CN113571788A - 磷酸铁锂电池的分选方法 - Google Patents
磷酸铁锂电池的分选方法 Download PDFInfo
- Publication number
- CN113571788A CN113571788A CN202110758675.2A CN202110758675A CN113571788A CN 113571788 A CN113571788 A CN 113571788A CN 202110758675 A CN202110758675 A CN 202110758675A CN 113571788 A CN113571788 A CN 113571788A
- Authority
- CN
- China
- Prior art keywords
- iron phosphate
- lithium iron
- phosphate batteries
- group
- sorting
- 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
Links
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000007600 charging Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 230000032683 aging Effects 0.000 claims description 20
- 229910001416 lithium ion Inorganic materials 0.000 claims description 20
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 19
- 239000011149 active material Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 2
- 238000010277 constant-current charging Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910013458 LiC6 Inorganic materials 0.000 description 1
- 229910052493 LiFePO4 Inorganic materials 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000006104 solid solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及磷酸铁锂电池的分选方法。该分选方法包括:在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量特征曲线;基于每只磷酸铁锂电池的容量增量特征曲线,提取每只磷酸铁锂电池的一致性特征量;对所述一致性特征量执行模糊C均值算法处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值;根据所述隶属度值将所述多只磷酸铁锂电池分成多个组。本发明的分选方法能够实现对电池的科学、高效一致性分选。
Description
技术领域
本发明涉及动力电池领域,具体地涉及磷酸铁锂电池的分选方法。
背景技术
新能源汽车越来越普及,尤其是在全球主要国家都实行碳排放限制之后。相应地,新能源电动汽车销量逐年攀升。由于新能源电动汽车都使用动力电池,因此动力电池在服役期结束后的去向也开始成为整个储能行业关注的热点。大多数的退役动力电池仍然保持良好的综合性能,如果直接参与回收势必造成资源的极大浪费和环境压力,而将动力电池梯次应用于电网储能、通信基站、家庭备用电源等领域已是行业的共识,这会进一步发挥电池的剩余价值,产生良好的经济效益和社会效益。然而,动力电池在长期工作过程中,由于工况复杂、均衡控制不足、制造工艺差异等诸多方面的原因,使得电池单体或模组之间的不一致性逐步扩大,从而影响储能系统总体输出效果,还易触发“热失控”风险。传统的静态电池分选方法依赖大量的测试来获取容量、内阻、自放电率等参数,不仅效率低且无法有效反映电池在运行阶段的一致性保持能力。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
为了解决现有技术中的上述问题,即为了解决现有技术中动力电池分选方法无法保证分选到同一电池组内的电池之间保持一致性的问题,本发明提供一种磷酸铁锂电池的分选方法,所述分选方法包括:在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量特征曲线;基于每只磷酸铁锂电池的容量增量特征曲线,提取每只磷酸铁锂电池的一致性特征量;对所述一致性特征量执行模糊C均值算法处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值;根据所述隶属度值将所述多只磷酸铁锂电池分成多个组。
本发明的磷酸铁锂电池的分选方法首先通过在相同条件下对磷酸铁锂电池进行充放电,以获得每只磷酸铁锂电池的容量增量(以下简称“IC”) 特征曲线。IC特征曲线能够将电池输出特性与内部电化学表现联系起来,并且能够将电压平台不易观察的细微差异转变为IC特征曲线上可明显区分的特征峰。因此,从IC特征曲线可提取反映磷酸铁锂电池之间一致性的一致性特征量。这里所述的“一致性”主要是指电池老化的一致性。然后,该分选方法对上述的一致性特征量执行模糊C均值算法(简称“FCM”)处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值。最后,根据隶属度值将多只磷酸铁锂电池分成多个组。通过上述的电池容量增量分析方法能够定量分析电池老化机制和程度,并以此作为老化一致性的判定依据,使得分到同一组内的电池老化一致性水平很高。因此,本发明的分选方法能够实现对电池(例如退役的电池)的科学、高效一致性分选。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述容量增量特征曲线具有反映锂离子损耗水平和电池内阻增加程度的第一特征峰和反映电池活性物质损失程度的第二特征峰,所述一致性特征量包括第一特征峰高度值、第一特征峰对称中心电压值、第二特征峰高度值、和任意两只磷酸铁锂电池的容量增量特征曲线之间的动态时间弯曲距离。第一特征峰高度值能够代表对应电池的锂离子损耗水平;第二特征峰高度值能够代表对应电池的活性物质损失程度;第一特征峰对称中心电压值能够代表电池的电池内阻增加程度。动态时间弯曲距离则是可代表电池一致性水平的特征量,其数值越小,数值越小则电池老化程度越接近,一致性水平越高。
在上述磷酸铁锂电池的分选方法的优选技术方案中,在对所述一致性特征量执行模糊C均值算法处理之前,对所述一致性特征量执行归一化处理。归一化处理可消除量纲不同对计算结果的影响。
在上述磷酸铁锂电池的分选方法的优选技术方案中,对所述一致性特征量执行模糊C均值算法处理包括如下步骤:接收输入的所述一致性特征量;初始化对应每种一致性特征量的参数,确定聚类簇数和模糊因子;基于所述聚类簇数和模糊因子,计算聚类中心、隶属度矩阵、和目标函数;判断所述目标函数是否满足聚类迭代的终止条件;当所述目标函数满足聚类迭代的终止条件时,输出隶属度矩阵和聚类中心;并且根据所述隶属度矩阵和聚类中心,确定每只磷酸铁锂电池相对所述聚类中心的隶属度值。该模糊C均值算法为最小类内平方误差和准则的聚类算法,可方便地计算出各电池的特征向量对聚类中心的隶属度。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述磷酸铁锂电池为退役的磷酸铁锂电池。对退役的磷酸铁锂电池实现精确的一致性分选,进而保证对退役的磷酸铁锂电池的梯次利用。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述分选方法还包括:基于所述容量增量特征曲线,确定每组磷酸铁锂电池的第一特征峰的最大高度值和最小高度值、第二特征峰的最大高度值和最小高度值、第一特征峰的对称中心的最大电压值和最小电压值;基于所述第一特征峰的最大高度值和最小高度值,计算每组磷酸铁锂电池的组内锂离子损失极差系数;基于所述第二特征峰的最大高度值和最小高度值,计算每组磷酸铁锂电池的组内活性材料损失极差系数;基于所述第一特征峰的对称中心的最大电压值和最小电压值,计算组内内阻极差系数;根据所述组内锂离子损失极差系数、所述组内活性材料损失极差系数、和所述组内内阻极差系数,确定每组磷酸铁锂电池内各电池的老化一致性程度。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述组内锂离子损失极差系数采用如下公式计算:
其中,εL(i)为第i组磷酸铁锂电池的组内锂离子损失极差系数,i=1~n,n 为磷酸铁锂电池被分成的组数并且大于1,P1,max(i)为第i组磷酸铁锂电池的第一特征峰的最大高度值,P1,min(i)为第i组磷酸铁锂电池的第一特征峰的最小高度值。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述组内活性材料损失极差系数采用如下公式计算:
其中,εM(i)为第i组磷酸铁锂电池的组内活性材料损失极差系数,i=1~n, n为磷酸铁锂电池被分成的组数并且大于1,P2,max(i)为第i组磷酸铁锂电池的第二特征峰的最大高度值,P2,min(i)为第i组磷酸铁锂电池的第二特征峰的最小高度值。
在上述磷酸铁锂电池的分选方法的优选技术方案中,所述组内内阻极差系数采用如下公式计算:
其中,εR(i)为第i组磷酸铁锂电池的组内内阻极差系数,i=1~n,n为磷酸铁锂电池被分成的组数并且大于1,U1,max(i)为第i组磷酸铁锂电池的第一特征峰的对称中心的最大电压值,U1,min(i)为第i组磷酸铁锂电池的第一特征峰的对称中心的最小电压值。
在上述磷酸铁锂电池的分选方法的优选技术方案中,在相同条件下对多只磷酸铁锂电池进行充放电包括:以0.25C的充电倍率对所述磷酸铁锂电池进行恒流充电。IC特征曲线的获得在恒定的小电流下进行,可消除电池的极化影响。
附图说明
下面结合附图来描述本发明的优选实施方式,附图中:
图1是本发明磷酸铁锂电池的分选方法的流程图;
图2是本发明显示电池充电阶段示例IC特征曲线与Q-V曲线图;
图3是本发明磷酸铁锂电池的分选方法的实施例的流程图;
图4是本发明显示10只退役的磷酸铁锂电池的IC特征曲线图;
图5是显示使用本发明磷酸铁锂电池的分选方法获得的10只退役的磷酸铁锂电池的分选结果。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
为了解决现有技术中动力电池分选方法无法保证分选到同一电池组内的电池具有一致性的问题,本发明提供一种磷酸铁锂电池的分选方法,该分选方法包括:
在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量特征曲线(步骤S1);
基于每只磷酸铁锂电池的容量增量特征曲线,提取每只磷酸铁锂电池的一致性特征量(步骤S2);
对所述一致性特征量执行模糊C均值算法处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值(步骤S3);
根据所述隶属度值将所述多只磷酸铁锂电池分成多个组(步骤S4)。
在本文中所提及的磷酸铁锂电池也称为LiFePO4电池。本发明磷酸铁锂电池的分选方法不仅适用于退役磷酸铁锂电池的分选,而且也可用于要求基于电池老化一致性进行电池分选的其它合适情形。
图1是本发明磷酸铁锂电池的分选方法的流程图。如图1所示,本发明磷酸铁锂电池的分选方法在开始后,首先实施步骤S1,在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量(IC)特征曲线。多只磷酸铁锂电池例如为10只、20只、或30只等各种数量的批量磷酸铁锂电池单体。这些磷酸铁锂电池单体可以是退役的电池。相同条件是指采用同样的充电倍率充电到预定的相同电压,或者采用相应的放电倍率放电到预定的相同电压。需要指出的是,一般在小电流下获得IC特征曲线,以消除电池的极化影响。
图2显示电池充电阶段示例IC特征曲线与Q-V曲线图。该示例IC 特征曲线与Q-V曲线是通过对容量20Ah的动力电池以0.25C倍率充电而获得。IC特征曲线本质上是电池以恒定电流(CC)充放电时,单位电压 (V)内充入或放出的容量(Q),电压容量增量用dQ/dV表示。如图2 所示,曲线1为IC特征曲线,而曲线2为Q-V曲线。根据图2可知,电池在充电阶段的IC特征曲线1与Q-V曲线2存在着对应关系,即IC特征曲线1的三个特征峰II对应容量变化率较大的位置。因此,通过该容量增量方法,将电压平台不易观察的细微差异转变为IC特征曲线上可明显区分的三个特征峰。磷酸铁锂电池在充放电过程中发生的电化学反应涉及正负极材料的相变过程,正极主要涉及非化学计量的固溶态阶段和中间伪二元的LixFePO4-Li1- yFePO4相变阶段,而负极锂Li+嵌入石墨片层间使碳C转变为LiC6涉及多个中间过渡态,每个反应阶段对应唯一的IC 特征峰,因此图2中的特征峰即对应电池所处的三个主要的反应阶段。将正极的伪二元相变阶段记作Ⅱ,负极3个较为明显的相变阶段记作①~③,则三个特征峰分别采用①*Ⅱ、②*Ⅱ、③*Ⅱ两种符号组合进行标记。在本文中,特征峰①*Ⅱ被称为第一特征峰,特征峰②*Ⅱ被称为第二特征峰,特征峰③*Ⅱ被称为第三特征峰。随着电池的老化程度加深,电池的端电压曲线偏离初始位置,最终反映为IC特征峰的高度、宽度与对称中心电压的改变。因此,通过电池之间的IC特征的比较,能够准确的把握各电池的老化水平及差异性,建立以老化指标一致性为依据的电池分选方法。
继续参照图1,通过步骤S1获得容量增量特征曲线后,分选方法前进到步骤S2,基于每只磷酸铁锂电池的容量增量特征曲线,提取每只磷酸铁锂电池的一致性特征量。在一种或多种实施例中,一致性特征量包括第一特征峰高度值、第一特征峰对称中心电压值、第二特征峰高度值、和任意两只磷酸铁锂电池的容量增量特征曲线之间的动态时间弯曲距离。第一特征峰高度值能够代表对应电池的锂离子损耗水平。第二特征峰高度值能够代表对应电池的活性物质损失程度。第一特征峰对称中心电压值能够代表电池的电池内阻增加程度。动态时间弯曲距离则是可代表电池一致性水平的特征量,其数值越小,数值越小则电池老化程度越接近,一致性水平越高。
继续参照图1,在提取了每只磷酸铁锂电池的一致性特征量之后,分选方法前进到步骤S3,对一致性特征量执行模糊C均值算法处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值。基于隶属度值,就可将多只磷酸铁锂电池分成多个组(步骤S4),例如三个组、四个组、或其它数量的组。
图3是本发明磷酸铁锂电池的分选方法的实施例的流程图。在分选方法开始后,首先在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量(IC)特征曲线(步骤S1)。在该实施例中,以0.25C的恒流对10只退役的磷酸铁锂电池单体(以下称为“磷酸铁锂电池”)充电。获得的IC特征曲线如图4所示,10只退役的磷酸铁锂电池分别被编号为1#,2#,3#,4#,5#,6#,7#,8#,9#,10#,其中,1#电池IC特征曲线被作为标准参考曲线,其中,1#电池IC特征曲线的第二特征峰②*Ⅱ为横坐标3.375V左右、纵坐标350AhV-1左右的尖峰。然后,基于每只磷酸铁锂电池的IC特征曲线,提取每只磷酸铁锂电池的一致性特征量,即第一特征峰高度值P1/Ah·V-1、第一特征峰对称中心电压值U1/V、第二特征峰高度值P2/Ah·V-1、和动态时间弯曲距离 dDTW(Bi,Bj)/Ah·V-1。其中,Bi和Bj分别代表第i个电池和第j个电池,i=1~10,j=1~10,并且i和j不相同。下表1列出了10退役的磷酸铁锂电池的四种IC特征值。
表1:退役的磷酸铁锂电池的IC特征值
如图3所示,在提取到上述代表一致性的IC特征值,分选方法前进到步骤S31,由数据处理装置接收输入的一致性特征量,即上表1中的四种IC特征值。在一种或多种实施例中,对输入的这些IC特征值执行归一化处理,以便消除量纲不同对计算结果的影响。数据处理装置例如可以是微处理器、或云端处理器等。接着,分选方法前进到步骤S32,初始化对应每种一致性特征量(即P1,P2,U1,dDTW(Bi,Bj))的参数以便形成初始隶属度矩阵,并且确定聚类簇数和模糊因子。聚类簇数c可基于函数L(c)=类间距离之和/类内间距之和,通过计算获得最优结果。在一种或多种实施例中,聚类簇数被设为3。替代地,根据实际需要,聚类簇数可被设为2、或大于3的数值。模糊因子(或称为“系数”)m越小点越分散,m越大点越集中,通过代入不同m值比较最终结果而得到一个最优m值模糊因子。m的取值范围可在1.1~5之间,具体的模糊因子数值可根据实际情况确定,例如1.5或3.2等。在确定了聚类簇数和模糊因子之后,分选方法前进到步骤S33,基于聚类簇数和模糊因子,计算聚类中心、隶属度矩阵、和目标函数。分选方法然后在步骤S34中判断目标函数是否满足聚类迭代的终止条件。如果未满足,则更新隶属度矩阵并重新计算目标函数,直至输出聚类中心和隶属度矩阵结果。如果满足,分选方法就前进到步骤S35,输出隶属度矩阵和聚类中心。在一种或多种实施例中,针对上述10只磷酸铁锂电池的一致性特征量,在聚类簇数为 3的情况下,经过12次迭代后聚类结束,并输出隶属度矩阵。基于步骤 S35的结果,即基于隶属度矩阵和聚类中心,确定每只磷酸铁锂电池相对聚类中心的隶属度值,如下表2所示。
表2:10只退役磷酸铁锂电池相对聚类中心的隶属度值
其中,c1为对应第1聚类中心的隶属度值,c2为对应第2聚类中心的隶属度值,c3为对应第3聚类中心的隶属度值。
如图3所示,基于隶属度值,将多只磷酸铁锂电池分成多个组(步骤S4),然后分选方法结束。例如,上述10只退役磷酸铁锂电池基于对应的隶属度值被分为3组,如图5所示。第1组包括5只磷酸铁锂电池;第2组包括3只磷酸铁锂电池;第3组包括2只磷酸铁锂电池。
在一种或多种实施例中,本发明磷酸铁锂电池的分选方法还提供对分选结果的评估。该评估方法采用组内锂离子损失极差系数、组内活性材料损失极差系数、和组内内阻极差系数三种参数来评价确定每组磷酸铁锂电池内各电池的老化一致性程度。该评估方法分别计算根据本发明的容量增量分选方法被分到同一组的磷酸铁锂电池的组内锂离子损失极差系数、组内活性材料损失极差系数、和组内内阻极差系数;再计算根据传统的容量和电阻分选方法被分到同一组的磷酸铁锂电池的组内锂离子损失极差系数、组内活性材料损失极差系数、和组内内阻极差系数;然而将上述两种计算所得的结果进行比对,以评估本发明的容量增量分选方法的效果。
具体地,组内锂离子损失极差系数采用如下公式计算:
其中,εL(i)为第i组磷酸铁锂电池的组内锂离子损失极差系数,i=1~n,n 为磷酸铁锂电池被分成的组数并且大于1,P1,max(i)为第i组磷酸铁锂电池的第一特征峰的最大高度值,P1,min(i)为第i组磷酸铁锂电池的第一特征峰的最小高度值。基于上面被分为3组的10只退役磷酸铁锂电池的IC特征曲线,分别计算得到3个组的组内锂离子损失极差系数,如下表3所示。
组内活性材料损失极差系数采用如下公式计算:
其中,εM(i)为第i组磷酸铁锂电池的组内活性材料损失极差系数,i=1~n, n为磷酸铁锂电池被分成的组数并且大于1,P2,max(i)为第i组磷酸铁锂电池的第二特征峰的最大高度值,P2,min(i)为第i组磷酸铁锂电池的第二特征峰的最小高度值。基于上面被分为3组的10只退役磷酸铁锂电池的IC特征曲线,分别计算得到3个组的组内活性材料损失极差系数,也如下表3 所示。
组内内阻极差系数采用如下公式计算:
其中,εR(i)为第i组磷酸铁锂电池的组内内阻极差系数,i=1~n,n为磷酸铁锂电池被分成的组数并且大于1,U1,max(i)为第i组磷酸铁锂电池的第一特征峰的对称中心的最大电压值,U1,min(i)为第i组磷酸铁锂电池的第一特征峰的对称中心的最小电压值。基于上面被分为3组的10只退役磷酸铁锂电池的IC特征曲线,分别计算得到3个组的组内内阻极差系数,也如下表3所示。
表3:10只退役磷酸铁锂电池分选组内的老化一致性指标
在上表3中还分别列出基于传统的容量和电阻分选方法被分为3组的磷酸铁锂电池的组内锂离子损失极差系数、组内活性材料损失极差系数、和组内内阻极差系数。由上表3可知,基于容量和内阻的电池分选方法,各老化指标数值明显高于本发明的IC特征一致性分选方法,这主要是因为基于容量和内阻的分选方法无法完全排除分选过程人为因素的影响。基于IC特征分选方法所获得的分组结果,组内老化一致性指标数值更小,说明组内电池的老化程度更加接近。其中,从εR(i)指标得知,对称中心位置电压(即电压曲线突变点)偏差程度更小,极差系数平均每组减少0.2%,说明在充放电过程中电池的端电压曲线一致性较高。
综上所述,本发明基于容量增量分析的电池分选方法,以电池IC特征曲线的4个特征值的相似度水平作为分选依据,并结合FCM算法确定了电池一致性分选方法。实验结果表明,IC特征一致性分选方法得到的电池组内老化一致性指标数值与容量和内阻分选方法相比更小,即与各退役电池的实际老化程度和老化趋势更为接近。因此,在例如退役电池的梯次利用阶段能保持更好的一致性。同时,采用FCM算法提高了电池的分选效率且消除了传统方法中人为因素引起的误差。IC特征一致性分选方法使用老化机理和统计聚类角度,使得分选更科学、更高效。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种磷酸铁锂电池的分选方法,其特征在于,所述分选方法包括:
在相同条件下对多只磷酸铁锂电池进行充放电,以获取每只磷酸铁锂电池的容量增量特征曲线;
基于每只磷酸铁锂电池的容量增量特征曲线,提取每只磷酸铁锂电池的一致性特征量;
对所述一致性特征量执行模糊C均值算法处理,以便获得每只磷酸铁锂电池相对聚类中心的隶属度值;
根据所述隶属度值将所述多只磷酸铁锂电池分成多个组。
2.根据权利要求1所述的磷酸铁锂电池的分选方法,其特征在于,所述容量增量特征曲线具有反映锂离子损耗水平和电池内阻增加程度的第一特征峰和反映电池活性物质损失程度的第二特征峰,所述一致性特征量包括第一特征峰高度值、第一特征峰对称中心电压值、第二特征峰高度值、和任意两只磷酸铁锂电池的容量增量特征曲线之间的动态时间弯曲距离。
3.根据权利要求2所述的磷酸铁锂电池的分选方法,其特征在于,在对所述一致性特征量执行模糊C均值算法处理之前,对所述一致性特征量执行归一化处理。
4.根据权利要求3所述的磷酸铁锂电池的分选方法,其特征在于,对所述一致性特征量执行模糊C均值算法处理包括如下步骤:
接收输入的所述一致性特征量;
初始化对应每种一致性特征量的参数,确定聚类簇数和模糊因子;
基于所述聚类簇数和模糊因子,计算聚类中心、隶属度矩阵、和目标函数;
判断所述目标函数是否满足聚类迭代的终止条件;
当所述目标函数满足聚类迭代的终止条件时,输出隶属度矩阵和聚类中心;并且
根据所述隶属度矩阵和聚类中心,确定每只磷酸铁锂电池相对所述聚类中心的隶属度值。
5.根据权利要求1-4任一项所述的磷酸铁锂电池的分选方法,其特征在于,所述磷酸铁锂电池为退役的磷酸铁锂电池。
6.根据权利要求1-4任一项所述的磷酸铁锂电池的分选方法,其特征在于,所述分选方法还包括:
基于所述容量增量特征曲线,确定每组磷酸铁锂电池的第一特征峰的最大高度值和最小高度值、第二特征峰的最大高度值和最小高度值、第一特征峰的对称中心的最大电压值和最小电压值;
基于所述第一特征峰的最大高度值和最小高度值,计算每组磷酸铁锂电池的组内锂离子损失极差系数;
基于所述第二特征峰的最大高度值和最小高度值,计算每组磷酸铁锂电池的组内活性材料损失极差系数;
基于所述第一特征峰的对称中心的最大电压值和最小电压值,计算组内内阻极差系数;
根据所述组内锂离子损失极差系数、所述组内活性材料损失极差系数、和所述组内内阻极差系数,确定每组磷酸铁锂电池的老化一致性程度。
10.根据权利要求1所述的磷酸铁锂电池的分选方法,其特征在于,在相同条件下对多只磷酸铁锂电池进行充放电包括:
以0.25C的充电倍率对所述磷酸铁锂电池进行恒流充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758675.2A CN113571788A (zh) | 2021-07-05 | 2021-07-05 | 磷酸铁锂电池的分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758675.2A CN113571788A (zh) | 2021-07-05 | 2021-07-05 | 磷酸铁锂电池的分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113571788A true CN113571788A (zh) | 2021-10-29 |
Family
ID=78163688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758675.2A Pending CN113571788A (zh) | 2021-07-05 | 2021-07-05 | 磷酸铁锂电池的分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113571788A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
US20160190829A1 (en) * | 2014-12-25 | 2016-06-30 | Ningde Contemporary Amperex Technology Limited | Passive equalization method and system for lithium iron phosphate battery pack |
CN106684475A (zh) * | 2017-01-16 | 2017-05-17 | 哈尔滨理工大学 | 一种磷酸铁锂电池的分选方法 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
CN110927607A (zh) * | 2019-11-22 | 2020-03-27 | 武汉理工大学 | 辨识和量化分析锂离子电池衰退机理的方法及系统 |
CN111707958A (zh) * | 2020-05-26 | 2020-09-25 | 同济大学 | 一种基于容量增量曲线特征的电池内短路检测方法 |
-
2021
- 2021-07-05 CN CN202110758675.2A patent/CN113571788A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
US20160190829A1 (en) * | 2014-12-25 | 2016-06-30 | Ningde Contemporary Amperex Technology Limited | Passive equalization method and system for lithium iron phosphate battery pack |
CN106684475A (zh) * | 2017-01-16 | 2017-05-17 | 哈尔滨理工大学 | 一种磷酸铁锂电池的分选方法 |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及系统 |
CN110927607A (zh) * | 2019-11-22 | 2020-03-27 | 武汉理工大学 | 辨识和量化分析锂离子电池衰退机理的方法及系统 |
CN111707958A (zh) * | 2020-05-26 | 2020-09-25 | 同济大学 | 一种基于容量增量曲线特征的电池内短路检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN108655028A (zh) | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 | |
CN107024663A (zh) | 基于充电曲线特征kpca聚类的锂电池筛选方法 | |
CN109946616B (zh) | 一种磷酸铁锂电池系统容量不均衡程度的估算方法 | |
CN109273787B (zh) | 一种调整串联锂离子电池组的荷电状态soc的方法、装置 | |
CN107377422A (zh) | 一种单体电池的分选方法 | |
CN110854959B (zh) | 电池系统被动均衡方法 | |
CN109783902B (zh) | 一种面向均衡控制的电池动态分组方法 | |
CN112881928A (zh) | 一种电池单体一致性的筛选方法 | |
CN115356647A (zh) | 一种锂离子电池寿命早期预测方法 | |
CN110707771A (zh) | 基于中心漂移聚类分析的电池组主动均衡方法 | |
CN116430257B (zh) | 一种锂电池电性能表征的方法及其应用 | |
CN112285573A (zh) | 一种评价动力电池组在动态使用过程中单体一致性的方法 | |
CN115889245A (zh) | 一种锂电池一致性分选方法 | |
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 | |
CN111129628A (zh) | 锂离子电芯充放电的控制方法、系统、介质及电子设备 | |
CN113571788A (zh) | 磷酸铁锂电池的分选方法 | |
CN113933736B (zh) | 基于云端放电数据的电池组一致性评价方法 | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
CN115015772A (zh) | 一种锂离子蓄电池高精度一致性筛选方法 | |
CN114879053A (zh) | 一种储能磷酸铁锂电池寿命预测方法 | |
CN114798502A (zh) | 梯次利用电池的分类成组方法、系统及生产线 | |
CN219371111U (zh) | 负极结构、电池及电池系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |