CN113255205A - 基于电动汽车电池的生命周期成本和电池温度优化方法 - Google Patents

基于电动汽车电池的生命周期成本和电池温度优化方法 Download PDF

Info

Publication number
CN113255205A
CN113255205A CN202110360348.1A CN202110360348A CN113255205A CN 113255205 A CN113255205 A CN 113255205A CN 202110360348 A CN202110360348 A CN 202110360348A CN 113255205 A CN113255205 A CN 113255205A
Authority
CN
China
Prior art keywords
battery
capacity
interval
cycle
temperature
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
Application number
CN202110360348.1A
Other languages
English (en)
Other versions
CN113255205B (zh
Inventor
马奚杰
卞海红
王德邻
徐天
姜昊言
朱晓
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202110360348.1A priority Critical patent/CN113255205B/zh
Publication of CN113255205A publication Critical patent/CN113255205A/zh
Application granted granted Critical
Publication of CN113255205B publication Critical patent/CN113255205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/637—Control systems characterised by the use of reversible temperature-sensitive devices, e.g. NTC, PTC or bimetal devices; characterised by control of the internal current flowing through the cells, e.g. by switching
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明公开了一种基于电动汽车电池的生命周期成本和电池温度优化方法，建立可预测不同温度下生命周期状态和荷电状态的循环神经网络模型、电池发热模型和电池与环境的传热模型，用于分析不同的电池温度下电池生命周期成本和续航里程的影响，从而给出电动汽车总运营成本最低的温度优化值，根据环境温度的不同，对电池模组采用加热或冷却来达到电池最优化的温度，本发明的有益效果：基于平衡电池全生命周期成本与电动汽车续航的动力电池温度优化方法，行车时，能实现兼顾驱动功率需求、电池全生命周期成本和汽车续航里程；对续航里程和降低电池全生命周期成本进行混合型评价，使行车成本与续航达到最优化。

Description

基于电动汽车电池的生命周期成本和电池温度优化方法
技术领域
本发明涉及电池监管技术领域，具体是一种基于电动汽车电池的生命周期成本和电池温度优化方法。
背景技术
温度主要影响电池内部极片物质的活性和电解质性能。温度过高和过低对电池的容量都有较大的影响。锂离子电池在低温时电池的活性明显降低，锂的嵌入和脱出的能力下降，电池内阻、极化电压增加，实际可用容量减少，电池放电能力下降，放电平台低、电池更加容易达到放电截止电压，表现为电池可用容量减小，电池能量利用效率下降。同样，锂离子电池在温度升高的环境下，在正负极之间的锂离子脱出和嵌入变得活跃，从而电池内阻减小，内阻稳定时间变长，使得外电路中电子迀移量增多，容量得到更加有效的发挥。但是电池长时间在高温环境下工作，正极晶格结构的稳定性会变差，电池的安全性会降低，电池的寿命会明显缩短。
电池生命周期管理是动力电池产业链发展的另一重要方向。在电池使用阶段，利用大数据、人工智能和云技术等手段，对电池健康状态、剩余电量等关键指标进行准确的实时监控，实现提前预警,提高电池安全性；与此同时，对电池进行智能充电，提升充电安全性，延长电池寿命。在动力电池退役阶段，利用收集的使用阶段数据进行分析,评估电池是否能够进入梯次利用阶段以及选择合适的梯次利用场景,并可继续收集梯次阶段的数据。而利用“智能电池"收集到的动力电池全生命周期数据可以指导建立动力电池价值评估体系，从而促进电动汽车残值评估体系的建立。
发明内容
本发明的目的在于提供一种基于电动汽车电池的生命周期成本和电池温度优化方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于电动汽车电池的生命周期成本和电池温度优化方法，包括以下步骤；第一步：建立可预测不同温度下生命周期状态和荷电状态的循环神经网络模型、电池发热模型和电池与环境的传热模型，用于分析不同的电池温度下电池生命周期成本和续航里程的影响，从而给出电动汽车总运营成本最低的温度优化值；第二步：根据环境温度的不同，对电池模组采用加热或冷却来达到电池最优化的温度。
作为本发明进一步的方案：关于步骤一中，所述循环神经网络模型基于LSTM的锂离子电池区间生命周期模型初始化为双层LSTM结构，每层的神经元数量分别是50个和100个，采用Adam优化方法，Dense层用于输出最终的估计结果，模型学习率为10-4，在模型达到最优值或训练损失变化小于规定阈值时，Earlystop函数能够使模型停止训练，LSTM根据区间范围[SOCk-1,SOCk]的不同，输出不同循环次数下的电池容量值；
首先采用电池的初始容量和区间特征分别分析温度、循环区间荷电状态宽度、恒压充电时间、平均荷电状态和充电相变过程对电池老化快慢的作用机制提取量化荷电状态区间对老化影响程度大小的特征参数，建立循环神经网络模型；
选取[5％,95％]和[15％,95％]两个区间开展循环寿命测试，以[0,100％]全区间作为参考区间,电池的健康状态用当前容量Q present与初始容量Q initial的百分比来表征，所述电池的健康状态的表达式为
Figure BDA0003005308780000021
Figure BDA0003005308780000022
选取11个荷电状态区间，每个独立荷电状态区间选取同一批次的3个测试单体，在不同的环境温度下，所有单体按照标准充放电方式进行循环测试，从测试起点开始，每完成100次循环寿命测试，进行一次性能测试，所述性能测试包括容量测试、混合功率脉冲特性测试和容量增量分析性能测试
由于部分区间宽度差异较大，无法仅根据区间循环次数和容量衰退值对比不同荷电状态区间下电池老化速度的快慢，此时需要将分区间循环次数转换成等效全区间循环次数后再进行对比分析，基于容量吞吐量相同的原则，每100次分区间循环的等效全区间循环次数为循环过程中电池的累计放电容量Qcycle除以上一次性能测试中得到的容量值Capcycle-10，即可的带等效全区间循环次数：
Figure BDA0003005308780000023
选取区间宽度中电池循环过程中的放电深度和平均荷电状态两个参数对区间进行量化，其中平均荷电状态代表了区间内的电压水平，分别用区间上限SOCk和区间下限SOCk-1与容量增量特征荷电区间点的距离来表述循环区间与电池电压平台之间的包含关系；将区间内是否存在恒压充电阶段作为布尔型输入特征，如果区间内经历恒压充电，该特征取值为1，反之为0；区间上限SOCk到100％的距离说明了区间恒压充电时间的多少；选取等效全区间循环次数作为时序数据的时间轴；将上一个数据点的容量值作为模型特征以计算当前的老化状态并对下一个时刻的循环结果产生的影响，其表达式如下：Ct+1＝f(Ct,Ct-1,Ct-2…C1),在进行t+1次循环时Ct会影响电池的循环过程进而影响到t+1时刻的容量值Ct+1，锂离子电池的衰退容量值之间存在关联性。
作为本发明进一步的方案：所述电池发热模型主要包含电化学反应热、焦耳热、极化产热及副反应热，Q＝Qrea+Qact+Qohm+Qsid；其中，Qrea为反应热；Qact为极化产热；Qohm为欧姆产热；Qsid为副反应产热，其中单体动力电池生热率为q＝MCΔT，M、C、ΔT分别表示单体电池总质量、比热容、电池放电过程中每5秒电池温升值，其中电池比热容
Figure BDA0003005308780000031
Figure BDA0003005308780000032
Mcor、Mpos、Mneg、Mcase分别表示电池正极柱质量、负极柱质量、外壳铝的质量，Ccore、Cpos、Cneg、Ccase分别表示电池正极柱比热容、负极柱比热容、外壳铝比热容。
作为本发明进一步的方案：所述电池与环境的传热模型具体是由对流换热模型和热传导模型构成，所述热传导模型的具体表达式如下：
Figure BDA0003005308780000033
Figure BDA0003005308780000034
其中ρ、c、λ分别为密度、比热容、导热系数，
Figure BDA0003005308780000035
为x方向温度梯度分量；所述对流换热模型的具体表达式为：
Figure BDA0003005308780000036
λ、h、T、T∞、
Figure BDA0003005308780000037
分别是物体导热系数、对流换热系数、壁面温度、流体介质温度和温度梯度。
作为本发明进一步的方案：所述电池生命周期成本包括电池购置成本、电池回收所得、热管理耗费电量、驱动用电、高温时的自放电和电池寿命衰减，当电池的容量衰退至75％-85％时达到电池退役标准，其中退役电池市场售价采用数据拟合、插值得到，电池的残余容量为电池组退役标准的前瞻规划值，模组故障率设为0.1％；计算得到退役电池收购价格的上限值后对该值扣除6％的净利润即为电池回收价格；当电池容量衰减至初始容量的80％时寿命终结，那么每个循环的电池衰退成本就等于每个循环带来的衰退率除以20％，乘以电池总成本。
作为本发明进一步的方案：关于步骤二，对部分电池模组采用正弦交流激励对动力电池进行低温下的内部加热，所述交流加热的限压阈值为4.2V/2.75V，频率在10Hz以上，每次低温工况下冷启动时，对即热管理的电池模块采用轮换机制，以保持电池在长期使用过程中的参数一致性，即电气连接层面的和荷电状态层面的一致性。
与现有技术相比，本发明的有益效果是：
1、行车时，能实现兼顾驱动功率需求、电池全生命周期成本和汽车续航里程。对续航里程和降低电池全生命周期成本进行混合型评价，使行车成本与续航达到最优化；
2、实验表明在低温环境中，较普通电池，电池容量跳水率和电池生命衰减率大大减少，在加热工况下，交流加热方法具有响应快、对动力电池能耗小、温度场分布均匀、使用成本较低和加热效率较高的优势,其中模型预测值与电池实际值匹配度非常高，尽管存在积累误差的影响，该模型可以很好学习到不同老化因素对电池生命周期衰退的作用，从而准确预测到任意电池循环区间下电池容量变化趋势。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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为本发明电池生命周期与电池健康状态预测误差统计表；
图2为本发明流程步骤图；
图3为本发明电池生命周期老化模型图；
图4为本发明电池充放电以及交流加热模型。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，其具体的步骤如下：
首先建立可预测不同温度下生命周期状态和荷电状态的循环神经网络模型、电池发热模型和电池与环境传热模型；用于分析不同维持不同电池温度对电池生命周期成本和续航里程的影响，从而给出电动汽车总运营成本最低的温度优化值；
然后根据环境温度的不同，对电池模组采用加热或冷却来达到电池最优化的温度；在低温工况运行时，启动时先对部分电池模组进行加热，模组采用正弦交流激励对动力电池进行内部迅速加热，提高车辆启动性能，当这部分电池模组最高温度达到20摄氏度时，转为液冷加热，液冷加热全部电池模组，在放电模式下采用BMS主动均衡策略，控制变压器原边导通，由外部向Cell转移能量，逐渐平衡整体电池模组的荷电一致性；高温工况运行时，液冷系统的冷媒采用空调冷却液，当荷电状态模块预计剩余里程小于导航里程时，优先提供驱动用电。
所述循环神经网络模型基于LSTM的锂离子电池区间生命周期模型初始化为双层LSTM结构，每层的神经元数量分别是50个和100个，采用Adam优化方法，Dense层用于输出最终的估计结果，模型学习率为10-4，在模型达到最优值或训练损失变化小于规定阈值时，Earlystop函数能够使模型停止训练，LSTM根据区间范围[SOCk-1,SOCk]的不同，输出不同循环次数下的电池容量值；
首先采用电池的初始容量和区间特征分别分析温度、循环区间荷电状态宽度、恒压充电时间、平均荷电状态和充电相变过程对电池老化快慢的作用机制提取量化荷电状态区间对老化影响程度大小的特征参数，建立循环神经网络模型；
选取[5％,95％]和[15％,95％]两个区间开展循环寿命测试，以[0,100％]全区间作为参考区间,电池的健康状态用当前容量Q present与初始容量Q initial的百分比来表征，所述电池的健康状态的表达式为
Figure BDA0003005308780000051
Figure BDA0003005308780000052
选取11个荷电状态区间，每个独立荷电状态区间选取同一批次的3个测试单体，在不同的环境温度下，所有单体按照标准充放电方式进行循环测试，从测试起点开始，每完成100次循环寿命测试，进行一次性能测试，所述性能测试包括容量测试、混合功率脉冲特性测试和容量增量分析性能测试
由于部分区间宽度差异较大，无法仅根据区间循环次数和容量衰退值对比不同荷电状态区间下电池老化速度的快慢，此时需要将分区间循环次数转换成等效全区间循环次数后再进行对比分析，基于容量吞吐量相同的原则，每100次分区间循环的等效全区间循环次数为循环过程中电池的累计放电容量Qcycle除以上一次性能测试中得到的容量值Capcycle-100，即可的带等效全区间循环次数：
Figure BDA0003005308780000061
选取区间宽度中电池循环过程中的放电深度和平均荷电状态两个参数对区间进行量化，其中平均荷电状态代表了区间内的电压水平，分别用区间上限SOCk和区间下限SOCk-1与容量增量特征荷电区间点的距离来表述循环区间与电池电压平台之间的包含关系；将区间内是否存在恒压充电阶段作为布尔型输入特征，如果区间内经历恒压充电，该特征取值为1，反之为0；区间上限SOCk到100％的距离说明了区间恒压充电时间的多少；选取等效全区间循环次数作为时序数据的时间轴；将上一个数据点的容量值作为模型特征以计算当前的老化状态并对下一个时刻的循环结果产生的影响，其表达式如下：Ct+1＝f(Ct,Ct-1,Ct-2…C1),在进行t+1次循环时Ct会影响电池的循环过程进而影响到t+1时刻的容量值Ct+1，锂离子电池的衰退容量值之间存在关联性。
所述电池发热模型主要包含电化学反应热、焦耳热、极化产热及副反应热，Q＝Qrea+Qact+Qohm+Qsid；其中，Qrea为反应热；Qact为极化产热；Qohm为欧姆产热；Qsid为副反应产热，其中单体动力电池生热率为q＝MCΔT，M、C、ΔT分别表示单体电池总质量、比热容、电池放电过程中每5秒电池温升值，其中电池比热容
Figure BDA0003005308780000062
Mcore、Mpos、Mneg、Mcase分别表示电池正极柱质量、负极柱质量、外壳铝的质量，Ccore、Cpos、Cneg、Ccase分别表示电池正极柱比热容、负极柱比热容、外壳铝比热容。
所述电池与环境的传热模型具体是由对流换热模型和热传导模型构成，所述热传导模型的具体表达式如下：
Figure BDA0003005308780000063
其中ρ、c、λ分别为密度、比热容、导热系数，
Figure BDA0003005308780000064
为x方向温度梯度分量；所述对流换热模型的具体表达式为：
Figure BDA0003005308780000065
λ、h、T、T∞、
Figure BDA0003005308780000066
分别是物体导热系数、对流换热系数、壁面温度、流体介质温度和温度梯度。
所述电池生命周期成本包括电池购置成本、电池回收所得、热管理耗费电量、驱动用电、高温时的自放电和电池寿命衰减，当电池的容量衰退至75％-85％时达到电池退役标准，其中退役电池市场售价采用数据拟合、插值得到，电池的残余容量为电池组退役标准的前瞻规划值，模组故障率设为0.1％；计算得到退役电池收购价格的上限值后对该值扣除6％的净利润即为电池回收价格；当电池容量衰减至初始容量的80％时寿命终结，那么每个循环的电池衰退成本就等于每个循环带来的衰退率除以20％，乘以电池总成本。
对部分电池模组采用正弦交流激励对动力电池进行低温下的内部加热，所述交流加热的限压阈值为4.2V/2.75V，频率在10Hz以上，每次低温工况下冷启动时，对即热管理的电池模块采用轮换机制，以保持电池在长期使用过程中的参数一致性，即电气连接层面的和荷电状态层面的一致性。
在常见的一个低温工况下，环境温度为-10℃时，驱动成本以平均百公里15kW.h计算，电价0.8元一度电，动力电池成本为1元/瓦时，放电电流在3C，加热温度在4℃时，整个电动汽车整体运营成本最低。随着加热温度的升高，电动汽车的整体运营成本也随之升高。
实验表明在低温环境中，较普通电池，电池容量跳水率和电池生命衰减率大大减少，在加热工况下，交流加热方法具有响应快、对动力电池能耗小、温度场分布均匀、使用成本较低和加热效率较高的优势。
其中模型预测值与电池实际值匹配度非常高，尽管存在积累误差的影响，该模型可以很好学习到不同老化因素对电池生命周期衰退的作用，从而准确预测到任意电池循环区间下电池容量变化趋势。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于，包括以下步骤；第一步：建立可预测不同温度下生命周期状态和荷电状态的循环神经网络模型、电池发热模型和电池与环境的传热模型，用于分析不同的电池温度下电池生命周期成本和续航里程的影响，从而给出电动汽车总运营成本最低的温度优化值；
第二步：根据环境温度的不同，对电池模组采用加热或冷却来达到电池最优化的温度。
2.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：关于步骤一中，所述循环神经网络模型基于LSTM的锂离子电池区间生命周期模型初始化为双层LSTM结构，每层的神经元数量分别是50个和100个，采用Adam优化方法，Dense层用于输出最终的估计结果，模型学习率为10-4，在模型达到最优值或训练损失变化小于规定阈值时，Earlystop函数能够使模型停止训练，LSTM根据区间范围[SOCk-1，SOCk]的不同，输出不同循环次数下的电池容量值；
首先采用电池的初始容量和区间特征分别分析温度、循环区间荷电状态宽度、恒压充电时间、平均荷电状态和充电相变过程对电池老化快慢的作用机制提取量化荷电状态区间对老化影响程度大小的特征参数，建立循环神经网络模型；
选取[5％，95％]和[15％，95％]两个区间开展循环寿命测试，以[0，100％]全区间作为参考区间，电池的健康状态用当前容量Q present与初始容量Qinitial的百分比来表征，所述电池的健康状态的表达式为
Figure FDA0003005308770000011
Figure FDA0003005308770000012
选取11个荷电状态区间，每个独立荷电状态区间选取同一批次的3个测试单体，在不同的环境温度下，所有单体按照标准充放电方式进行循环测试，从测试起点开始，每完成100次循环寿命测试，进行一次性能测试，所述性能测试包括容量测试、混合功率脉冲特性测试和容量增量分析性能测试。
3.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：所述电池发热模型主要包含电化学反应热、焦耳热、极化产热及副反应热，Q＝Qrea+Qact+Qohm+Qsid；其中，Qrea为反应热；Qact为极化产热；Qohm为欧姆产热；Qsid为副反应产热，其中单体动力电池生热率为q＝MCΔT，M、C、ΔT分别表示单体电池总质量、比热容、电池放电过程中每5秒电池温升值，其中电池比热容
Figure FDA0003005308770000021
Figure FDA0003005308770000022
Mcore、Mpos、Mmeg、Mcase分别表示电池正极柱质量、负极柱质量、外壳铝的质量，Ccore、Cpos、Cneg、Ccase分别表示电池正极柱比热容、负极柱比热容、外壳铝比热容。
4.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：所述电池与环境的传热模型具体是由对流换热模型和热传导模型构成，所述热传导模型的具体表达式如下：
Figure FDA0003005308770000023
Figure FDA0003005308770000024
其中ρ、c、λ分别为密度、比热容、导热系数，
Figure FDA0003005308770000025
为x方向温度梯度分量；所述对流换热模型的具体表达式为：
Figure FDA0003005308770000026
λ、h、T、T∞、
Figure FDA0003005308770000027
分别是物体导热系数、对流换热系数、壁面温度、流体介质温度和温度梯度。
5.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：所述电池生命周期成本包括电池购置成本、电池回收所得、热管理耗费电量、驱动用电、高温时的自放电和电池寿命衰减，当电池的容量衰退至75％-85％时达到电池退役标准，其中退役电池市场售价采用数据拟合、插值得到，电池的残余容量为电池组退役标准的前瞻规划值，模组故障率设为0.1％；计算得到退役电池收购价格的上限值后,对该值扣除6％的净利润即为电池回收价格；当电池容量衰减至初始容量的80％时寿命终结，那么每个循环的电池衰退成本就等于每个循环带来的衰退率除以20％，乘以电池总成本。
6.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：关于步骤二，对部分电池模组采用正弦交流激励对动力电池进行低温下的内部加热，所述交流加热的限压阈值为4.2V/2.75V，频率在10Hz以上，每次低温工况下冷启动时，对即热管理的电池模块采用轮换机制，以保持电池在长期使用过程中的参数一致性，即电气连接层面的和荷电状态层面的一致性。
7.根据权利要求2所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：由于部分区间宽度差异较大，无法仅根据区间循环次数和容量衰退值对比不同荷电状态区间下电池老化速度的快慢，此时需要将分区间循环次数转换成等效全区间循环次数后再进行对比分析，基于容量吞吐量相同的原则，每100次分区间循环的等效全区间循环次数为循环过程中电池的累计放电容量Qcycle除以上一次性能测试中得到的容量值Capcycle-100，即可的带等效全区间循环次数：
Figure FDA0003005308770000031
选取区间宽度中电池循环过程中的放电深度和平均荷电状态两个参数对区间进行量化，其中平均荷电状态代表了区间内的电压水平，分别用区间上限SOCk和区间下限SOCk-1与容量增量特征荷电区间点的距离来表述循环区间与电池电压平台之间的包含关系；将区间内是否存在恒压充电阶段作为布尔型输入特征，如果区间内经历恒压充电，该特征取值为1，反之为0；区间上限SOCk到100％的距离说明了区间恒压充电时间的多少；选取等效全区间循环次数作为时序数据的时间轴；将上一个数据点的容量值作为模型特征以计算当前的老化状态并对下一个时刻的循环结果产生的影响，其表达式如下：Ct+1＝f(Ct，Ct-1，Ct-2...C1)，在进行t+1次循环时Ct会影响电池的循环过程进而影响到t+1时刻的容量值Ct+1，锂离子电池的衰退容量值之间存在关联性。
8.根据权利要求1所述的一种基于电动汽车电池的生命周期成本和电池温度优化方法，其特征在于：关于步骤二，低温工况运行时，启动时先对部分电池模组进行加热，模组采用正弦交流激励对动力电池进行内部迅速加热，提高车辆启动性能，当这部分电池模组最高温度达到20摄氏度时，转为液冷加热，液冷加热全部电池模组，在放电模式下采用BMS主动均衡策略，控制变压器原边导通，由外部向Cell转移能量，逐渐平衡整体电池模组的荷电一致性；高温工况运行时，液冷系统的冷媒采用空调冷却液，当荷电状态模块预计剩余里程小于导航里程时，优先提供驱动用电。
CN202110360348.1A 2021-04-02 2021-04-02 基于电动汽车电池的生命周期成本和电池温度优化方法 Active CN113255205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360348.1A CN113255205B (zh) 2021-04-02 2021-04-02 基于电动汽车电池的生命周期成本和电池温度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360348.1A CN113255205B (zh) 2021-04-02 2021-04-02 基于电动汽车电池的生命周期成本和电池温度优化方法

Publications (2)

Publication Number Publication Date
CN113255205A true CN113255205A (zh) 2021-08-13
CN113255205B CN113255205B (zh) 2023-11-21

Family

ID=77220238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360348.1A Active CN113255205B (zh) 2021-04-02 2021-04-02 基于电动汽车电池的生命周期成本和电池温度优化方法

Country Status (1)

Country Link
CN (1) CN113255205B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885302A (zh) * 2023-07-24 2023-10-13 深圳蓝锂科技有限公司 基于bms实现退役电池的安全管理的方法及装置
CN117034666A (zh) * 2023-10-10 2023-11-10 西北工业大学 燃料电池汽车能量管理方法、系统、介质、设备及终端

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104300184A (zh) * 2014-10-14 2015-01-21 南方电网科学研究院有限责任公司 一种基于自适应-模糊推理系统实现电池充放电的方法
CN109987000A (zh) * 2019-02-19 2019-07-09 中国第一汽车股份有限公司 一种动力电池温度预测系统及方法
US20190217739A1 (en) * 2018-01-12 2019-07-18 Johnson Controls Technology Company Building energy optimization system with battery powered vehicle cost optimization
CN110310039A (zh) * 2019-07-02 2019-10-08 北斗航天信息网络技术有限公司 一种锂电池全生命周期在线优化监控系统及监控方法
CN110456274A (zh) * 2019-08-29 2019-11-15 清华大学 电池脉冲加热温升速率估计方法
CN111688540A (zh) * 2020-06-28 2020-09-22 厦门金龙联合汽车工业有限公司 一种混合动力汽车全生命周期动力电池控制方法
CN112034356A (zh) * 2020-09-09 2020-12-04 哈尔滨工业大学 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN112092676A (zh) * 2020-09-25 2020-12-18 吉林大学 一种利用虚拟温度传感器对电池包温度场的估算修正方法
CN112319462A (zh) * 2020-11-17 2021-02-05 河南科技大学 一种插电式混合动力汽车能量管理方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104300184A (zh) * 2014-10-14 2015-01-21 南方电网科学研究院有限责任公司 一种基于自适应-模糊推理系统实现电池充放电的方法
US20190217739A1 (en) * 2018-01-12 2019-07-18 Johnson Controls Technology Company Building energy optimization system with battery powered vehicle cost optimization
CN109987000A (zh) * 2019-02-19 2019-07-09 中国第一汽车股份有限公司 一种动力电池温度预测系统及方法
CN110310039A (zh) * 2019-07-02 2019-10-08 北斗航天信息网络技术有限公司 一种锂电池全生命周期在线优化监控系统及监控方法
CN110456274A (zh) * 2019-08-29 2019-11-15 清华大学 电池脉冲加热温升速率估计方法
CN111688540A (zh) * 2020-06-28 2020-09-22 厦门金龙联合汽车工业有限公司 一种混合动力汽车全生命周期动力电池控制方法
CN112034356A (zh) * 2020-09-09 2020-12-04 哈尔滨工业大学 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN112092676A (zh) * 2020-09-25 2020-12-18 吉林大学 一种利用虚拟温度传感器对电池包温度场的估算修正方法
CN112319462A (zh) * 2020-11-17 2021-02-05 河南科技大学 一种插电式混合动力汽车能量管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周维等: "基于高保真度电池老化模型的纯电动汽车全生命周期成本分析", 《2019中国汽车工程学会年会论文集（2）中国汽车工程学会》, pages 333 - 340 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885302A (zh) * 2023-07-24 2023-10-13 深圳蓝锂科技有限公司 基于bms实现退役电池的安全管理的方法及装置
CN116885302B (zh) * 2023-07-24 2024-04-02 深圳蓝锂科技有限公司 基于bms实现退役电池的安全管理的方法及装置
CN117034666A (zh) * 2023-10-10 2023-11-10 西北工业大学 燃料电池汽车能量管理方法、系统、介质、设备及终端
CN117034666B (zh) * 2023-10-10 2023-12-19 西北工业大学 燃料电池汽车能量管理方法、系统、介质、设备及终端

Also Published As

Publication number Publication date
CN113255205B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
Fernández et al. Capacity fade and aging models for electric batteries and optimal charging strategy for electric vehicles
Eddahech et al. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks
Jiaqiang et al. Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge
CN113049962B (zh) 一种基于lstm的储能装置运行态势推演方法
Liu et al. Capacity fading mechanisms and state of health prediction of commercial lithium-ion battery in total lifespan
CN107329094A (zh) 动力电池健康状态估算方法及装置
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN111062137B (zh) 一种锂离子电池性能预测模型及其构建方法和应用
CN113255205B (zh) 基于电动汽车电池的生命周期成本和电池温度优化方法
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
Zhang et al. Prior-knowledge-independent equalization to improve battery uniformity with energy efficiency and time efficiency for lithium-ion battery
Shi et al. Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction
Guo et al. Parameter identification of fractional‐order model with transfer learning for aging lithium‐ion batteries
Tian et al. Lithium-ion battery charging optimization based on electrical, thermal and aging mechanism models
Yi et al. Digital twin-long short-term memory (LSTM) neural network based real-time temperature prediction and degradation model analysis for lithium-ion battery
Yu et al. Parallel battery pack charging strategy under various ambient temperatures based on minimum lithium plating overpotential control
Saqli et al. Lithium-ion battery electro-thermal modelling and internal states co-estimation for electric vehicles
Li et al. Increasing energy utilization of battery energy storage via active multivariable fusion-driven balancing
Cao et al. A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting
Cui et al. Online Identification and Reconstruction of Open-Circuit Voltage for Capacity and Electrode Aging Estimation of Lithium-Ion Batteries
CN109164397A (zh) 考虑充电速率和环境温度的锂电池寿命损耗评估方法
CN111762059A (zh) 一种考虑电池充放电工况的多变量融合电池组的均衡方法
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法
Gilbert Zequera et al. Overview of battery energy storage systems readiness for digital twin of electric vehicles
Gaetani-Liseo et al. Identification of ESS Degradations Related to their Uses in Micro-Grids: application to a building lighting network with VRLA batteries

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Bian Haihong

Inventor after: Ma Xijie

Inventor after: Wang Delin

Inventor after: Xu Tian

Inventor after: Jiang Haoyan

Inventor after: Zhu Xiao

Inventor before: Ma Xijie

Inventor before: Bian Haihong

Inventor before: Wang Delin

Inventor before: Xu Tian

Inventor before: Jiang Haoyan

Inventor before: Zhu Xiao

GR01 Patent grant
GR01 Patent grant