CN113447817A - 一种基于两点寿命特征的锂电池在线寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于两点寿命特征的锂电池在线寿命预测方法。本发明包括以下步骤：1采集全新锂电池不同次充放电循环中的充电电压与充电容量以及寿命，获得对应的两条电压容量曲线；2计算获得当前锂电池的容量差曲线；3计算所有充电电压组合对应的两点寿命特征；4重复步骤1‑3，获得各个锂电池的寿命和各个锂电池的所有充电电压组合对应的两点寿命特征；5选取最佳充电电压组合和最佳两点寿命特征，构成训练集；6获得训练后的锂电池寿命预测回归模型；7在线诊断时，采集获得待预测锂电池的待预测的最佳两点寿命特征，预测输出获得当前待预测锂电池的寿命。本发明实现了锂电池寿命的精准预测，提升了锂电池的可靠性、安全性、与耐久性。

Description

一种基于两点寿命特征的锂电池在线寿命预测方法

技术领域

本发明属于锂电池研发与应用的领域的一种锂电池在线寿命预测方法，具体涉及了一种基于两点寿命特征的锂电池在线寿命预测方法。

背景技术

锂电池具有成本低、能量密度高、循环寿命长等优点，被广泛应用于固定式、便携式和交通等领域。寿命预测技术在加速锂电池新材料、新结构和新管理系统等技术的研发以及实际应用中锂电池的安全运行、预测维护和二次使用等方面都起着重要作用。然而，由于锂电池具有复杂的老化机理，且老化路径受设计、生产和应用过程中诸多因素的影响，使得在复杂的老化路径、广泛的设备可变性和多变的动态运行条件下实现简单、快速和精确的锂电池寿命预测成为了一项巨大挑战。此外，对于由数千个电池组成的大型锂电池组，由于电池之间不可避免的存在各种内在和外在差异，因此需要对每个电池进行单独的寿命预测，这将带来巨大的数据存储负担、计算负担和成本负担。同时，由于实际应用中锂电池的放电模式都是随机的，因此不能基于特定的放电测试来提取特征进行锂电池的在线寿命预测。解决以上问题的有效方案包括寿命预测算法的改进和寿命预测特征的改进。然而，当前大量相关研究都集中在开发更好的算法上，而很少关注开发更好的特征。当锂电池的寿命预测特征足够好时，使用简单的回归模型便能够实现准确的寿命预测。因此，设计和开发更好的锂电池寿命预测特征具有着重要意义。

发明内容

为了解决现有技术的不足，本发明提出了一种基于两点寿命特征的锂电池在线寿命预测方法。

本发明采用的方案是：

本发明包括以下步骤：

1)采集全新锂电池不同的两次充放电循环中的充电电压与充电容量以及当前锂电池的寿命，获得两次充放电循环对应的电压容量曲线；

2)根据两次充放电循环对应的电压容量曲线，获得当前锂电池的容量差曲线；

3)计算当前锂电池的容量差曲线中所有充电电压组合对应的两点寿命特征；

4)重复步骤1)-3)对各个锂电池均进行处理，获得各个锂电池的寿命和各个锂电池的所有充电电压组合对应的两点寿命特征；

5)根据各个锂电池的所有充电电压组合对应的两点寿命特征，选取最佳充电电压组合，将最佳充电电压组合对应的两点寿命特征作为最佳两点寿命特征，由所有锂电池的最佳两点寿命特征和对应锂电池寿命构成训练集；

6)基于训练集对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；

7)在线诊断时，仅采集待预测锂电池的不同的两次充放电循环中最佳充电电压组合对应的充电电压和充电容量，计算出待预测锂电池的最佳两点寿命特征，将待预测锂电池的最佳两点寿命特征输入到训练好的锂电池寿命预测回归模型中进行预测，输出获得当前待预测锂电池的寿命。

所述步骤2)具体为：

将两条电压容量曲线上每个充电电压的对应容量值相减获得差向量作为该充电电压的容量差向量，绘制成当前锂电池的容量差曲线，容量差曲线中的横坐标为充电电压，容量差曲线中的纵坐标为容量差向量。

所述步骤3)具体为：

在预设充电电压范围中，当前锂电池的容量差曲线中两个不同充电电压作为一个充电电压组合，计算一个充电电压组合对应的容量差向量之间的差值的绝对值并作为一个两点寿命特征，遍历所有充电电压组合，获得当前锂电池的所有两点寿命特征。

所述步骤5)具体为：

根据所有锂电池的所有两点寿命特征，计算所有锂电池相同充电电压组合的两点寿命特征与对应锂电池的寿命之间的相关系数，遍历计算获得所有充电电压组合对应的相关系数，由所有充电电压组合对应的相关系数构成相关系数矩阵，将相关系数矩阵中绝对值最大的相关系数对应的充电电压组合作为最佳充电电压组合，然后将最佳充电电压组合对应的两点寿命特征作为最佳两点寿命特征，最后将所有锂电池的最佳两点寿命特征和对应锂电池的寿命构成训练集。

所述相关系数为皮尔森相关系数，具体通过以下公式进行计算：

其中，ρ_X，Y表示所有锂电池的相同充电电压组合对应的两点寿命特征与对应锂电池的寿命之间的相关系数，X表示所有锂电池的相同充电电压组合对应的两点寿命特征的集合，Y表示所有锂电池的寿命的集合，E()表示取期望操作。

所述步骤7)中两次充放电循环的次数与步骤1)中两次充放电循环的次数相同。

所述锂电池寿命预测回归模型根据最佳两点寿命特征与锂电池的寿命的分布关系选择线性回归模型和非线性回归模型。

本发明的有益效果是：

本发明解决了实际应用中锂电池在线寿命预测困难的问题。将两点寿命特征应用到锂电池的在线寿命预测上，仅通过监测锂电池两个不同次充放电循环中相同充电模式阶段的两个充电电压对应的充电容量便可计算出两点寿命特征，进而精确预测锂电池循环寿命，降低数据存储负担、计算负担和成本负担，且无需依赖实际锂电池应用中不存在的特定放电模式，可用于不同实际应用场景中锂电池的在线寿命预测，有助于加速锂电池新材料、新结构和新管理系统等技术的研发和实际应用中锂电池更好的安全运行、预测维护和二次使用。

附图说明

图1是本发明的整体流程图。

图2是本发明实施例中锂电池相同充电模式的相同阶段在相同电压范围内第100次充放电循环与第10次充放电循环的容量差向量计算示意图。

图3是本发明实施例中选取的最佳两点寿命特征对应的两个充电电压点在不同锂电池容量差曲线上的位置图。

图4是本发明实施例中选取的所有锂电池的最佳两点寿命特征与对应所有锂电池的寿命在10的对数坐标轴上的分布关系图。

图5是本发明实施例中基于最佳两点寿命特征预测的锂电池的寿命与实际锂电池的寿命的差异图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明包括以下步骤：

1)采集全新锂电池不同的两次充放电循环中的充电电压与充电容量以及当前锂电池的寿命，获得两次充放电循环对应的电压容量曲线；如图2所示，不同的两次充放电循环具体为：低次为第1-20次充放电循环中的一次，高次为第60次及以上充放电循环中的一次。具体实施时，低次为第10次充放电循环，高次为第100次充放电循环。锂电池的寿命为实验获得，对锂电池不断地进行充放电循环，当锂电池的实际总容量衰减为锂电池的初始总容量的80％时，则当前已进行的充放电循环次数为锂电池的寿命。

2)根据两次充放电循环对应的电压容量曲线，获得当前锂电池的容量差曲线；

步骤2)具体为：

将两条电压容量曲线上每个充电电压的容量值相减获得差向量作为该充电电压的容量差向量，绘制成当前锂电池的容量差曲线，容量差曲线中的横坐标为充电电压，容量差曲线中的纵坐标为容量差向量，如图3所示。

3)计算当前锂电池的容量差曲线中所有充电电压组合对应的两点寿命特征；

步骤3)具体为：

在预设充电电压范围中，当前锂电池的容量差曲线中两个不同充电电压作为一个充电电压组合，计算一个充电电压组合对应的容量差向量之间的差值的绝对值并作为一个两点寿命特征，遍历所有充电电压组合，获得当前锂电池的所有两点寿命特征。具体实施中，预设充电电压范围优选为3.4V-3.6V，在传感器精度允许的范围内充电电压的精度越高越好，充电电压的精度越高，充电电压组合就越多，对应的两点寿命特征也越多。

4)重复步骤1)-3)对各个锂电池均进行处理，获得各个锂电池的寿命和各个锂电池的所有充电电压组合对应的两点寿命特征；所有锂电池的型号相同。

5)根据各个锂电池的所有充电电压组合对应的两点寿命特征，选取最佳充电电压组合，将最佳充电电压组合对应的两点寿命特征作为最佳两点寿命特征，由所有锂电池的最佳两点寿命特征和对应锂电池寿命构成训练集；

步骤5)具体为：

根据所有锂电池的所有两点寿命特征，计算所有锂电池相同充电电压组合的两点寿命特征与对应锂电池的寿命之间的相关系数，遍历计算获得所有充电电压组合对应的相关系数，由所有充电电压组合对应的相关系数构成相关系数矩阵，相关系数矩阵作为不同充电电压组合对应的两点寿命特征与锂电池的寿命之间相关性的紧凑表示，如表1所示，

表1相关系数矩阵局部示意表

将相关系数矩阵中绝对值最大的相关系数对应的充电电压组合作为最佳充电电压组合，然后将最佳充电电压组合对应两点寿命特征作为最佳两点寿命特征，最后将所有锂电池的最佳两点寿命特征和对应锂电池的寿命构成训练集。如图4所示，其中，最佳两点寿命特征具体为所有锂电池在最佳充电电压组合下的两点寿命特征，每个锂电池在最佳充电电压组合下的两点寿命特征的标签为当前锂电池的寿命。如表1所示，相关系数矩阵中相关系数的行号和列号分别表示两点寿命特征对应的充电电压组合中的两个充电电压，相关系数矩阵的行和列均表示预设充电电压范围。

相关系数为皮尔森相关系数，具体通过以下公式进行计算：

其中，ρ_X，Y表示所有锂电池的相同充电电压组合对应的两点寿命特征与对应锂电池的寿命之间的相关系数，X表示所有锂电池的相同充电电压组合对应的两点寿命特征的集合，Y表示所有锂电池的寿命的集合，E()表示取期望操作。

6)基于训练集对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；锂电池寿命预测回归模型根据最佳两点寿命特征与锂电池的寿命的分布关系选择线性回归模型和非线性回归模型。具体采用自适应神经模糊系统模型。

7)在线诊断时，仅采集待预测锂电池的不同的两次充放电循环中最佳充电电压组合对应的容量差向量并计算出对应的待预测的最佳两点寿命特征，将待预测的最佳两点寿命特征输入到训练好的锂电池寿命预测回归模型中进行预测，输出获得当前待预测锂电池的寿命。如图5所示，基于最佳两点寿命特征预测的锂电池的寿命与实际锂电池的寿命的差异图。

步骤7)中两次充放电循环的次数与步骤1)中两次充放电循环的次数相同。

Claims (7)

1.一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，包括以下步骤：

1)采集全新锂电池不同的两次充放电循环中的充电电压与充电容量以及当前锂电池的寿命，获得两次充放电循环对应的电压容量曲线；

2)根据两次充放电循环对应的电压容量曲线，获得当前锂电池的容量差曲线；

3)计算当前锂电池的容量差曲线中所有充电电压组合对应的两点寿命特征；

4)重复步骤1)-3)对各个锂电池均进行处理，获得各个锂电池的寿命和各个锂电池的所有充电电压组合对应的两点寿命特征；

5)根据各个锂电池的所有充电电压组合对应的两点寿命特征，选取最佳充电电压组合，将最佳充电电压组合对应的两点寿命特征作为最佳两点寿命特征，由所有锂电池的最佳两点寿命特征和对应锂电池寿命构成训练集；

6)基于训练集对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；

7)在线诊断时，仅采集待预测锂电池的不同的两次充放电循环中最佳充电电压组合对应的充电电压和充电容量，计算出待预测锂电池的最佳两点寿命特征，将待预测锂电池的最佳两点寿命特征输入到训练好的锂电池寿命预测回归模型中进行预测，输出获得当前待预测锂电池的寿命。

2.根据权利要求1所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述步骤2)具体为：

将两条电压容量曲线上每个充电电压的对应容量值相减获得差向量作为该充电电压的容量差向量，绘制成当前锂电池的容量差曲线，容量差曲线中的横坐标为充电电压，容量差曲线中的纵坐标为容量差向量。

3.根据权利要求1所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述步骤3)具体为：

在预设充电电压范围中，当前锂电池的容量差曲线中两个不同充电电压作为一个充电电压组合，计算一个充电电压组合对应的容量差向量之间的差值的绝对值并作为一个两点寿命特征，遍历所有充电电压组合，获得当前锂电池的所有两点寿命特征。

4.根据权利要求1所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述步骤5)具体为：

根据所有锂电池的所有两点寿命特征，计算所有锂电池相同充电电压组合的两点寿命特征与对应锂电池的寿命之间的相关系数，遍历计算获得所有充电电压组合对应的相关系数，由所有充电电压组合对应的相关系数构成相关系数矩阵，将相关系数矩阵中绝对值最大的相关系数对应的充电电压组合作为最佳充电电压组合，然后将最佳充电电压组合对应的两点寿命特征作为最佳两点寿命特征，最后将所有锂电池的最佳两点寿命特征和对应锂电池的寿命构成训练集。

5.根据权利要求4所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述相关系数为皮尔森相关系数，具体通过以下公式进行计算：

其中，ρ_X，Y表示所有锂电池的相同充电电压组合对应的两点寿命特征与对应锂电池的寿命之间的相关系数，X表示所有锂电池的相同充电电压组合对应的两点寿命特征的集合，Y表示所有锂电池的寿命的集合，E()表示取期望操作。

6.根据权利要求1所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述步骤7)中两次充放电循环的次数与步骤1)中两次充放电循环的次数相同。

7.根据权利要求1所述的一种基于两点寿命特征的锂电池在线寿命预测方法，其特征在于，所述锂电池寿命预测回归模型根据最佳两点寿命特征与锂电池的寿命的分布关系选择线性回归模型和非线性回归模型。

Images