特征输入预设的神经网络模型以得到电芯的容量;
根据电芯的性能参数和容量,筛选出可梯次利用的电芯;
其中所述对电芯进行脉冲电流测试,得到电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4,其中i为电芯序号,由电芯的突增电压Vi1、渐增电压Vi2、突减电压Vi3和渐减电压Vi4计算得到电芯的脉冲电压特征,包括:
将电池中的模组充分静置得到初始电压V0,将V0作为同一模组中各个电芯的初始电压;
对电芯进行1/2C恒流充电5min,再充分静置1h;
记充电开始后0.01s时电芯的电压为突增电压Vi1;
记充电5min后电芯电压稳定时的最高值为渐增电压Vi2;
记断电后0.01s时电芯的电压为突减电压Vi3;
记断电1h时后电芯电压稳定时的最低值为渐减电压Vi4;
计算Vi1-V0、Vi2-Vi1、Vi3-Vi2和Vi4-Vi3的结果作为电芯的脉冲电压特征。
2.如权利要求1所述的方法,其特征在于,所述对退役电池进行初步评估,筛选出可梯次利用的退役电池,包括:
对电池的历史数据进行评估,对于历史数据出现异常的,直接剔除;
对电池、电池中各个模组和各个模组中的电芯进行外观检测,对于出现胀气、破损和鼓包的,直接剔除;
对电池、电池中各个模组和各个模组中的电芯进行绝缘检测,对于出现短路的,直接剔除;
打开电池箱盖检查箱内结构及组件的完整性,对于出现锈蚀或残缺的,直接剔除。
3.如权利要求1所述的方法,其特征在于,所述将可梯次利用的退役电池拆解成相应的电芯,并进行电芯分容,包括:
将可梯次利用的退役电池机械拆解成一个个独立的单体电芯,使用多通道电芯检测分容设备测得各个电芯的分容容量,得到各个容量水平的电芯。
4.如权利要求3所述的方法,其特征在于,所述使用多通道电芯检测分容设备测得各个电芯的分容容量包括对电芯进行以下步骤:
恒流恒压充电1min,并循环5次,其中充电电流0.6A,充电电压3.7V;
恒流恒压充电5min,其中充电电流2.95A,充电电压3.65V;
恒流放电3min,其中放电电流1A;
恒流恒压充电150min,其中充电电流2.95A,充电电压3.65V,截止电流为0.2A;
搁置3min;
恒流恒压充电30min,其中充电电流1A,充电电压3.65V,截止电流为0.2A;
搁置5min;
恒流放电150min,其中放电电流2.95A,截止电压为2.6V;
恒流放电30min,其中放电电流1A,截止电压为2.6V;
其中最后两个步骤的放电容量之和即为电芯的分容容量。
5.如权利要求1所述的方法,其特征在于,所述对分容后的电芯进行参考性能测试,得到电芯的性能参数,包括:
根据USABC电池测试标准,以1/3C速率对分容后的电芯进行容量校正;
对电芯进行HPPC混合脉冲测试以得到电芯的内阻;
对电芯进行不同充放电速率的充放电测试,得到电芯在不同充放电速率下的充放电容量,据此计算电芯在不同充放电速率下的库伦效率和能量效率;所述电芯的性能参数包括电芯的内阻、库伦效率和能量效率。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:在对电芯进行脉冲电流测试前,对电芯进行增量容量分析和电化学阻抗谱分析。
7.如权利要求6所述的方法,其特征在于,所述增量容量分析包括:
对电芯进行0.1C的充放电测试,测试中对电芯电压和容量进行等时间间隔采样得到电压序列{Vi,j|i=m,j=1,2,…,n}和容量序列{Qi,j|i=m,j=1,2,…,n},其中V表示电压,Q表示容量,i表示电芯序号,j表示电压或容量采样数据时间序号,m和n为大于0的整数;
对电压序列和容量序列进行线性样条插值处理,得到线性样条插值函数Q=f(V),线性样条插值函数Q=f(V)由n-1个多项式组成,其中第k个多项式的表达式为:
记电压序列中的最小值为Vmin,最大值为Vmax,将Vmin到Vmax范围内的电压等间隔划分,得到由1000个等间隔电压组成的新电压序列{V* i,j|i=m,j=1,2,…,1000},将新电压序列代入线性样条插值函数Q=f(V)得到新容量序列{Q* i,j|i=m,j=1,2,…,1000};
对于新电压序列和新容量序列,计算ICi,j=ΔQ* i,j/ΔV* i,j=(Q* i,j+1-Q* i,j)/(V* i,j+1-V* i,j),得到增量容量序列{ICi,j|i=m,j=1,2,…,999}。
8.如权利要求6所述的方法,其特征在于,所述电化学阻抗谱分析包括:
建立电芯的交流等效电路,使用电化学工作站对电芯施加10mHz-100kHz频率的交流电,根据电芯的响应拟合交流等效电路中的元件参数;
其中所述交流等效电路包括串联的高频等效电路、中频等效电路和低频等效电路,所述高频等效电路包括电阻R0,所述中频等效电路包括电容C1和电阻R1,电容C1和电阻R1并联,所述低频等效电路包括电容C2、电阻R2和Warburg阻抗,电阻R2和Warburg阻抗串联后与电容C2并联。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449312 | 2020-12-09 | ||
CN2020114493122 | 2020-12-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113238157A CN113238157A (zh) | 2021-08-10 |
CN113238157B true CN113238157B (zh) | 2022-11-22 |
Family
ID=77132364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110495066.2A Active CN113238157B (zh) | 2020-12-09 | 2021-05-07 | 一种通过对电动汽车退役电池进行ai检测来筛选的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113238157B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002601A (zh) * | 2021-09-24 | 2022-02-01 | 河南利威新能源科技有限公司 | 一种退役锂离子电池电芯容量的计算方法及装置 |
CN114130713B (zh) * | 2021-10-29 | 2023-07-07 | 广东邦普循环科技有限公司 | 一种电池梯次利用的筛选方法及装置 |
CN115602949A (zh) * | 2022-09-23 | 2023-01-13 | 广东邦普循环科技有限公司(Cn) | 一种废旧电池梯次使用的筛选方法 |
CN116774044B (zh) * | 2023-05-23 | 2024-02-20 | 山东科技大学 | 一种退役锂电池组的健康状态评价方法 |
CN116338487B (zh) * | 2023-05-29 | 2023-10-20 | 宁德时代新能源科技股份有限公司 | 电芯检测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199109A (zh) * | 2018-01-16 | 2018-06-22 | 上海应用技术大学 | 一种退役动力电池包梯次利用的筛选方法 |
CN109530275A (zh) * | 2018-12-04 | 2019-03-29 | 中国电力科学研究院有限公司 | 退役电池分选方法及系统 |
CN110187287A (zh) * | 2019-06-24 | 2019-08-30 | 安徽师范大学 | 一种退役锂电池余能快速检测方法 |
CN110504501A (zh) * | 2019-08-19 | 2019-11-26 | 国网河北省电力有限公司石家庄供电分公司 | 退役电池梯次利用方法及系统 |
CN110596612A (zh) * | 2019-09-16 | 2019-12-20 | 上海理工大学 | 一种对面向梯次利用的退役锂电池分类方法的选取方法 |
CN110614236A (zh) * | 2019-06-11 | 2019-12-27 | 恒大新能源科技集团有限公司 | 一种退役电池梯次利用的筛选方法 |
CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
CN111906036A (zh) * | 2020-07-22 | 2020-11-10 | 上海快卜新能源科技有限公司 | 一种基于梯次利用电池的检测装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101066379B1 (ko) * | 2011-03-23 | 2011-09-20 | 노세호 | 리튬배터리 충전장치 및 방법 |
US20160178706A1 (en) * | 2014-12-17 | 2016-06-23 | National Chung Shan Institute Of Science And Technology | Method and apparatus of detecting states of battery |
EP3563465B1 (en) * | 2016-12-29 | 2023-08-02 | Vito NV | Hybrid battery charger/tester |
-
2021
- 2021-05-07 CN CN202110495066.2A patent/CN113238157B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199109A (zh) * | 2018-01-16 | 2018-06-22 | 上海应用技术大学 | 一种退役动力电池包梯次利用的筛选方法 |
CN109530275A (zh) * | 2018-12-04 | 2019-03-29 | 中国电力科学研究院有限公司 | 退役电池分选方法及系统 |
CN110614236A (zh) * | 2019-06-11 | 2019-12-27 | 恒大新能源科技集团有限公司 | 一种退役电池梯次利用的筛选方法 |
CN110187287A (zh) * | 2019-06-24 | 2019-08-30 | 安徽师范大学 | 一种退役锂电池余能快速检测方法 |
CN110504501A (zh) * | 2019-08-19 | 2019-11-26 | 国网河北省电力有限公司石家庄供电分公司 | 退役电池梯次利用方法及系统 |
CN110596612A (zh) * | 2019-09-16 | 2019-12-20 | 上海理工大学 | 一种对面向梯次利用的退役锂电池分类方法的选取方法 |
CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
CN111906036A (zh) * | 2020-07-22 | 2020-11-10 | 上海快卜新能源科技有限公司 | 一种基于梯次利用电池的检测装置 |
Non-Patent Citations (3)
Title |
---|
Rapid Sorting and Regrouping of Retired;Xin Lai et al.;《IEEE Transactions on Vehicular Technology》;20210127;第70卷(第2期);1246 - 1254 * |
Sorting Method for Retired Power Battery Module Considering Consistent Static and Dynamic Characteristics;Ning Yan et al.;《2020 IEEE International Conference on Applied Superconductivity and Electromagnetic Devices (ASEMD)》;20201215;1-2 * |
电动汽车退役电池剩余容量估计与分选方法研究;李济飞;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210215(第2期);C035-998 * |
Also Published As
Publication number | Publication date |
---|---|
CN113238157A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113238157B (zh) | 一种通过对电动汽车退役电池进行ai检测来筛选的方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN108445406B (zh) | 一种动力电池健康状态估计方法 | |
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
Mesbahi et al. | Dynamic model of li-ion batteries incorporating electrothermal and ageing aspects for electric vehicle applications | |
CN103675707A (zh) | 锂离子电池峰值功率在线评估方法 | |
El Ghossein et al. | Survey on electrical modeling methods applied on different battery types | |
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 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
Tan et al. | Joint estimation of ternary lithium-ion battery state of charge and state of power based on dual polarization model | |
Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
Zhou et al. | Battery state of health estimation using the generalized regression neural network | |
Sarrafan et al. | Real-time state-of-charge tracking system using mixed estimation algorithm for electric vehicle battery system | |
Sun et al. | Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares | |
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 | |
Zhang et al. | State-of-charge estimation of li-ion batteries based on a hybrid model using nonlinear autoregressive exogenous neural networks | |
Arumugam et al. | Comparative Analysis and Validation of Basic Battery Models for Electric Vehicles Applications | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
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 | |
Yang et al. | Temperature dependent state of charge estimation of lithium-ion batteries using long short-term memory network and kalman filter | |
Putra et al. | Comparative Study of Kalman Filter and H infinity Filter for Current Sensorless Battery Health Analysis | |
Zheng et al. | State of power and state of charge estimation of vanadium redox flow battery based on an online equivalent circuit model | |
Aung et al. | Modeling and state of charge estimation of a lithium ion battery using unscented Kalman filter in a nanosatellite |
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 |