CN113661399A - 蓄电池的特性推测装置以及特性推测方法 - Google Patents
蓄电池的特性推测装置以及特性推测方法 Download PDFInfo
- Publication number
- CN113661399A CN113661399A CN201980095069.8A CN201980095069A CN113661399A CN 113661399 A CN113661399 A CN 113661399A CN 201980095069 A CN201980095069 A CN 201980095069A CN 113661399 A CN113661399 A CN 113661399A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- diffusion
- time
- series data
- 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
Links
- 238000000034 method Methods 0.000 title claims description 79
- 238000009792 diffusion process Methods 0.000 claims abstract description 106
- 239000002245 particle Substances 0.000 claims abstract description 78
- 239000003637 basic solution Substances 0.000 claims abstract description 45
- 150000002500 ions Chemical class 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 description 47
- 230000008569 process Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 25
- 238000005457 optimization Methods 0.000 description 22
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 17
- 230000008859 change Effects 0.000 description 17
- 229910001416 lithium ion Inorganic materials 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 229910001425 magnesium ion Inorganic materials 0.000 description 6
- 239000008151 electrolyte solution Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 229910052987 metal hydride Inorganic materials 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910001415 sodium ion Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004613 tight binding model Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000051 wattle Anatomy 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
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
蓄电池的特性推测装置具备:电压检测部,检测蓄电池的端子电压;时间序列数据取得部,取得蓄电池的停止状态下的端子电压的时间序列数据;模型提供部,提供蓄电池模型;以及模型参数推测部,基于由时间序列数据取得部取得的端子电压的时间序列数据以及由模型提供部提供的蓄电池模型,推测蓄电池模型的模型参数。蓄电池模型包含表现蓄电池的OCV的OCV项以及基于表现构成蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项。
Description
技术领域
本发明涉及一种蓄电池的特性推测装置以及特性推测方法,特别是涉及一种蓄电池的电压弛豫过程(voltage relaxation process)的推测装置以及推测方法。
背景技术
提出了表现蓄电池的特性的各种各样的模型。例如,作为表现蓄电池的电压弛豫过程的模型,已知以包含OCV的一般的蓄电池的等效电路为基础的CR并联元件的多串联模型(例如参照专利文献1)。
在专利文献1中,通过一阶延迟元素(first-order delay element)的叠加来表现蓄电池的电化学性的响应,根据与CR并联元件的停止时的响应对应的指数函数项,将蓄电池的电压弛豫过程进行模型化。基于在蓄电池的停止状态下检测出的电压弛豫过程的时间序列数据来推测表现指数函数项的模型参数。
现有技术文献
专利文献1:日本特许第5170876号
发明内容
然而,在利用专利文献1中记载的模型来高精度地推测蓄电池的电压弛豫过程时有界限。例如,在蓄电池的停止状态为短时间的情况下,时间常数短的电压弛豫过程占据支配地位,但是在蓄电池的停止状态为长时间的情况下,时间常数更长的电压弛豫过程占据支配地位。因此,在专利文献1的模型中,难以基于在蓄电池的短时间的停止状态下检测出的时间序列数据来推测表现蓄电池的长时间的停止状态下的电压弛豫过程的模型参数。
本发明用于解决如上所述的问题,其目的在于提供一种能够高精度地推测蓄电池的电压弛豫过程的蓄电池的特性推测装置以及特性推测方法。
为了解决上述问题,本发明所涉及的蓄电池的特性推测装置具备:电压检测部,检测蓄电池的端子电压;时间序列数据取得部,取得蓄电池的停止状态下的端子电压的时间序列数据;模型提供部,提供蓄电池模型,该蓄电池模型包含表现蓄电池的OCV的OCV项以及基于表现构成蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项;以及模型参数推测部,基于由时间序列数据取得部取得的端子电压的时间序列数据以及由模型提供部提供的蓄电池模型,推测蓄电池模型的模型参数。
另外,本发明所涉及的蓄电池的特性推测方法包括:检测蓄电池的端子电压的步骤;取得蓄电池的停止状态下的端子电压的时间序列数据的步骤;提供蓄电池模型的步骤,其中,该蓄电池模型包含表现蓄电池的OCV的OCV项以及基于表现构成蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项;以及基于端子电压的时间序列数据以及蓄电池模型,推测蓄电池模型的模型参数的步骤。
根据本发明所涉及的蓄电池的特性推测装置以及特性推测方法,能够高精度地推测蓄电池的电压弛豫过程。
附图说明
图1是示出本发明的实施方式1所涉及的蓄电池的特性推测装置的结构的框图。
图2是示出图1的特性推测装置中的时间序列数据取得部的内部结构的框图。
图3是蓄电池内部的电极的图像示意图。
图4是示出蓄电池内部的电极的单粒子模型的图像及其等效电路的图。
图5是示出蓄电池内部的电极的一维近似模型的图像及其等效电路的图。
图6是示出一维近似等效电路模型的等效电路的图。
图7是示出对图6的等效电路进行近似变换得到的等效电路的图。
图8是示出对图7的等效电路进一步进行近似变换得到的等效电路的图。
图9是示出对图8的等效电路进一步进行近似变换得到的等效电路的图。
图10是说明在图8至图9的近似变换中从分布常数电路导出扩散方程式的图。
图11是电压弛豫过程中的电位分布的图像示意图。
图12是示出具有正极和负极的蓄电池的内部的一维等效电路的图。
图13是示出图1的特性推测装置中的模型参数推测部的内部结构的框图。
图14是示出半电池的电位弛豫曲线的图。
图15是示出在半电池中取得的三种SOC-OCP数据的图。
图16是示出针对图15的所有的数据应用本发明的实施方式1所涉及的方法来推测OCP得到的结果的图。
图17是示出通过作为专用硬件的处理电路来实现本发明的实施方式1所涉及的特性推测装置的各功能的情况的结构图。
图18是示出通过具备处理器和存储器的处理电路来实现本发明的实施方式1所涉及的特性推测装置的各功能的情况的结构图。
(符号说明)
100:特性推测装置;101:蓄电池;102:电压检测部;103:时间序列数据取得部;104:模型提供部;105:模型参数推测部。
具体实施方式
下面,参照附图来详细地说明本申请公开的发明的实施方式。但是,下面示出的实施方式只是一例,本发明并不被这些实施方式所限定。
实施方式1.
图1是示出本发明的实施方式1所涉及的蓄电池的特性推测装置100的结构的图。此外,在图1中,还一并示出与特性推测装置100连接的蓄电池101。
在本实施方式1中,作为蓄电池101,设想锂离子蓄电池。但是,蓄电池101也可以是铅蓄电池、镍氢蓄电池、全固体电池、钠硫电池、钠硫电池、镁离子电池、双电层等。
特性推测装置100具备电压检测部102、时间序列数据取得部103、模型提供部104以及模型参数推测部105。
电压检测部102检测蓄电池101的端子电压V。
时间序列数据取得部103基于由电压检测部102检测出的蓄电池101的端子电压V,取得蓄电池101的停止状态下的端子电压V的时间序列数据{(p,Vp)|p=0,1,……m-1}。
更详细地说,如图2所示,时间序列数据取得部103包括电流检测部103a、停止状态检测部103b、时间序列数据存储部103c以及时间序列数据抽出部103d。
电流检测部103a检测蓄电池101的电流I。
停止状态检测部103b基于由电流检测部103a检测出的蓄电池101的电流I,检测蓄电池101的停止状态。其中,停止状态检测部103b无需仅检测蓄电池101必然完全停止的状态,也可以包括接近停止的状态在内进行检测。以下将蓄电池101的接近停止的状态称为“准停止状态”。
作为对蓄电池101的停止状态进行检测的方法,例如能够采用如下方法:针对预先决定的微小值ε和δ,检测满足|I|<ε且|ΔI|<δ的状态。在此,ΔI是某个时刻t的电流I与紧接在其之前的时刻t-Δt的电流I的差值。
在该检测方法中,根据第一不等式|I|<ε,即使在由于电流检测部103a的检测误差而导致电流I不会严格地成为零的情况下也能够检测停止状态。另外,还能够通过将ε设定得大而检测上述“准停止状态”。
另外,根据第二不等式|ΔI|<δ,由于不仅考虑电流I的大小而且还考虑电流I的变化,因此能够更高精度地检测停止状态。
此外,在搭载蓄电池101的系统通过其它方法检测出蓄电池101的停止状态的情况下,停止状态检测部103b也可以接收其检测信号,从而检测蓄电池101的状态时间。
时间序列数据存储部103c存储在由停止状态检测部103b检测出蓄电池101的停止状态的期间由电压检测部102检测出的蓄电池101的端子电压V的时间序列数据{(k,Vk)|k=0,1,……n}。在此,k为采样时刻,在将采样周期设为ts时,时刻t=k*ts的关系成立。此外,时间序列数据存储部103c未必设置于时间序列数据取得部103的内部。时间序列数据存储部103c也可以设置于例如云端上等。
此外,存储端子电压V的时间序列数据时的采样周期ts既可以由时间序列数据存储部103c决定,也可以由电压检测部102在检测端子电压V时决定。
时间序列数据抽出部103d从存储于时间序列数据存储部103c的时间序列数据{(k,Vk)|k=0,1……,n-1},排除不需要的数据而抽出所需的时间序列数据{(p,Vp)|p=0,1,……,m-1}。
在此,p是从k的时间序列数据抽出的值,因此p=0、1、……、m-1对应于t=r0*ts、r1*ts、……、rm-1*ts。即,对于某个p而言,t=rp*ts。其中,rp是所抽出的第p个时间序列数据。
作为时间序列数据抽出部103d中的具体的抽出方法,例如考虑从原始的时间序列数据中排除最初的一定时间的数据。这是因为,在蓄电池101的停止状态的初期,认为依赖于过去的充放电历史而在蓄电池101内部的离子分布中存在紊乱,因此有可能成为不适合推测电压弛豫过程的数据。
另外,在存在明显的数据缺失的情况下,也可以将其排除。另外,也可以进行基于电压变化的采样,排除电压变化小的数据。
由此,从原始的时间序列数据{(k,Vk)|k=0,1,……,n-1},抽出将不需要的数据排除后的时间序列数据{(p,Vp)|p=0,1,……,m-1}。但是,这样的数据抽出的处理依赖于特性的推测方法、能够保存的数据数量等的限制,并非是必须的。
模型提供部104提供至少一个基于扩散方程式(diffusion equation)的基本解(fundamental solution)的蓄电池模型。以下将这样的模型称为“扩散基本解模型(diffusion fundamental solution model)”。
模型参数推测部105基于由时间序列数据取得部104取得的蓄电池101的端子电压V的时间序列数据{(p,Vp)|p=0,1,……,m-1}以及由模型提供部104提供的蓄电池模型,推测蓄电池模型的模型参数。
[蓄电池模型的技术性的详情]
下面,对本实施方式1所涉及的蓄电池模型的技术性的详情进行说明。
图3是蓄电池内部的电极的图像示意图。大量的粒子302紧贴于集电体301而形成块体(bulk)303,它们整体被浸渍于电解液304。此外,准确地说,还附着有用于提高电子传导性的导电助剂、用于使大量的粒子302粘接的粘合剂等,但是此处为了简单而进行了省略。
在蓄电池的充电时,针对各个粒子302,从电解液304供给锂离子305,并且从集电体301供给电子306。在蓄电池的放电时,从各个粒子302释放锂离子305和电子306。
此外,如先前记述那样,在本实施方式1中,作为蓄电池,设想锂离子蓄电池。因此,图3是锂离子蓄电池的情况下的图像示意图。然而,蓄电池也可以是铅蓄电池、镍氢蓄电池、全固体电池、钠硫电池、钠硫电池、镁离子电池、双电层等。
例如,在蓄电池为全固体电池的情况下,将上述“电解液”换成“固体电解质”。另外,在镁离子电池的情况下,将“锂离子”换成“镁离子”。
图4是示出蓄电池内部的电极的单粒子模型的图像及其等效电路的图。在图4的等效电路中,Re为电子传导电阻,Rct为反应电阻,Cdl为双电层电容,Zw为粒子307内部的扩散阻抗,OCV为粒子307的开路电压,Ri为离子传导电阻。
图4的单粒子模型能够理解为如下的理想模型:设想原本如图3那样大量存在的粒子302全部呈现相同的行为(behavior),将全部粒子的行为汇集为单一粒子307。这样的单粒子模型被广泛地用作蓄电池的模型,但是具有无法表现出粒子间的锂离子分布的不均匀这样的缺点。
图5是示出蓄电池内部的电极的一维近似模型的图像示意图及其等效电路的图。在图5中,为了简单而示出将粒子数用4进行了近似表现的情况。在该一维近似模型中,与图4的单粒子模型不同,能够表现出粒子间的锂离子分布的不均匀。
图5的等效电路是将图4的单粒子模型的等效电路并联地多级连接而成的电路。其中,由于在各粒子307之间存在电子传导电阻和离子传导电阻,因此越是靠近集电体301的粒子307,则电子传导电阻越小,电解液中的离子传导电阻越大。相反地,越是远离集电体301的粒子307,则电子传导电阻越大,电解液中的离子传导电阻越小。
由于这样的电子传导电阻和离子传导电阻的影响,随着电流速率变大,向各粒子307供给的离子量产生差异,在粒子间产生SOC分布的不均匀。在以往的推测蓄电池的停止状态下的电压弛豫过程的技术中,从来没有构建过反映这样的粒子间的SOC分布的不均匀的影响的同时经得住实际使用的模型。因此,难以表现将粒子间的SOC分布的不均匀的消除过程进行了反映的长时间的电压弛豫过程。
与此相对,在本实施方式1中,使用从图5的一维近似模型导出的、高精度地表现反映了粒子间的SOC分布的不均匀的消除过程的长时间的电压弛豫过程的模型。
此外,在以下的说明中,“离子”是指对蓄电池的充放电作出贡献的离子。例如,在锂离子电池的情况下为锂离子,在镁离子电池的情况下为镁离子,在钠离子电池的情况下为钠离子。
[一维近似模型的等效电路的近似变换]
首先,在对图6的一维近似模型的等效电路进行近似变换时,能够得到图7那样的等效电路。其中,设为蓄电池处于停止状态且从成为停止状态起经过了几秒~几百秒。另外,电极电位v基于集电体侧的粒子的电位。
在图6至图7的近似变换中,电子传导电阻Re与离子传导电阻Ri相比非常小,因此可以忽略电子传导电阻Re。另外,将表现粒子内扩散的瓦尔堡阻抗(Warburg impedance)Zw分离并进行串联连接。由瓦尔堡阻抗Zw表现的粒子内扩散的过程具有几秒~几百秒程度的较长的时间常数。与此相对,基于反应电阻Rct和双电层电容Cdl的反应过程的时间常数τ:=Rct*Cdl是几十~几百毫秒程度的较短的时间常数。因此,一般已知的是能够将瓦尔堡阻抗Zw近似地分离并进行串联连接。
接着,在对图7的等效电路进一步进行近似变换时,能够得到图8那样的等效电路。在图7至图8的近似变换中,忽略各粒子的反应过程中的过电压,并且将表现粒子内扩散的瓦尔堡阻抗Zw合并为1个来近似表现。
在蓄电池刚成为停止状态后,认为依赖于过去的充放电历史而在各粒子的过电压中存在偏差。然而,认为反应过程的过电压按照反应过程的时间常数,以几十~几百毫秒程度就大致收敛为零。
另外,关于粒子内扩散的过电压,也在经过与粒子内扩散的时间常数对应的几秒~几百秒程度的时间而粒子内扩散接近收敛时,粒子间的过电压的偏差变小。因此,认为此后的过电压的变化能够用1个瓦尔堡阻抗来代表而近似表现。
另外,关于各粒子的OCV,认为只要能够表现与粒子SOC的偏差相应的OCV的偏差即可,因此只要能够进行线性近似而用电容器来表现就足够了。
接着,在对图8的等效电路进一步进行近似变换时,能够得到图9那样的等效电路。图9的等效电路是将图8的等效电路中的表现OCV的电容器与离子电阻的梯形连接视为分布常数电路而用扩散阻抗来表现的电路。
图10是说明在图8至图9的近似变换中从分布常数电路导出扩散方程式的图。图10是表现分布常数电路的微小距离Δx的一部分的电路。其中,R和C分别是每单位长度的电阻和电容,RΔx和CΔx分别表示每个微小距离Δx的电阻和电容。
首先,在考虑与电流有关的等式时,
[数学式1]
成立,因此在将两边除以Δx而设为Δx→0时,成为
[数学式2]
同样地,在考虑与电压有关的等式时,
[数学式3]
v(x,t)-v(x+Δx,t)=RΔx·i(x,t) (3)
成立,因此在将两边除以Δx而设为Δx→0时,成为
[数学式4]
在此,在进一步用x对两边进行偏微分时,成为
[数学式5]
[数学式6]
这正是扩散方程式。
通过以上那样,作为蓄电池的停止状态下的电极电位模型,能够得到如图9所示的将扩散阻抗串联连接而成的结构。但是,关于粒子内扩散,粒子理想地是球状,因此遵循三维扩散,粒子间扩散是深度x的方向、即从集电体向隔离件(separator)的方向的扩散,所以遵循一维扩散。
[电压弛豫过程的数理模型的导出]
接着,从上述等效电路模型,导出电压弛豫过程的数理模型。
首先,在-∞<x<+∞的区域中,将初始分布设为v(x,0)=v0(x),将边界条件设为v(±∞,t)=0。此外,在考虑实际的锂离子的扩散时,锂离子的位置x的区域为0≤x<+∞,但在该情况下,如果以与0≤x<+∞的区域形成左右对称的方式设想-∞<x≤0的区域,则在原点处浓度梯度也始终为0。因此,以原点为边界,在宏观的视点上不发生锂离子的流入流出,所以能够同样地应用将条件设为-∞<x<+∞的区域的情况下的辩论。
另外,严格来说,锂离子的位置x的区域由于某个值xmax而理应被限制于有限区域0≤x≤xmax。然而,一般而言在扩散层非常厚的情况下,往往也将区域视为半无限的0≤x<+∞。因此,在本实施方式1中也遵循这个规则。此时,式(6)的扩散方程式的解被表现为
[数学式7]
然而,难以获得式(7)的解析解,仅在特殊的初始分布的情况下才能获得。
因此,考虑初始分布为v0(x)=δ(x)的情况。其中,δ(x)为德尔塔函数,是被定义为
[数学式8]
那样的函数。初始分布遵循德尔塔函数这能够理解为是在x=0处滴下了浓度为1的物质的状况。于是,扩散方程式的解被表示为
[数学式9]
G(x,t)也被称为格林函数,作为扩散方程式的基本解而被知晓。
在将其进行一般化时,关于基于一维扩散方程式的基本解的项,能够使用参数k和函数f,描述为
[数学式10]
在此,k是对大小进行调整的参数。
在本实施方式1中,以经过一定时间z秒后的基本解的分布来设想电极电位或锂离子浓度的初始分布。即,在用带帽子的v来表现v的推测值时,设为
[数学式11]
在此,k是对大小进行调整的参数,z是时移参数。
在将其一般化时,还包括时移参数的基于一维扩散方程式的基本解的项能够描述为
[数学式12]
以下,说明使用导入时移参数的式(11)、式(12)的妥当性及其原理。
首先,考虑找到在蓄电池的充电时在任意的时刻t>0下电极内部的电位分布v(x,t)满足不等式
[数学式13]
那样的函数fmin和fmax。在将函数fmax的初始分布设为f0,max而尝试具体地计算fmax与v之差时,成为
[数学式14]
因此为了使fmax(x,t)≥v(x,t)成立,只要找到使f0,max(x)≥v0(x)成立那样的f0,max(x)即可。
如果依据v0为有限即v0≤vmax、以及v0(∞)=0,则设为
[数学式15]
f0,max(x)=MG(x,tM) (15),
能够以满足f0,max(x)≥v0(x)的方式选择M和tM。
另外,同样地,关于fmin,也设为
[数学式16]
f0,min(x)=mG(x,tm) (16),
能够以满足f0,min(x)≤v0(x)的方式选择m和tm。此时,式(13)成为
[数学式17]
mG(x,t+tm)≤v(x,D≤MG(x,t+TM), t>0,0≤x<∞ (17)。
式(17)意味着电极的电位分布即使依赖于过去的充电电流而产生了波动,也会成为从电极界面朝向深部而逐渐地降低的形状。
并且,当考虑在电极界面、即x=0处是t>>tM、tm那样的状况时,成为
[数学式18]
误差ε随着时间的经过而变小,在t→∞时成为ε→0。也就是说,由于观察到电位的弛豫行为,因此理所当然的是,MG(0,t+tM)和mG(0,t+tm)以及被它们两个夹在之间的v(x,t)的值随着时间的经过而收敛为相同的值,这些值彼此的偏差变小。
因而,考虑式(17)的2个基本解模型之间存在那样的基本解模型的集合,如果能够从它们中选出与实际的电位行为最一致那样的模型,则能够根据过去检测出的电位行为推测将来的电位行为。
图11是电压弛豫过程中的电位分布的图像示意图。实线表示实际的电位分布,上面的虚线表示上限基本解模型,下面的虚线表示下限基本解模型,它们之间的虚线表示推测基本解模型。
实际的电位分布以及推测基本解模型均在深度z方向的所有的位置处收敛于上限基本解模型与下限基本解模型之间,它们的位置关系在经过长时间后也不会变化。并且,可知上限基本解模型及下限基本解模型与实际的分布之间的误差比较大,与此相对,推测基本解模型良好地捕捉到实际的分布的低频行为(low frequency behavior)。
锂离子浓度依赖于过去的充放电历史等,局部地存在浓度的高低。然而,作为宏观性的倾向,理应是电极界面的浓度高且随着变深而浓度变低,或者与其相反。
本实施方式1所涉及的基本解模型是捕捉到这样的全局的行为的模型。此外,局部的电位的高低、即离子浓度的浓淡随着扩散现象的发展而消失,因此认为时间越长,则实测数据越不易受到初始分布的影响,模型的精度越高。
作为式(11)的推测基本解模型的另一观点下的解释,也能够理解为利用在z秒前的时间点被带到电极界面的高浓度的离子进行扩散时的分布来近似表现电极内部的离子浓度。也就是说,能够通过利用参数k和z而使大小和位置适当地偏移而得到的基本解,高精度地捕捉是与过去的充放电历史相应的局部的离子分布的浓淡随着时间的经过而被消除之后最后残留的最具支配性的低频这样的扩散过程。
与目前为止的讨论同样地,关于电极粒子内部的扩散也导出数理模型。电极粒子理想地是球状,因此认为粒子内部的扩散遵循三维扩散。因此,在考虑三维球对称的情况时,扩散方程式成为
[数学式19]
其中,r表示球面坐标上的位置。与此相对的基本解成为
[数学式20]
在将其进行一般化时,基于三维扩散方程式的基本解的项能够使用参数k和函数f而描述为
[数学式21]
与一维扩散方程式时同样地,在设为初始分布遵循zp秒后的基本解时,在粒子表面上r=rd处的电位成为
[数学式22]
在将其进行一般化时,能够描述为
[数学式23]
[向蓄电池的应用]
图12是具有正极和负极的蓄电池的内部的一维等效电路。目前为止的说明仅对正极和负极中的一方的行为进行了说明,但在图12中,经由隔离件而连接有正极和负极这两方的一维等效电路。
在根据图12的等效电路构建电压弛豫模型时,作为一例,成为
[数学式24]
在此,右上角标p和n分别意味着是正极和负极的参数。
式(24)未必原样地使用,也可以省略一部分项或一部分参数。
例如,指数函数的部分随着时间t的经过而快速地衰减,因此也可以设为We=0、也就是将指数函数部分设为1。其中,右上角标e意味着p或n。
而且,也可以将正极和负极的项归纳为1个。关于粒子内扩散,时间常数一般为几秒~几百秒的数量级,因此根据条件,下面的近似式成立。
[数学式25]
在此,右边的第1条件意味着正负极的扩散时间常数为接近的值、或者电极的一方的时间常数与另一方的时间常数相比非常大。另外,右边的第2条件表示在推测中使用的时刻t充分大于z1和z2时。
另外,在式(24)中虽未明确示出,但是作为第3条件,在时间t进一步大时,还能够将粒子内扩散本身近似为零。
另一方面,关于粒子间扩散,与粒子内扩散相比ki较小,因此以下那样的近似式成立。
[数学式26]
其中,i≠j。在此,右边的第1条件意味着正负极的粒子间扩散的时间常数为接近的值、或者一方的电极的过电压与另一方相比非常大。另外,右边的第2条件意味着在推测中使用的时刻t充分大于一方的电极的粒子间扩散的时间常数。
这样,根据正负极的特性、拟合的数据范围等,模型被简化为各种形式。
本实施方式1的模型的本质在于此前未考虑过的或者能够经得住实际使用的模型的构建困难的如下点:利用基于扩散方程式的基本解的模型来表现包括粒子间扩散的电压弛豫过程,并且针对该基本解模型导入了时移参数z。在用更加一般性的模型式对其进行描述时,成为
[数学式27]
在此,函数f(t)是表现较短时间的由直流电阻、反应电阻、粒子内扩散电阻等引起的过电压的函数。作为该函数,也可以使用一般使用那样的设想由直流电阻元件和1个以上的CR并联元件形成的等效电路而得到的函数。
另一方面,函数g(t)是对表现粒子间扩散的扩散基本解项进行校正的函数,用于很好地说明由于基于过去的充放电历史的电极内部的电位分布的局部高低等而引起那样的、时间t比较小时的电位变动。
作为式(27)的函数f(t)的一例,也可以使用基于一般的电池等效电路的项、例如基于直流电阻以及多级串联连接的CR并联元件的项。即,
[数学式28]
在该情况下,作为等效电路的参数,将R、ki、τi(i=1,2,……,nCR)的一部分或全部包含于推测参数。
函数g(t)根据其目的,优选为是以比较短的时间、具体而言几秒~几百秒程度而收敛于1从而使对扩散基本解项的贡献消失那样的函数。例如,考虑设为
[数学式29]
或者设为
[数学式30]
等各种各样的形式。
此外,函数g(t)通常如上所述用于校正粒子间扩散项,但也可以起到代替函数f(t)的作用。
或者,如果明确示出作为本实施方式1的另一个重要本质的、用三维扩散方程式的基本解来表现粒子内扩散的模型,则成为
[数学式31]
模型提供部104提供如以上那样构建的、基于扩散方程式的基本解的模型中的至少1个。扩散基本解模型既可以存储于模型提供部104的内部,也可以存储于例如云端上等模型提供部104的外部。
模型提供部104每当从下面记述的模型参数推测部105接收到用于指示模型变更的控制信号时,从自身能够提供的扩散基本解模型的集合中选择1个此前未输出的模型,并输出到模型参数推测部105。
另外,模型提供部104在输出了全部的模型而不存在此前未输出的模型的情况下,对模型参数推测部105发送用于指示结束模型参数推测的控制信号。
[模型参数的推测]
如之前记述那样,模型参数推测部105基于由时间序列数据取得部103取得的蓄电池101的端子电压V的时间序列数据{(p,Vp)|p=0,1,……,m-1}以及由模型提供部104提供的扩散基本解模型,推测蓄电池101的扩散基本解模型的模型参数。
图13是示出模型参数推测部105的内部结构的图。模型参数推测部105构成为具备最佳化问题构成部105a、推测运算部105b以及判定部105c。
最佳化问题构成部105a构成应解决的最佳化问题。详细地说,最佳化问题构成部105a基于由时间序列数据取得部103取得的时间序列数据{(p,Vp)|0,1,……,m-1}、由模型提供部104提供的扩散基本解模型以及来自推测运算部105b的对最佳化问题的构成的变更进行指示的控制信号来构成最佳化问题,输出评价函数L和约束不等式。
评价函数L最典型地是如以下那样由平方误差的总和构成。
[数学式32]
其中,θ是将应推测的模型参数纵向排列而得到的矢量,例如在使用
[数学式33]
这样的扩散基本解模型的情况下,成为
[数学式34]
θ=[k1 k2 z1 z2 OCV]T (34)。
另外,约束不等式被表现为
[数学式35]
hi(x)≤0, i=1,...,nh (35)。
例如,式(34)的k1和k2为非负,另外如果已知OCV为Vmin以上且Vmax以下,则设为
[数学式36]
而构成约束不等式即可。
通过以上那样构成最佳化问题
[数学式37]
其中,约束不等式不是必须的,也可以构成无约束的最佳化问题。
最佳化问题构成部105a在接收到来自推测运算部105b的对最佳化问题的构成的变更进行指示的控制信号的情况下,将最佳化问题的构成变更为与目前为止不同的构成。具体地说,进行变更评价函数、追加约束不等式等的操作。
另外,最佳化问题构成部105a在接收到来自推测运算部105b的控制信号时,在不存在与目前为止不同的构成的候选的情况下,对模型提供部104发送对模型的变更进行指示的控制信号。
推测运算部105b基于从最佳化问题构成部105a输出的评价函数L以及约束不等式hi≤(i=1,……,nh),使用某种最佳化方法来进行推测运算,由此求出最佳化问题的最佳解,输出推测出的模型参数θ和评价函数L的值。
例如,在最佳化问题不包含约束不等式的情况下,能够使用最快下降法、Newton(牛顿)法、Gauss-Newton(高斯-牛顿)法、Quasi-Newton(拟牛顿)法、Levenberg-Marquardt(莱文贝格-马夸特)法等。
另外,在最佳化问题包含约束不等式的情况下,能够使用罚函数法(penaltyfunction method)、乘数法(multiplier method)、顺序二次规划法(sequentialquadratic programming method)、内点法(interior point method)、GRG(GeneralizedReduced Gradient:广义简约梯度)法等。
关于最佳化方法,只要根据问题的规模、变量的数量、性质、计算资源等而分开使用合适的方法即可。另外,最佳化方法并不限定于上述的方法,也可以使用公知的其它最佳化方法。
或者,在如果将特定的模型参数固定为某个值则关于其它的模型参数而成为线性那样的情况下,也可以通过重复进行如下操作来找出使评价函数最小化那样的特定的模型参数与其它的模型参数的值的组合,其中,上述操作是:在将该特定的模型参数值进行固定之后,对该其它的模型参数应用线性最小二乘法而求出该其它的模型参数的值,之后改变该特定的模型参数值,并对该其它的模型参数应用线性最小二乘法,再次求出该其它的模型参数的值。
推测运算部105b在从判定部105c接收到用于指示重新进行推测运算的控制信号的情况下,变更设定来重新进行推测运算。这意味着初始值的变更、推测方法的变更等。但是,在没有重新进行的可能性的情况、重新进行的次数超过设定值的情况下等,对最佳化问题构成部105a发送用于指示变更最佳化问题的控制信号。
判定部105c基于从推测运算部105b输出的评价函数L的值和推测模型参数θ以及来自模型提供部106的控制信号,输出控制信号或推测模型参数θ。
在从推测运算部105b输出的评价函数L的值为设定值以下的情况下,判定部107c判定为模型参数θ的推测成功,输出推测出的模型参数θ。
相反地,在评价函数L的值大于设定值的情况下,判定部105c对推测运算部105b发送用于指示重新进行模型参数推测的控制信号。此时,推测运算部105b保存与过去的评价函数L的值相比L的值小的一方的推测模型参数θ。
判定部105c在从模型提供部104接收到用于指示结束模型参数推测的控制信号的情况下,使模型参数推测部105的处理结束,并输出所保存的推测模型参数θ。
如以上说明那样,本实施方式1所涉及的蓄电池的特性推测装置具备:电压检测部,检测蓄电池的端子电压;时间序列数据取得部,取得蓄电池的停止状态下的端子电压的时间序列数据;模型提供部,提供蓄电池模型;以及模型参数推测部,基于由时间序列数据取得部取得的端子电压的时间序列数据以及由模型提供部提供的蓄电池模型,推测蓄电池模型的模型参数。蓄电池模型包含表现蓄电池的OCV的OCV项以及基于表现构成蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项。由此,能够高精度地推测蓄电池的停止状态下的电压弛豫过程。
[模型参数的推测结果]
下面,示出使用式(24)作为扩散基本解模型并根据实际的蓄电池的时间序列数据来推测模型参数而得到的结果。此外,推测出的模型参数为k1、k2、z2、OCV这4个,作为推测方法,使用了GRG法。
在图14中示出了将锂离子蓄电池进行解体而利用正极材料来制作出的半电池的电位弛豫曲线。其中,电位变化小的一方是新品的电位变化,电位变化大的一方是劣化品的电位变化。另外,为了进行比较,使7200秒时间点处的两者的电位对准到零而进行了绘制。
明显地看出劣化品的电位变化大,在7200秒时间点处电位也未收敛。这样,在劣化的蓄电池中,一般而言电极电位的弛豫所需的时间变得非常长。因此,为了取得高精度的SOC-OCV数据,重要的是预测电压弛豫过程。
图15示出在制作出的半电池中取得的3种SOC-OCP数据。3种数据分别大致对应于SOH=100%、80%、60%。一般而言,可以说SOC-OCP曲线即使发生劣化,形状也不会变化。然而,在图15中,SOH=80%和60%的数据相比于SOC=100%的新品的数据,在高SOC区域中成为略高的电位。作为其原因,考虑电位弛豫没有充分地收敛这样的可能性。
在图16中,示出对图15的所有的数据应用本实施方式1所涉及的方法来推测OCP得到的结果。可知高SOC区域中的劣化品的高电位倾向大致消失,在全部区间中与新品时的形状大致一致。也就是说,能够高精度地推测真的OCP的盖然性高。
[总结]
本实施方式1所涉及的电压弛豫过程的模型的优点归纳为如下。
第一,是使用反映出称为粒子间扩散这样的以往未考虑过的物理现象的模型的点。由此,关于花费几小时~十小时以上的长时间的电压弛豫过程,能够实现具有物理依据的高精度的模型化。
第二,根据使用基于扩散方程式的基本解的项这样的构思,能够构建同时实现较少的模型参数数量和较高的精度的模型,还示出其理论依据。
第三,使用上述的基于扩散方程式的基本解的项,之后并非直接使用通常的扩散方程式的基本解而是导入时移参数,由此能够实现高精度的模型化,还示出其理论依据。
第四,在构建除了上述的粒子间扩散的项以外还与一般的电池模型同样地追加有粒子内扩散的项的模型时,利用基于三维扩散方程式的基本解的项来表现,由此能够以较少的模型参数数量来实现高精度的模型化,并示出其理论依据。在电压弛豫过程中混合存在粒子内扩散和粒子间扩散,因此仅通过基于上述的第一至第三构思的粒子间扩散项,未必能够将电压弛豫高精度地模型化并进行预测。也就是说,为了高精度地拟合粒子间扩散,对粒子内扩散高精度地进行模型化和拟合也很重要。因此,关于这第四构思,在高精度地拟合基于第一至第三构思的表现长时间的电压弛豫过程的项的模型参数方面也很重要,是强化第一至第三构思的效果的构思。
第五,本实施方式1所涉及的粒子间扩散模型能够更高精度地推测以往的由直流电阻和CR并联元件等形成的等效电路模型的模型参数。关于一般的等效电路模型,将长至几百秒程度的时间常数的过电压进行模型化,但是并未考虑几百秒以上的时间常数的电压弛豫过程即粒子间扩散,相应地在原理上精度低。与此相对,在本实施方式1中,由于能够高精度地推测、预测长的时间常数的粒子间扩散,因此作为必然的结果,能够精度良好地还推测更短的过程、即反映电解液电阻、电荷移动电阻、粒子内扩散电阻等的等效电路参数。
根据以上,与现有技术相比,还能够基于物理模型并根据条件而使模型简化来削减模型参数,并且,推测模型参数,因此也不需要事先取得模型参数值。
最后,作为本实施方式1的效果,能够将电压弛豫过程高精度地模型化,并能够高精度地预测OCV,其结果,蓄电池的SOC复位、SOC-OCV数据的取得等所需的时间被缩短。或者,能够比以往更高精度地进行蓄电池的SOC复位、SOC-OCV数据的取得。这在实际使用中在蓄电池搭载系统的高效利用、运转率提高、劣化蓄电池的迅速诊断等意义上成为产业应用上的优点。另外,根据本实施方式1,能够高精度地分离推测粒子内扩散和粒子间扩散,因此在GITT法(Galvanostatic Intermittent Titration Technique:恒电流间歇滴定技术)等包含停止的公知的测定技术中,能够高精度地构建蓄电池模型。
此外,上述本发明的实施方式1所涉及的特性推测装置中的各功能通过处理电路来实现。实现各功能的处理电路既可以是专用的硬件,也可以是执行存储器中保存的程序的处理器。图17是示出通过作为专用硬件的处理电路4000来实现本发明的实施方式1所涉及的特性推测装置的各功能的情况的结构图。另外,图18是示出通过具备处理器5001和存储器5002的处理电路5000来实现本发明的实施方式1所涉及的特性推测装置的各功能的情况的结构图。
在处理电路为专用的硬件的情况下,关于处理电路4000,相应的是例如单一电路、复合电路、并被编程的处理器、被并行编程的处理器、ASIC(Application SpecificIntegrated Circuit:专用集成电路)、FPGA(Field Programmable Gate Array:现场可编程门阵列)或将它们进行组合得到的结构。既可以将特性推测装置的各部分的功能分别通过单独的处理电路4000来实现,也可以将各部分的功能统一通过处理电路4000来实现。另外,时间序列数据、扩散基本解模型等数据既可以存储于处理电路4000的内部,也可以存储于例如云端上等处理电路4000的外部。
另一方面,在处理电路为处理器5001的情况下,特性推测装置的各部分的功能通过软件、固件、或软件与固件的组合来实现。软件和固件被描述为程序,并被保存于存储器5002。处理器5001通过读出并执行存储器5002中存储的程序,实现各部分的功能。即,特性推测装置具备用于保存程序的存储器5002,该程序在被处理电路5000执行时,作为结果而言执行上述的各控制。
这些程序也可以说是用于使计算机执行上述各部分的过程或方法的程序。在此,关于存储器5002,相应的是例如RAM(Random Access Memory:随机存取存储器)、ROM(ReadOnly Memory:只读存储器)、快闪存储器、EPROM(Erasable Programmable Read OnlyMemory:可擦除可编程只读存储器)、EEPROM(Electrically Erasable and ProgrammableRead Only Memory:电可擦除可编程只读存储器)等非易失性或易失性的半导体存储器。另外,磁盘、软盘、光盘、高密度盘、迷你盘、DVD等也相当于存储器2002。另外,时间序列数据、扩散基本解模型等数据既可以存储于存储器5002,也可以存储于例如云端上等。
此外,关于上述各部分的功能,也可以设为通过专用的硬件来实现一部分,并通过软件或固件来实现一部分。
这样,处理电路能够通过硬件、软件、固件或它们的组合来实现上述各部分的功能。
Claims (8)
1.一种蓄电池的特性推测装置,具备:
电压检测部,检测蓄电池的端子电压;
时间序列数据取得部,取得所述蓄电池的停止状态下的所述端子电压的时间序列数据;
模型提供部,提供蓄电池模型,该蓄电池模型包含表现所述蓄电池的OCV的OCV项以及基于表现构成所述蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项;以及
模型参数推测部,基于由所述时间序列数据取得部取得的所述端子电压的时间序列数据以及由所述模型提供部提供的所述蓄电池模型,推测所述蓄电池模型的模型参数。
2.根据权利要求1所述的特性推测装置,其中,
所述粒子间扩散项还包含时移参数。
3.根据权利要求1或2所述的特性推测装置,其中,
所述蓄电池模型还包含基于表现构成所述蓄电池的电极的粒子内的离子扩散的三维扩散方程式的基本解的粒子内扩散项。
4.根据权利要求1~3中的任一项所述的特性推测装置,其中,
所述蓄电池模型还包含基于电池等效电路的项。
5.一种蓄电池的特性推测方法,包括:
检测蓄电池的端子电压的步骤;
取得所述蓄电池的停止状态下的所述端子电压的时间序列数据的步骤;
提供蓄电池模型的步骤,其中,该蓄电池模型包含表现所述蓄电池的OCV的OCV项以及基于表现构成所述蓄电池的电极的粒子间的离子扩散的一维扩散方程式的基本解的粒子间扩散项;以及
基于所述端子电压的时间序列数据以及所述蓄电池模型,推测所述蓄电池模型的模型参数的步骤。
6.根据权利要求5所述的特性推测方法,其中,
所述粒子间扩散项还包含时移参数。
7.根据权利要求5或6所述的特性推测方法,其中,
所述蓄电池模型还包含基于表现构成所述蓄电池的电极的粒子内的离子扩散的三维扩散方程式的基本解的粒子内扩散项。
8.根据权利要求5~7中的任一项所述的特性推测方法,其中,
所述蓄电池模型还包含基于电池等效电路的项。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/015727 WO2020208762A1 (ja) | 2019-04-11 | 2019-04-11 | 蓄電池の特性推定装置および特性推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113661399A true CN113661399A (zh) | 2021-11-16 |
CN113661399B CN113661399B (zh) | 2024-04-19 |
Family
ID=72751219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980095069.8A Active CN113661399B (zh) | 2019-04-11 | 2019-04-11 | 蓄电池的特性推测装置以及特性推测方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220155375A1 (zh) |
JP (1) | JP7069412B2 (zh) |
CN (1) | CN113661399B (zh) |
DE (1) | DE112019007176T5 (zh) |
WO (1) | WO2020208762A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220100442A (ko) * | 2021-01-08 | 2022-07-15 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치, 배터리 시스템 및 배터리 진단 방법 |
JP2022185511A (ja) * | 2021-06-02 | 2022-12-14 | 株式会社日立製作所 | 状態判定装置、二次電池システム及び状態判定方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101641606A (zh) * | 2007-03-23 | 2010-02-03 | 株式会社丰田中央研究所 | 二次电池的状态估计装置 |
JP2010175484A (ja) * | 2009-01-31 | 2010-08-12 | Calsonic Kansei Corp | バッテリの内部抵抗成分推定方法及び充電容量推定方法 |
US8078416B2 (en) * | 2005-06-03 | 2011-12-13 | The Furukawa Electric Co., Ltd. | Remaining electrical charge/remaining capacity estimating method, battery state sensor and battery power source system |
WO2011155017A1 (ja) * | 2010-06-07 | 2011-12-15 | 三菱電機株式会社 | 充電状態推定装置 |
JP2012154665A (ja) * | 2011-01-24 | 2012-08-16 | Toyota Central R&D Labs Inc | 二次電池のシミュレーション装置 |
JP2013072659A (ja) * | 2011-09-26 | 2013-04-22 | Toyota Motor Corp | 二次電池の状態推定装置 |
CN104899439A (zh) * | 2015-06-02 | 2015-09-09 | 吉林大学 | 一种锂离子电池机理建模方法 |
JP2015224876A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社デンソー | 電池内部状態推定装置 |
CN105223508A (zh) * | 2015-07-14 | 2016-01-06 | 上海空间电源研究所 | 锂离子电池内部性能状态无损检测方法 |
JP2016080693A (ja) * | 2014-10-09 | 2016-05-16 | 株式会社デンソー | 電池状態推定装置 |
CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
US20170259689A1 (en) * | 2016-03-09 | 2017-09-14 | Ford Global Technologies, Llc | Battery State of Charge Estimation Based on Reduced Order Electrochemical Models |
US20170261560A1 (en) * | 2014-09-10 | 2017-09-14 | Toyota Jidosha Kabushiki Kaisha | State of charge estimation method and state of charge estimation apparatus |
WO2018001461A1 (en) * | 2016-06-28 | 2018-01-04 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for estimating a voltage of a battery |
JP6490882B1 (ja) * | 2018-04-17 | 2019-03-27 | 三菱電機株式会社 | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101178643B1 (ko) * | 2001-07-27 | 2012-09-07 | 에이일이삼 시스템즈 인코포레이티드 | 배터리 구조, 자기 조직화 구조 및 관련 방법 |
US8754611B2 (en) * | 2008-04-11 | 2014-06-17 | Apple Inc. | Diffusion-limited adaptive battery charging |
US9377512B2 (en) * | 2013-05-08 | 2016-06-28 | GM Global Technology Operations LLC | Battery state estimator combining electrochemical solid-state concentration model with empirical equivalent-circuit model |
-
2019
- 2019-04-11 DE DE112019007176.9T patent/DE112019007176T5/de active Pending
- 2019-04-11 JP JP2021513102A patent/JP7069412B2/ja active Active
- 2019-04-11 US US17/431,430 patent/US20220155375A1/en active Pending
- 2019-04-11 CN CN201980095069.8A patent/CN113661399B/zh active Active
- 2019-04-11 WO PCT/JP2019/015727 patent/WO2020208762A1/ja active Application Filing
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8078416B2 (en) * | 2005-06-03 | 2011-12-13 | The Furukawa Electric Co., Ltd. | Remaining electrical charge/remaining capacity estimating method, battery state sensor and battery power source system |
CN101641606A (zh) * | 2007-03-23 | 2010-02-03 | 株式会社丰田中央研究所 | 二次电池的状态估计装置 |
JP2010175484A (ja) * | 2009-01-31 | 2010-08-12 | Calsonic Kansei Corp | バッテリの内部抵抗成分推定方法及び充電容量推定方法 |
WO2011155017A1 (ja) * | 2010-06-07 | 2011-12-15 | 三菱電機株式会社 | 充電状態推定装置 |
JP2012154665A (ja) * | 2011-01-24 | 2012-08-16 | Toyota Central R&D Labs Inc | 二次電池のシミュレーション装置 |
JP2013072659A (ja) * | 2011-09-26 | 2013-04-22 | Toyota Motor Corp | 二次電池の状態推定装置 |
JP2015224876A (ja) * | 2014-05-26 | 2015-12-14 | 株式会社デンソー | 電池内部状態推定装置 |
US20170261560A1 (en) * | 2014-09-10 | 2017-09-14 | Toyota Jidosha Kabushiki Kaisha | State of charge estimation method and state of charge estimation apparatus |
JP2016080693A (ja) * | 2014-10-09 | 2016-05-16 | 株式会社デンソー | 電池状態推定装置 |
CN104899439A (zh) * | 2015-06-02 | 2015-09-09 | 吉林大学 | 一种锂离子电池机理建模方法 |
CN105223508A (zh) * | 2015-07-14 | 2016-01-06 | 上海空间电源研究所 | 锂离子电池内部性能状态无损检测方法 |
US20170259689A1 (en) * | 2016-03-09 | 2017-09-14 | Ford Global Technologies, Llc | Battery State of Charge Estimation Based on Reduced Order Electrochemical Models |
CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
CN106093778A (zh) * | 2016-05-30 | 2016-11-09 | 浙江南都电源动力股份有限公司 | 电池状态预测方法及系统 |
WO2018001461A1 (en) * | 2016-06-28 | 2018-01-04 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for estimating a voltage of a battery |
JP6490882B1 (ja) * | 2018-04-17 | 2019-03-27 | 三菱電機株式会社 | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム |
Non-Patent Citations (1)
Title |
---|
郑坤 等: "储能蓄电池电能动态模型辨识与SOC预测", 计算机仿真, vol. 34, no. 9, 30 September 2017 (2017-09-30), pages 120 - 124 * |
Also Published As
Publication number | Publication date |
---|---|
JP7069412B2 (ja) | 2022-05-17 |
DE112019007176T5 (de) | 2021-12-30 |
US20220155375A1 (en) | 2022-05-19 |
JPWO2020208762A1 (ja) | 2021-10-28 |
WO2020208762A1 (ja) | 2020-10-15 |
CN113661399B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression | |
CN107690585B (zh) | 用于确定锂硫电池组的健康状况和充电状态的方法和装置 | |
KR102156404B1 (ko) | 배터리 셀 성능 테스트 장치 및 방법 | |
CN108603918B (zh) | 测试电池单体的性能的装置和方法 | |
JP2020507067A (ja) | リチウムイオンバッテリーセルの退化情報を獲得する装置及び方法 | |
TWI420126B (zh) | 電池容量預測裝置及其預測方法 | |
CN111954823A (zh) | 蓄电池诊断装置及蓄电池诊断方法以及蓄电池控制系统 | |
KR20130142884A (ko) | 이차전지의 검사 시스템, 충방전기, 및 검사 방법 | |
KR102572652B1 (ko) | 배터리의 충전상태를 추정하는 방법 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN112883531A (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
US20230417834A1 (en) | Method, system and storage medium for solid-phase concentration correction of lithium batteries | |
KR20220029109A (ko) | 배터리 상태 추정 방법 및 장치 | |
Chen et al. | Sliding mode observer for state of charge estimation based on battery equivalent circuit in electric vehicles | |
CN113661399A (zh) | 蓄电池的特性推测装置以及特性推测方法 | |
CN113242977A (zh) | 估算电化学元件的soh和soc | |
Kalogiannis et al. | Multi-objective particle swarm optimization and training of datasheet-based load dependent lithium-ion voltage models | |
KR101160541B1 (ko) | 전지 잔여용량 예측방법 | |
Rieger et al. | Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory | |
EP3723185A1 (en) | Method for enhancing a battery module model of a battery module type | |
CN116559757A (zh) | 电池析锂电位预测准确性的验证方法、装置和电子设备 | |
CN113466718B (zh) | 一种手机电池soc校正方法 | |
Vilsen et al. | Predicting Lithium-ion battery resistance degradation using a log-linear model | |
JP2024501510A (ja) | バッテリー管理装置及び方法 | |
US20210123977A1 (en) | Analyzing Electrical Impedance Measurements of an Electromechanical Battery |
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 |