CN113406522B - 一种电动车锂电池系统寿命预测评估方法及系统 - Google Patents

Abstract

本发明公开了一种电动车锂电池系统寿命预测评估方法，根据系统参数和工况参数，结合设定的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布。电芯寿命参数和统计的工况分布输入至电芯寿命模型内，通过加权算法可得系统在此工况下的日历寿命曲线和循环寿命曲线。整车参数和统计的工况分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正。最终，系统寿命迭代模型整合所有参数和数据，对系统的寿命进行预测并得到置信区间本发明在整车寿命预测中结合单体电芯寿命参数，考虑整车运行工况对系统寿命的影响，对续航里程进行修正，实现了锂电池系统使用寿命的预测评估。

Description

一种电动车锂电池系统寿命预测评估方法及系统

技术领域

本发明涉及新能源汽车技术领域，具体来说是一种电动车锂电池系统寿命预测评估方法及系统。

背景技术

锂离子电池作为新一代的绿色能源，因其具有能量密度大、工作电压高、循环寿命长等优势，被广泛应用在电动汽车，储能系统领域。作为电动汽车的核心组成部分，锂电池系统的性能对整车使用有着至关重要的作用，需要对其有充分的研究来确保电池包的经济寿命和寿命期内的可靠性。电池系统最为大家关注的就是电池容量的退化。

其中，锂电池的衰减可分为日历衰减和循环衰减两个部分。日历衰减受环境温度和搁置SOC状态影响，循环衰减受环境温度、充放电倍率、放电深度等因素影响。目前，对锂电池系统进行寿命评估只是简单的将单体电芯的日历衰减和循环衰减相加得到系统的衰减情况。不考虑整车工况、日历衰减和循环衰减耦合作用的影响。因此，无法较为精准地评估锂电池系统的寿命趋势。本发明在整车寿命预测中结合单体电芯寿命数据，考虑整车运行工况对系统寿命的影响，对续航里程进行修正，采用迭代算法对日历衰减和循环衰减进行耦合计算，实现了锂电池系统使用寿命的预测评估。

如申请号为CN201910023616.3公开的一种锂离子电池的寿命预测方法，该方法，首先建立表征电池存储寿命的第一容量衰减模型，根据存储实验的存储实验数据求解第一容量衰减模型的未知参数，然后，根据确定的第一容量衰减模型，结合电池的在设定时间内的充放电循环次数，建立第二容量衰减模型，根据充放电循环实验的循环实验数据，求解第二容量衰减模型的未知参数，从而最终确定表征电池存储寿命和循环寿命的第二容量衰减模型。最后，将电池实际使用的工况信息代入第二容量衰减模型，从而求得电池的预测寿命。相对于现有技术中单纯预测存储寿命或循环寿命的方法更符合电池的实际使用情况，能够快速预测电池的实际使用寿命。该方法针对单体电芯进行寿命预测，没有考虑整车公开，无法直接得到电池系统的寿命预测结果。

发明内容

本发明所要解决的技术问题在于提供一种考虑整车运行工况对电池系统寿命影响的锂电池系统寿命预测评估方法。

本发明通过以下技术手段实现解决上述技术问题的：

一种电动车锂电池系统寿命预测评估方法，包括以下步骤：

S1、统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；

S2、对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

S3、根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；工况分布概率模型为：

将车辆起始出行时刻的分布主要划分为n个时间区间，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数。

S4、电芯寿命数据和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；

S5、整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；

S6、电池系统寿命迭代整合整车参数和工况参数，对电池系统的寿命进行预测。

本发明在整车寿命预测中结合单体电芯寿命数据，考虑整车运行工况对系统寿命的影响，对续航里程进行修正，采用迭代算法对日历衰减和循环衰减进行耦合计算，实现了锂电池系统使用寿命的预测评估。

进一步的，所述步骤S3中将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]。

进一步的，所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1。

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2,2,2,2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

进一步的，所述步骤S3中工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

其中，cha、dch、sta分别表示充电状态、放电状态、搁置状态。SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/sic_50}表示搁置状态下，SOC位于[40％，60％]的时间占比，w_{dch/temp_25}表示放电状态下，温度位于[20℃，30℃]的时间占比，w_{cha/rate_0.5}表示放充电状态下，充电倍率位于[0.4C，0.6C]的时间占比。

进一步的，所述步骤S4中加权算法如下：

Cal_sys(τ)＝∑，Cal_cell(T，s，τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T，s，n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T，s，τ)、Cyc_cell(T，s，τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线。

进一步的，所述步骤S5中修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝∑E_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

进一步的，所述步骤S6中迭代算法为：

Q_cal,sys＝Cal_sys[>＝Q_loss,sys](Δτ)

Q_cyc,sys＝Cyc_sys[>＝Q_loss,sys](Δn)

Q_loss,sys+＝Q_cal,sys+Q_cyc,sys

m+＝Δm

其中，m、Q_loss,sys分别表示迭代过程中累积行驶里程、累积容量衰减率，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数；Q_cal,sys、Q_cyc,sys分别表示一次迭代周期内日历衰减和循环衰减。

与上述方法对应的，本发明还提供一种电动车锂电池系统寿命预测评估系统，包括：

参数设置模块，统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；

电芯寿命参数预测模块，对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

工况特征分布统计模块，根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；

电池系统寿命计算模块，电芯寿命数据和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；

修正模块，整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；

电池系统寿命预测模块，电池系统寿命迭代整合所有参数和数据，对电池系统的寿命进行预测。

进一步的，所述工况特征分布统计模块中工况分布概率模型为：

将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数。

进一步的，所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1。

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2，2，2，2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

进一步的，所述工况特征分布统计模块中工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

其中，cha、dch、sta分别表示充电状态、放电状态、搁置状态。SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/soc_50}表示搁置状态下，SOC位于[40％，60％]的时间占比，w_{dch/temp_25}表示放电状态下，温度位于[20℃，30℃]的时间占比，w_{cha/rate_0.5}表示放充电状态下，充电倍率位于[0.4C，0.6C]的时间占比。

进一步的，所述步骤S4中加权算法如下：

Cal_sys(τ)＝∑Cal_cell(T，s，τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T，s，n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T，s，τ)、Cyc_cell(T，s，τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线。

进一步的，所述修正模块中修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝ΣE_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

进一步的，所述电池系统寿命预测模块中迭代算法为：

Q_cal,sys＝Cal_sys[>＝Q_loss,sys](Δτ)

Q_cyc,sys＝Cyc_sys[>＝Q_loss,sys](Δn)

Q_loss,sys+＝Q_cal,sys+Q_cyc,sys

m+＝Δm

其中，m、Q_loss,sys分别表示迭代过程中累积行驶里程、累积容量衰减率，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数；Q_cal,sys、Q_cyc,sys分别表示一次迭代周期内日历衰减和循环衰减。

本发明的优点在于：

本发明根据整车参数和工况参数，结合设定的工况分布概率模型，随机模拟整车的具体工况，并统计各工况(放电工况、充电工况和搁置工况)的特征(SOC、温度、电流倍率)分布。电芯寿命数据和统计的工况分布输入至电芯寿命模型内，通过加权算法可得系统在此工况下的日历寿命曲线和循环寿命曲线。整车参数和统计的工况分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正。最终，系统寿命迭代模型整合所有参数和数据，对系统的寿命进行预测。本发明在整车寿命预测中结合单体电芯寿命数据，考虑整车运行工况对系统寿命的影响，对续航里程进行修正，采用迭代算法对日历衰减和循环衰减进行耦合计算，实现了锂电池系统使用寿命的预测评估。

附图说明

图1为本发明实施例电动车锂电池系统寿命预测评估方法逻辑结构框图；

图2为本发明实施例电动车锂电池系统寿命预测评估方法中迭代流程图；

图3为本发明实施例中路试车拟合得到的日历寿命曲线和循环寿命曲线。

图4为本发明实施例中路试车的寿命预测结果。

图5为本发明实施例中路试车的寿命预测和实测结果对比。

图6为本发明实施例中市场运营车辆容量衰减和模型预测的对比。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。

本实施例公开一种电动车锂电池系统寿命预测评估方法，如图1所示，该方法包括三个维度参数输入、四个层次评估模型和1个指标结果输出。三个维度参数输入包括：系统参数(总电量和续航里程)、工况参数(每日里程、平均速度和运营区域)、电芯寿命数据(日历寿命和循环寿命数据)。四个层次评估模型包括：工况模拟模型、电芯寿命模型、续航里程修正模型和系统寿命迭代模型。1个指标结果输出包括：寿命预测。具体方法包括以下步骤：

步骤1、统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；

步骤2、对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

步骤3、根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；

工况分布概率模型为：

将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数。

所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1。

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2，2，2，2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

其中，cha、dch、sta分别表示充电状态、放电状态、搁置状态。SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/soc_50}表示搁置状态下，SOC位于[40％，60％]的时间占比，w_dch/t_{emp_25}表示放电状态下，温度位于[20℃，30℃]的时间占比，w_{cha/rate_0.5}表示放充电状态下，充电倍率位于[0.4C，0.6C]的时间占比。

步骤4、电芯寿命数据和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；

权算法如下：

Cal_sys(τ)＝∑Cal_cell(T，s，τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T，s，n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T，s，τ)、Cyc_cell(T，s，τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线。

步骤5、整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；

修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝∑E_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

步骤6、电池系统寿命迭代整合整车参数和工况参数，对电池系统的寿命进行预测。

代算法为：

Q_cal，sys＝Cal_sys[＞＝Q_loss，sys](Δτ)

Q_cyc，sys＝Cyc_sys[＞＝Q_loss，sys](Δn)

Q_loss，sys+＝Q_cal，sys+Q_cyc，sys

m+＝Δm

迭代过程如图2所示，其中，m、day、Qloss，sys分别表示迭代过程中累积行驶里程、累积行驶天数和累积容量衰减率。d表示迭代周期，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数。Qcal，sys、Qcyc，sys分别表示一次迭代周期内日历衰减和循环衰减。M、Day、Qloss分别表示设定的迭代截止条件：总里程、总时间、总衰减量。

本实施例根据整车参数和工况参数，结合设定的工况分布概率模型，随机模拟整车的具体工况，并统计各工况(放电工况、充电工况和搁置工况)的特征(SOC、温度、电流倍率)分布。电芯寿命数据和统计的工况分布输入至电芯寿命模型内，通过加权算法可得系统在此工况下的日历寿命曲线和循环寿命曲线。整车参数和统计的工况分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正。最终，系统寿命迭代模型整合所有参数和数据，对系统的寿命进行预测。本实施例在整车寿命预测中结合单体电芯寿命数据，考虑整车运行工况对系统寿命的影响，对续航里程进行修正，采用迭代算法对日历衰减和循环衰减进行耦合计算，实现了锂电池系统使用寿命的预测评估。

下面对某款搭载锂电池的电动车进行长里程路试，并在市场运营的车辆中随机抽取100辆进行分析。数据分析处理步骤如下：

(1)统计路试车辆或100辆市场运营车的工况数据，统计数据中每日里程、平均速度和运营区域作为寿命预测模型的工况参数。另外，总电量和续航里程作为寿命预测模型的系统参数；

(2)对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

(3)根据整车参数和工况参数，结合特定的工况分布概率模型，随机模拟整车的具体工况，并统计各工况(放电工况、充电工况和搁置工况)的特征(SOC、温度、电流倍率)分布。其中，特定的工况分布概率模型包括私家车工况模型、运营车工况模型；

(4)电芯寿命数据和上述统计的工况分布输入至电芯寿命模型内，通过加权算法可得系统在此工况下的日历寿命曲线和循环寿命曲线。

如图2所示，为路试车拟合得到的日历寿命曲线和循环寿命曲线。图3中日历寿命曲线和循环寿命曲线分别表示日历寿命随搁置时间的衰减量和循环寿命随循环次数的衰减量。

(5)整车参数和统计的工况分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正。

(6)系统寿命迭代模型整合所有参数和数据，对系统的寿命进行预测并得到置信区间。如图4所示，为路试车的寿命预测结果。图4中的日历衰减曲线和循环衰减曲线分别表示日历寿命和循环寿命在整车工况下随时间的衰减量。

将路试车的寿命预测结果和实测数据进行对比，如图5所示表示路试车预测结果与实测结果基本相吻合。

(7)在市场运营的车辆中随机抽取100辆进行分析，将市场运营车辆容量衰减和模型预测的对比，如图6所示表示市场运行车辆实测容量衰减在预测曲线周围波动，误差由工况差异导致。

本实施例还提供一种电动车锂电池系统寿命预测评估系统，包括：

参数设置模块，统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；具体执行上述步骤1。

电芯寿命参数预测模块，对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；具体执行上述步骤2。

工况特征分布统计模块，根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；工况分布概率模型为：

将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数。

所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1。

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2,2,2,2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

其中，cha、dch、sta分别表示充电状态、放电状态、搁置状态。SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/soc_50}表示搁置状态下，SOC位于[40％，60％]的时间占比，w_{dch/temp_25}表示放电状态下，温度位于[20℃，30℃]的时间占比，w_{cha/rate_0.5}表示放充电状态下，充电倍率位于[0.4C，0.6C]的时间占比。

电池系统寿命计算模块，电芯寿命数据和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；权算法如下：

Cal_sys(τ)＝∑Cal_cell(T，s，τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T，s，n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T，s，τ)、Cyc_cell(T，s，τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线。

修正模块，整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝∑E_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

电池系统寿命预测模块，电池系统寿命迭代整合所有参数和数据，对电池系统的寿命进行预测。代算法为：

Q_cal，sys＝Cal_sys[＞＝Q_loss，sys](Δτ)

Q_cyc，sys＝Cyc_sys[＞＝Q_loss，sys](Δn)

Q_loss，sys+＝Q_cal，sys+Q_cyc，sys

m+＝Δm

迭代过程如图2所示，其中，m、day、Qloss，sys分别表示迭代过程中累积行驶里程、累积行驶天数和累积容量衰减率。d表示迭代周期，本实施例中迭代周期为1～30天，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数。Qcal，sys、Qcyc,sys分别表示一次迭代周期内日历衰减和循环衰减。M、Day、Qloss分别表示设定的迭代截止条件：总里程、总时间、总衰减量。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电动车锂电池系统寿命预测评估方法，其特征在于，包括以下步骤：

S1、统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；

S2、对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

S3、根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；当前某一时刻工况分布概率为：

将车辆起始出行时刻的分布主要划分为n个时间区间，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数；

S4、电芯寿命参数和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；

S5、整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；

所述加权算法如下：

Cal_sys(τ)＝∑Cal_cell(T,s,τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T,s,n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T,s,τ)、Cyc_cell(T,s,τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线；cha、dch、sta分别表示充电状态、放电状态、搁置状态；w_{sta/soc_s}表示搁置状态下，SOC位于s的时间占比，w_{dch/temp_t}表示放电状态下，温度位于t的时间占比，w_{cha/rate_r}表示放充电状态下，充电倍率位于r的时间占比；

S6、对电池系统的整车参数和工况参数进行迭代运算，对电池系统的寿命进行预测；

迭代算法为：

Q_cal,sys＝Cal_sys[>＝Q_loss,sys](Δτ)

Q_cyc,sys＝Cyc_sys[>＝Q_loss,sys](Δn)

Q_loss,sys+＝Q_cal,sys+Q_cyc,sys

m+＝Δm

其中，m、Q_loss,sys分别表示迭代过程中累积行驶里程、累积容量衰减率，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数；Q_cal,sys、Q_cyc,sys分别表示一次迭代周期内日历衰减和循环衰减。

2.根据权利要求1所述的一种电动车锂电池系统寿命预测评估方法，其特征在于，所述步骤S3将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]。

3.根据权利要求2所述的一种电动车锂电池系统寿命预测评估方法，其特征在于，所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1；

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2,2,2,2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

4.根据权利要求3所述的一种电动车锂电池系统寿命预测评估方法，其特征在于，所述步骤S3中工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/soc_s}表示搁置状态下，SOC位于s±20％的时间占比，w_{dch/temp_t}表示放电状态下，温度位于t±10℃的时间占比，w_{cha/rate_r}表示放充电状态下，充电倍率位于r±0.2C的时间占比。

5.根据权利要求1至4任一所述的一种电动车锂电池系统寿命预测评估方法，其特征在于，所述步骤S5中修正模型中的修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝ΣE_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

6.一种电动车锂电池系统寿命预测评估系统，其特征在于，包括：

参数设置模块，统计具体车辆的工况数据，至少包括每日里程、平均速度和运营区域作为寿命预测的工况参数，将总电量和续航里程作为寿命预测的整车参数；

电芯寿命参数预测模块，对单体电芯进行日历寿命和循环寿命测试，测试结果作为寿命预测模型的电芯寿命参数；

工况特征分布统计模块，根据整车参数和工况参数，结合对应的工况分布概率模型，随机模拟整车的具体工况，并统计各工况的特征分布；其中，工况分布概率模型包括私家车工况模型、运营车工况模型；当前某一时刻工况分布概率为：

将车辆起始出行时刻的分布主要划分为n个时间区间，μ_n表示第n个时间区间，f(x)表示当前区间某一时刻的概率，w_n为当前时间区间的权重，σ_n为当前时间区间的概率参数；

电池系统寿命计算模块，电芯寿命参数和各工况的特征分布输入至电芯寿命模型内，通过加权算法可得电池系统在此工况下的日历寿命曲线和循环寿命曲线；

修正模块，整车参数和统计的工况特征分布输入至续航里程修正模型，在能量效率、配件能耗和载重影响三个方面对续航里程进行修正；

所述加权算法如下：

Cal_sys(τ)＝∑Cal_cell(T,s,τ)*w_{sta/soc_s}*w_{sta/temp_t}

Cyc_sys(n)＝∑Cyc_cell(T,s,n)*w_{cha/rate_r}*w_{cha/temp_t}

其中，Cal_sys(τ)、Cyc_sys(τ)、Cal_cell(T,s,τ)、Cyc_cell(T,s,τ)分别表示电池系统的日历寿命曲线和循环寿命曲线、单体电芯的日历寿命曲线和循环寿命曲线；单体电芯的日历寿命曲线是温度(T)、SOC(s)和搁置时间(τ)的衰减曲线；单体电芯的循环寿命曲线是温度(T)、充电倍率(r)和循环次数(n)的衰减曲线；cha、dch、sta分别表示充电状态、放电状态、搁置状态；w_{sta/soc_s}表示搁置状态下，SOC位于s的时间占比，w_{dch/temp_t}表示放电状态下，温度位于t的时间占比，w_{cha/rate_r}表示放充电状态下，充电倍率位于r的时间占比；

电池系统寿命预测模块，对电池系统的整车参数和工况参数进行迭代运算，对电池系统的寿命进行预测；迭代算法为：

Q_cal,sys＝Cal_sys[>＝Q_loss,sys](Δτ)

Q_cyc,sys＝Cyc_sys[>＝Q_loss,sys](Δn)

Q_loss,sys+＝Q_cal,sys+Q_cyc,sys

m+＝Δm

其中，m、Q_loss,sys分别表示迭代过程中累积行驶里程、累积容量衰减率，Δm、Δτ、Δn分别表示一次迭代周期内里程增长量、搁置时间、循环次数；Q_cal,sys、Q_cyc,sys分别表示一次迭代周期内日历衰减和循环衰减。

7.根据权利要求6所述的一种电动车锂电池系统寿命预测评估系统，其特征在于，所述工况特征分布统计模块中将车辆起始出行时刻的分布主要划分为四个时间区间，分别为[6,10)、[10，14)、[14，20)、[20，24]。

8.根据权利要求7所述的一种电动车锂电池系统寿命预测评估系统，其特征在于，所述私家车工况模型和运营车工况模型中的权重和概率参数分别设置为：

1)私家车工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：1、1.5、1.5、0.5；四个时间区间对应的权重w_n分别为：0.35、0.15、0.45、0.1；

2)运营工况分布概率模型对应于四个时间区间的概率参数σ_n分别为：2,2,2,2；四个时间区间对应的权重w_n分别为：0.3、0.2、0.3、0.2。

9.根据权利要求8所述的一种电动车锂电池系统寿命预测评估系统，其特征在于，所述工况特征分布统计模块中工况包括充电、放电、搁置；工况特征分布包括温度分布、SOC分布、电流倍率分布；所述工况特征分布具体为：

SOC每隔20％划分，电流倍率每隔0.2C划分，温度每隔10℃划分；因此，w_{sta/soc_s}表示搁置状态下，SOC位于s±20％的时间占比，w_{dch/temp_t}表示放电状态下，温度位于t±10℃的时间占比，w_{chs/rate_r}表示放充电状态下，充电倍率位于r±0.2C的时间占比。

10.根据权利要求6至9任一所述的一种电动车锂电池系统寿命预测评估系统，其特征在于，所述修正模块中修正因子如下：

f＝f_e/(f_a*f_m)

f_e＝ΣE_t*w_{dch/temp_t}

其中，f、f_e、f_a、f_m分别表示总修正因子、能量效率因子、配件能耗因子和载重影响因子；能量效率因子f_e与单体电芯在不同温度下的放电能量效率相关，E_t表示特定温度下单体电芯的放电能量效率；w_t表示空调开启下温度区间的占比，e_t表示该温度条件的空调小时能耗；u和ec分别表示平均车速和整车的百公里能耗；load表示载重与整车重量的比值。

Images