CN114325399A - 电池的内阻预测方法、健康状态的评估方法、装置及设备 - Google Patents
电池的内阻预测方法、健康状态的评估方法、装置及设备 Download PDFInfo
- Publication number
- CN114325399A CN114325399A CN202111403775.XA CN202111403775A CN114325399A CN 114325399 A CN114325399 A CN 114325399A CN 202111403775 A CN202111403775 A CN 202111403775A CN 114325399 A CN114325399 A CN 114325399A
- Authority
- CN
- China
- Prior art keywords
- battery
- internal resistance
- current
- average
- cycle number
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000036541 health Effects 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 title abstract description 10
- 238000007600 charging Methods 0.000 claims abstract description 79
- 238000007599 discharging Methods 0.000 claims abstract description 74
- 230000010287 polarization Effects 0.000 claims description 35
- 238000012886 linear function Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000010277 constant-current charging Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 abstract description 17
- 238000012795 verification Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 108010014173 Factor X Proteins 0.000 description 5
- 230000003862 health status Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000001994 activation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000034964 establishment of cell polarity Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了电池的内阻预测方法、健康状态的评估方法、装置及设备，方法包括获取电池充放电的循环次数n，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将电池充放电的循环次数n带入该函数关系，得到电池在循环次数n下的内阻值；所述函数关系是通过对电池充放电的历史循环次数与对应历史循环次数下的平均直流内阻进行函数拟合确定的。本发明利用少量的电池历史充放电循环数据进行函数拟合，得到循环次数与平均直流内阻之间的函数关系，利用该函数关系能够预测任何一次循环次数的平均直流内阻，方法简单、快捷，且不需任何直流内阻的相关测试，预测精度较高，方法适用性强。
Description
技术领域
本发明涉及电池检测技术领域，尤其涉及电池的内阻预测方法、健康状态的评估方法、装置及设备。
背景技术
直流阻抗(DCR)是电池的关键电性能数据之一，实际为电池的动态内阻，即包括电池欧姆内阻和极化内阻，直流阻抗的数值大小决定着电池的性能优劣，一般来说，直流阻抗大的电池产热量较大，直流阻抗与电池温度特征和热性能直接相关，直流阻抗特征影响电池的使用安全性，因此开展直流阻抗的评估十分重要。
目前，主要有两种直流阻抗的测试方法。第一种方法为混合脉冲功率性能测试(HPPC)法，是美国FreedomCar混合动力汽车检测手册中提及的方法，其主要针对动力电池的脉冲能力测试，脉冲能力的变化可反映电池直流内阻的变化规律。
第二种方法为IEC(国际电工委员会)测试法，其考虑了电池极化阻抗(欧姆、电化学和浓差极化)对电池直流阻抗的影响，如放电过程中直流阻抗的计算为两段短时间(10s内)的放电电压差值(U1-U2)与电流差值(I1-I2)的比值。
综上，上述方法都需要对电池开展特定模式的测试，确定不同循环次数或温度下的电池内阻时间较长，且不同方法得到的结果差异性较大。目前尚没有预测不同循环次数下电池内阻的简便预测方法。
发明内容
基于此，有必要针对上述技术问题，提供一种电池的内阻预测方法、装置、及计算机设备存储介质，以解决现有电池内阻预测方法复杂且时间较长的问题；以及提出一种电池健康状态的评估方法、装置，解决电池的健康状态评估问题。
基于上述目的，一种电池的内阻预测方法的技术方案，包括以下步骤：
获取电池充放电的循环次数n，n≥1，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值；
所述函数关系是通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合确定的。
一种电池的内阻预测装置的技术方案，包括：
函数关系建立模块，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系；
内阻预测模块，用于获取电池充放电的循环次数n，n≥1，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值。
一种计算机设备的技术方案，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述电池的内阻预测方法。
上述电池的内阻预测方法、装置、计算机设备的有益效果是：
本发明利用少量的电池历史充放电循环数据，对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，得到循环次数与平均直流内阻之间的函数关系，利用该函数关系能够预测任何一次循环次数的平均直流内阻，方法简单、快捷，且不需任何直流内阻的相关测试，预测精度较高，方法适用性强。
基于上述目的，的一种电池健康状态的评估方法技术方案，包括：
根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；
根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；
根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻；
将当前循环次数带入所述电池的内阻预测方法中的函数关系中，确定电池在当前循环次数下的第二平均直流内阻；
比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
一种电池健康状态的评估装置的技术方案，包括：
第一平均内阻预测模块，用于根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻；
函数关系建立模块，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系；
第二平均内阻预测模块，用于将当前循环次数带入所述函数关系中，确定电池在当前循环次数下的第二平均直流内阻；
判断模块，用于比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
上述电池健康状态的评估方法、装置的技术效果是：
本发明利用少量的电池历史充放电循环数据，对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，得到循环次数与平均直流内阻之间的函数关系，利用该函数关系能够预测当前充放电循环次数下的第二平均直流内阻，相当于电池在健康状态下的内阻理论值，再利用当前充放电循环次数下的平均极化电压和特征电流，计算得到当前充放电循环次数下的第一平均直流内阻，相当于内阻实际值，最后利用第一、第二平均直流内阻之间的偏差，评估电池的健康状态，方法简单、快捷，预测精度较高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中电池的内阻预测方法和电池健康状态的评估方法的一应用环境示意图；
图2是本发明一实施例中电池的内阻预测方法的一流程示意图；
图3是本发明一实施例中内阻预测方法的函数关系确定流程示意图；
图4是本发明一验证例中充放电模式1下电池A不同循环次数下(1-800圈)的平均DCR曲线图(充放电模式1)；
图5是本发明一验证例中充放电模式1下电池A循环前50圈的平均DCR示意图；
图6是本发明一验证例中充放电模式2下电池A循环前50圈的平均DCR示意图；
图7是本发明一验证例中充放电模式2下电池A不同循环次数下的平均DCR示意图；
图8是本发明一验证例中充放电模式3下电池B不同循环次数下的平均DCR示意图；
图9是本发明一实施例中电池健康状态的评估方法的一流程示意图；
图10是本发明一实施例中电池的内阻预测装置的一结构示意图；
图11是本发明一实施例中函数关系建立模块的一结构示意图；
图12是本发明一实施例中电池健康状态的评估装置的一结构示意图；
图13是本发明一实施例中计算机设备的一示意图。
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。
本实施例提供的电池的内阻预测方法，以及电池健康状态的评估方法，均可应用在如图1的应用环境中，其中，客户端与服务端进行通信，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种电池的内阻预测方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10.获取电池内阻与电池充放电的循环次数之间的函数关系。
本步骤中，所述函数关系是通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合确定的。如图3所示，该函数关系的确定步骤包括：
S101.根据电池在历史循环次数下的充电平均电压和放电平均电压，确定电池在对应循环次数下的平均极化电压。该平均极化电压的计算公式如下：
Vp＝Average(Wc/Qc-Wd/Qd)
式中，Vp为平均极化电压，Average为求平均值，Qc、Wc为电池的充放电曲线中某一次循环次数下的充电容量、充电能量，Qd、Wd为电池的充放电曲线中某一次循环次数下的放电容量、充电能量。
可理解的，通过充放电曲线中某一次循环次数下的充放电容量Q(Qc、Qd)和对应的充放电能量W(Wc、Wd)的比值，即W/Q，来获取对应充放电过程中充电和放电的平均电压Vc和Vd，如充电平均电压Vc＝Wc/Qc，放电平均电压Vd＝Wd/Qd。根据充放电曲线规律，充电时电池的实际充电电压为理论电压与极化电压之和，充电电压大于理论电压；放电时电池的实际放电电压为理论电压与极化电压之差，放电电压小于理论电压，可定义电池的平均极化电压Vp为充电电压Vc与放电电压Vd之差的均值，即Vp＝(Wc/Qc-Wd/Qd)/2。
S102.根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流。
可选的，特征电流的确定方式有两种，分别如下：
方式一，当所述已知充放电模式为第一充放电模式，所述特征电流的计算公式如下：
△I＝w1*Ic+w2*Id
式中，△I为所述特征电流，w1、w2为设定的权重因子，Ic为在第一充放电模式下的恒流充电电流，Id为在第一充放电模式下的恒流放电电流。
方式二，当所述已知充放电模式为第二充放电模式，所述特征电流的计算公式如下：
△I＝w1*(Ic1*t1/T+Ic2*t2/T+…+Icn*tn/T)+w2*Id
式中，△I为所述特征电流，w1、w2为设定的权重因子，T为在第二充放电模式下恒流充电的总时间，T＝t1+t2+…+tN，N≥2，Ic1、Ic2、…、IcN为分别在第二充放电模式下恒流充电的第一电流值、第二电流值、…、第n电流值，t1、t2、…、tN为以第一电流值、第二电流值、…、第N电流值的充电时间，Id为在第二充放电模式下的恒流放电电流。
可理解的，上述特征电流的确定与电池的充放电模式有关，用特征电流表示某一充放电模式下电流的平均特征值，例如，上述的第一充放电模式为：采用电流Ic进行恒流恒压充电，充电到某一截止电压时停止；采用电流Id进行恒流放电，放电到截止电压时停止。按照上面方式一中的计算公式，当权重因子w1、w2设为0.5，可得到特征电流△I＝0.5*(Ic+Id)。
上述的第二充电模式为：当充电形式为阶梯方式时，如以第一电流值Ic1进行恒流充电(充电时间为t1)到某一电压，接着以第二电流值Ic2进行恒流充电(充电时间t2)，恒压充电，到充电截止电压停止充电；以电流Id进行恒流放电，达到放电截止电压时停止。
按照上面方式二中的计算公式，当权重因子w1、w2设为0.5，可得到特征电流△I＝0.5*(Ic1*t1/(t1+t2)+Ic2*t2/(t1+t2)+Id)。
可选的，方式一或方式二中的权重因子w1、w2可以取其他值，例如可以根据充电时间和放电时间的比例，设置权重因子w1、w2的大小，例如充电时间和放电时间的比例为5.4/4.6，则w1取0.54，w2取0.46。
S103.根据所述平均极化电压与所述特征电流的比值，计算得到电池在对应历史循环次数下的平均直流内阻。
可选的，还包括利用设定的修正因子对所述平均直流内阻进行修正，所述修正因子通过电池的放电倍率确定。可理解的，一种修正因子的确定方法为：根据IEC测试方法中两个倍率的差值，计算得到修正因子X，修正因子的取值范围为[0,1]。例如，本申请的修正因子X可根据实际测试制式确定，如IEC测试中采用0.1C倍率进行放电10s、再以1C倍率进行放电5s时，则修正因子为两个倍率的差值(即X＝1-0.1＝0.9)。需要说明的是，实际IEC测试需要根据实际的放电倍率情况来确定修正因子。本申请中，修正因子的引入用于真实反映DCR(平均直流内阻)测试中的特征电流，因此可根据测试制式确定的修正因子对计算的平均直流内阻进行实时修正。
S104.对所述的历史循环次数与所述对应历史循环次数下的平均直流内阻进行函数拟合，确定所述函数关系。
可选的，拟合的所述函数关系为分段线性函数，包括第一线性函数、第二线性函数和第三线性函数；在所述第一线性函数中，电池充放电的循环次数在第一循环次数范围内，平均直流内阻随着电池充放电的循环次数增加而降低。
所述第二线性函数中，电池充放电的循环次数在第二循环次数范围内，平均直流内阻为固定值；所述第三线性函数中，电池充放电的循环次数在第三循环次数范围内，平均直流内阻随着电池充放电的循环次数增加而升高。
所述第一循环次数范围内的循环次数值小于所述第二循环次数范围内的循环次数值，所述第二循环次数范围内的循环次数值小于所述第三循环次数范围内的循环次数值。
可理解的，通过批量数据的深入分析，确认平均直流内阻随循环次数表现出分段线性曲线特征，即新鲜电池在循环开始阶段(第一阶段)有一个逐步活化和激活的过程，表现为大致在前十圈充放电循环次数时，直流内阻随着循环次数增加而线性减小趋势；在第二阶段，电池保持稳态循环几十圈，平均直流内阻表现出基本稳定趋势；在第三阶段，随着副反应、极化等因素积累引起的扰动，平均直流内阻随着循环次数增加呈线性增大趋势。
可选的，采用如下的分段线性函数对上述的函数关系进行拟合：
式中，f为电池的充放电循环次数n与在充放电循环次数n下的直流内阻DCR之间的函数关系，k1、b1为拟合所述第一线性函数需要确定的参数；k2、b2为拟合所述第三线性函数需要确定的参数；并且，第一线性函数的充放电循环次数范围为(0,10]，第二线性函数的充放电循环次数范围为[10,30]，第三线性函数的充放电循环次数范围为大于30。
可选的，上述分段线性函数不仅可以采用线性函数来拟合，也可以采用指数、对数、多项式等多种函数表现方式进行拟合，例如，第一阶段采用对数函数进行拟合，第二阶段采用线性函数进行拟合，第三阶段采用指数函数进行拟合。
S20.获取电池充放电的循环次数n，n≥1，将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值。
可理解的，通过步骤S10中用有限的几十圈充放电循环次数的数据拟合得到的函数关系后，就不用再进行充放电测试计算平均直流内阻值，而是根据电池任何一次的充放电循环次数，结合得到的函数关系，能够直接计算出任何一次充放电循环次数下的平均直流内阻。
可理解的，使用上述直流内阻的预测的电池可包括且不限于方形铝壳、圆柱、软包等各种类型和尺寸的锂离子电池，电池的充放电模式包括且不限于各种环境温度、倍率、截止电流、电压等恒流工况。
本发明的电池的内阻预测方法具有以下优点：
(1)提供一种简单、快速的直流内阻评估方法，仅需少量的电池历史充放电循环数据，通过定义极化电压和特征电流，可快速预估电池不同循环次数下的直流内阻，不需任何直流内阻的相关测试。
(2)通用性强，该方法可适用于任意一种恒流工况测试条件，并且用于拟合函数关系的电池历史充放电循环数据获取方便，方法适应性强。
(3)方法精度较高，误差在8％以内。
为了验证上述电池的内阻预测方法的有效性，提供以下验证例进行验证说明：
验证例1：
以某款容量为3.45Ah电池A为例，室温下，0.8C恒流充电，4.45V充电截止电压，截止电流为0.05C；0.5C恒流充电，3V放电截止电压。上述充放电模式在本验证例中命名为充放电模式1。并且，通过充放电数据中的容量和能量数据，得到每一个循环次数下电池的平均极化电压Vp，见下面表1所示，求取公式参考上面实施例中的记载，本验证例不再赘述。
充放电模式1下，按照上面实施例中的记载，计算电池A的特征电流如下：△I＝0.5*(0.8*3.45+0.5*3.45)＝2.243A。不需开展专门的DCR测试，通过循环历史数据可以预估不同循环次数下的电池平均DCR。图4为室温下电池A循环不同次数下的平均DCR曲线图，为了更好的展示平均DCR值在整个循环过程中的演变规律，提供电池循环前50圈的平均DCR特征图，如图5所示，平均DCR表现出分段函数趋势。按照上面实施例中的方法，拟合得到的函数关系式如下：
表1充放电模式1下电池A不同循环次数下的平均极化电压和平均DCR数据
本验证例中，采用IEC法(1C放电10s+0.1C放电10s，取1C-10s的电压U1和0.1C-5s的电压U2)实际测试不同循环次数下的DCR平均值与预估值的差异，详细数据如表2所示。由表2可知，本发明的方法在通过充放电历史数据评估平均DCR的精度在8％以内，具备较好的可靠性。
表2充放电模式1下电池A不同循环次数下预估值和实测值相关数据
| 循环次数n | 本发明预估值(Ω) | 实验测试值(Ω) | 误差 |
| 5 | 0.0877 | 0.0852 | 2.93％ |
| 200 | 0.0996 | 0.1077 | -7.52％ |
| 400 | 0.1063 | 0.1089 | -2.39％ |
| 600 | 0.1143 | 0.1108 | 3.16％ |
验证例2：
以某款容量为3.45Ah电池A为例，室温下，1.5C恒流充电(t1＝900s)，0.6C充电(t2＝2730s)至4.45V，截止电流为0.05C；0.5C恒流充电，3V放电截止电压。上述充放电模式在本验证例中命名为充放电模式2。通过充放电数据中的容量和能量数据，得到每一个循环下的电池的平均极化电压Vp，如表3所示。
充放电模式2下，按照上面实施例中的记载，计算电池A的特征电流如下：△I＝0.5*(1.5*3.45*(900/3630)+0.6*3.45*(2730/3630)+0.5*3.45)＝2.282A。
平均直流内阻的定义为：DCR＝X*Vp/△I，DCR表示平均直流内阻值。且修正因子X定义为IEC测试方法中两个倍率的差值通过IEC实验方法放电倍率的差值为0.9，因此修正因子X＝0.9，表3为不同循环次数下的平均DCR值。
表3充放电模式2下电池A不同循环次数下的平均极化电压和平均DCR数据
| 循环节点 | 充电平均电压(V) | 放电平均电压(V) | 平均极化电压(V) | 平均DCR(Ω) |
| 1 | 4.2231 | 3.7499 | 0.2366 | 0.0933 |
| 2 | 4.2216 | 3.7521 | 0.2347 | 0.0926 |
| 3 | 4.2210 | 3.7532 | 0.2339 | 0.0922 |
| 4 | 4.2203 | 3.7539 | 0.2332 | 0.0920 |
| 5 | 4.2196 | 3.7545 | 0.2326 | 0.0917 |
| 6 | 4.2192 | 3.7565 | 0.2314 | 0.0912 |
| 7 | 4.2193 | 3.7579 | 0.2307 | 0.0910 |
| 8 | 4.2190 | 3.7588 | 0.2301 | 0.0907 |
| 9 | 4.2194 | 3.7591 | 0.2302 | 0.0908 |
| 10 | 4.2201 | 3.7590 | 0.2306 | 0.0909 |
| 11 | 4.2208 | 3.7587 | 0.2310 | 0.0911 |
| 12 | 4.2206 | 3.7591 | 0.2308 | 0.0910 |
| 13 | 4.2207 | 3.7600 | 0.2303 | 0.0908 |
| 14 | 4.2208 | 3.7609 | 0.2299 | 0.0907 |
| 30 | 4.2272 | 3.7622 | 0.2325 | 0.0917 |
| 31 | 4.2276 | 3.7620 | 0.2328 | 0.0918 |
| 32 | 4.2279 | 3.7618 | 0.2331 | 0.0919 |
| 33 | 4.2278 | 3.7609 | 0.2335 | 0.0921 |
| 34 | 4.2283 | 3.7612 | 0.2335 | 0.0921 |
| 35 | 4.2284 | 3.7609 | 0.2337 | 0.0922 |
| 800 | 4.2957 | 3.6761 | 0.3098 | 0.1222 |
| 801 | 4.2953 | 3.6715 | 0.3119 | 0.1230 |
同样，本发明发现充放电模式2下电池的平均DCR表现出分段函数模式，如图6所示。评估结果显示电池在不同的充放电模式下表现出相同的DCR演变规律，图7展示了不同循环次数下平均DCR的演变规律。
为了验证上述方法的可靠性，本验证例中电池A在充放电模式2条件下的DCR平均值与预估值的差异，详细数据如表4所示。由表4可知，本发明所述方法研究平均DCR精度在8％以内，具备较好的可靠性。
表4充放电模式2下电池A不同循环次数下预估值和实测值相关数据
验证例3：
以某款容量为3.836Ah电池B为例，1.2C恒流充电至4.3V(t1＝1810s)，采样0.8C充电(t2＝900s)至4.45V，截止电流为0.05C；采用0.5C进行恒流充电，3V为放电截止电压。上述充放电模式在本验证例中命名为充放电模式3。通过充放电数据中的容量和能量数据，得到每一个循环下的电池的平均极化电压Vp。
充放电模式3下，按照上面实施例中的记载，计算电池A的特征电流如下：△I＝0.5*(1.2*3.836*(1810/2710)+0.8*3.836*(900/2710)+0.5*3.836)＝2.282A。
平均直流内阻的定义为：DCR＝X*Vp/△I，DCR表示平均直流内阻值。修正因子X＝0.9，表5为不同循环次数下的平均DCR值。本验证例对新鲜电池的平均DCR开展实验测试，得到平均DCR值为0.0691Ω，与预估值进行对比发现，误差值为3.29％。本发明的内阻预测方法计算平均DCR具备较好的预测精度。如图8所示，不同循环次数下的平均DCR表现出分段函数特征，这与验证例1和验证例2中的分段函数特征表现相同。
表5电池B模式3不同循环次数下的平均极化电压和平均DCR
在一实施例中，如图9所示，提供一种电池健康状态的评估方法，包括以下步骤：
S41.根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；
S42.根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；
S43.根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻；
S44.将当前循环次数带入由电池的内阻预测方法确定的函数关系中，确定电池在当前循环次数下的第二平均直流内阻；
S45.比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
可理解的，本实施例是利用上述电池的内阻预测方法，预测出了电池处于健康状态时电池在当前循环次数下直流内阻的理论值，然后通过上面的步骤S41-步骤S43计算出电池在当前循环次数下直流内阻的实际值，比较直流内阻的实际值与理论值之间的偏差，如果该偏差不大，即偏差在一个设定阈值范围，则说明电池为健康状态下的电池，如果该偏差过大，大于设定阈值范围，则说明电池为非健康状态下的电池，从而实现电池的健康状况评估。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种电池的内阻预测装置，该电池的内阻预测装置与上述实施例中电池的内阻预测方法一一对应。如图10所示，该电池的内阻预测装置包括函数关系建立模块U1、内阻预测模块U2。各功能模块详细说明如下：
函数关系建立模块U1，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系。
内阻预测模块U2，用于获取电池充放电的循环次数n，n≥1，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值。
可选的，所述函数关系建立模块U1包括参数计算模块U10和关系拟合模块U11，如图11所示，各功能模块详细说明如下：
参数计算模块U10，用于根据电池在历史循环次数下的充电平均电压和放电平均电压，确定电池在对应循环次数下的平均极化电压；根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；根据所述平均极化电压与所述特征电流的比值，计算得到电池在对应历史循环次数下的平均直流内阻。
关系拟合模块U11，用于对所述的历史循环次数与所述对应历史循环次数下的平均直流内阻进行函数拟合，确定所述函数关系。
关于电池的内阻预测装置的具体限定可以参见上文中对于电池的内阻预测方法的限定，在此不再赘述。上述电池的内阻预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供一种电池健康状态的评估装置，该电池的内阻预测装置与上述实施例中电池健康状态的评估方法一一对应。如图12所示，该电池健康状态的评估装置包括第一平均内阻预测模块I1、函数关系建立模块I2、第二平均内阻预测模块I3以及判断模块I4。各功能模块详细说明如下：
第一平均内阻预测模块I1，用于根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻。
函数关系建立模块I2，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系。
第二平均内阻预测模块I3，用于将当前循环次数带入所述函数关系中，确定电池在当前循环次数下的第二平均直流内阻。
判断模块I4，用于比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
关于电池健康状态的评估装置的具体限定可以参见上文中对于电池健康状态的评估方法的限定，在此不再赘述。上述电池健康状态的评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储电池的内阻预测方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种电池的内阻预测方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现上述电池的内阻预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池的内阻预测方法，其特征在于，包括以下步骤：
获取电池充放电的循环次数n，n≥1，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值；
所述函数关系是通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合确定的。
2.如权利要求1所述的电池的内阻预测方法，其特征在于，所述函数关系的确定步骤包括：
根据电池在历史循环次数下的充电平均电压和放电平均电压，确定电池在对应循环次数下的平均极化电压；
根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；
根据所述平均极化电压与所述特征电流的比值，计算得到电池在对应历史循环次数下的平均直流内阻；
对所述的历史循环次数与所述对应历史循环次数下的平均直流内阻进行函数拟合，确定所述函数关系。
3.如权利要求2所述的电池的内阻预测方法，其特征在于，当所述已知充放电模式为第一充放电模式，所述特征电流的计算公式如下：
△I＝w1*Ic+w2*Id
式中，△I为所述特征电流，w1、w2为设定的权重因子，Ic为在第一充放电模式下的恒流充电电流，Id为在第一充放电模式下的恒流放电电流。
4.如权利要求2所述的电池的内阻预测方法，其特征在于，当所述已知充放电模式为第二充放电模式，所述特征电流的计算公式如下：
△I＝w1*(Ic1*t1/T+Ic2*t2/T+…+Icn*tn/T)+w2*Id
式中，△I为所述特征电流，w1、w2为设定的权重因子，T为在第二充放电模式下恒流充电的总时间，T＝t1+t2+…+tN，N≥2，Ic1、Ic2、…、IcN为分别在第二充放电模式下恒流充电的第一电流值、第二电流值、…、第n电流值，t1、t2、…、tN为以第一电流值、第二电流值、…、第N电流值的充电时间，Id为在第二充放电模式下的恒流放电电流。
5.如权利要求2所述的电池的内阻预测方法，其特征在于，拟合的所述函数关系为分段线性函数，包括第一线性函数、第二线性函数和第三线性函数；在所述第一线性函数中，电池充放电的循环次数在第一循环次数范围内，平均直流内阻随着电池充放电的循环次数增加而降低；
所述第二线性函数中，电池充放电的循环次数在第二循环次数范围内，平均直流内阻为固定值；所述第三线性函数中，电池充放电的循环次数在第三循环次数范围内，平均直流内阻随着电池充放电的循环次数增加而升高；
所述第一循环次数范围内的循环次数值小于所述第二循环次数范围内的循环次数值，所述第二循环次数范围内的循环次数值小于所述第三循环次数范围内的循环次数值。
6.如权利要求2所述的电池的内阻预测方法，其特征在于，在进行所述函数拟合前，还包括利用设定的修正因子对所述平均直流内阻进行修正，所述修正因子通过电池的放电倍率确定。
7.一种电池健康状态的评估方法，其特征在于，包括以下步骤：
根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；
根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；
根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻；
将当前循环次数带入如权利要求1-6任一项所述电池的内阻预测方法中的函数关系中，确定电池在当前循环次数下的第二平均直流内阻；
比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
8.一种电池的内阻预测装置，其特征在于，包括：
函数关系建立模块，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系；
内阻预测模块，用于获取电池充放电的循环次数n，n≥1，以及获取电池内阻与电池充放电的循环次数之间的函数关系；将所述电池充放电的循环次数n带入所述函数关系，得到电池在循环次数n下的内阻值。
9.一种电池健康状态的评估装置，其特征在于，包括：
第一平均内阻预测模块，用于根据电池在当前循环次数下的充电平均电压和放电平均电压，确定电池在当前循环次数下的平均极化电压；根据电池在已知充放电模式下的充电电流和放电电流，确定电池在所述充放电模式下的特征电流；根据所述平均极化电压与所述特征电流的比值，计算得到电池在当前循环次数下的第一平均直流内阻；
函数关系建立模块，用于通过对电池充放电的历史循环次数与对应该历史循环次数下求得的平均直流内阻进行函数拟合，确定电池内阻与电池充放电的循环次数之间的函数关系；
第二平均内阻预测模块，用于将当前循环次数带入所述函数关系中，确定电池在当前循环次数下的第二平均直流内阻；
判断模块，用于比较所述第一平均直流内阻与所述第二平均直流内阻之间的差值，当所述差值在设定的阈值范围内，判定所述电池处于健康状态；当所述差值不在设定的阈值范围内，判定所述电池处于非健康状态。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述计算机可读指令被所述处理器执行时实现权利要求1-6任意一项所述电池的内阻预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111403775.XA CN114325399A (zh) | 2021-11-24 | 2021-11-24 | 电池的内阻预测方法、健康状态的评估方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111403775.XA CN114325399A (zh) | 2021-11-24 | 2021-11-24 | 电池的内阻预测方法、健康状态的评估方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114325399A true CN114325399A (zh) | 2022-04-12 |
Family
ID=81046039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111403775.XA Pending CN114325399A (zh) | 2021-11-24 | 2021-11-24 | 电池的内阻预测方法、健康状态的评估方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114325399A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291130A (zh) * | 2022-10-09 | 2022-11-04 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
| CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140052558A (ko) * | 2012-10-25 | 2014-05-07 | 현대중공업 주식회사 | 배터리의 잔존수명 추정방법 |
| CN104330636A (zh) * | 2014-11-19 | 2015-02-04 | 天津力神电池股份有限公司 | 一种锂离子电池直流内阻推测方法 |
| CN105738815A (zh) * | 2014-12-12 | 2016-07-06 | 国家电网公司 | 一种在线检测锂离子电池健康状态的方法 |
| WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN109856559A (zh) * | 2019-02-28 | 2019-06-07 | 武汉理工大学 | 一种锂电池循环寿命的预测方法 |
| CN110261791A (zh) * | 2019-07-22 | 2019-09-20 | 天能电池集团股份有限公司 | 一种蓄电池组循环寿命快速评价方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
| CN113335135A (zh) * | 2021-05-18 | 2021-09-03 | 深圳逸驰云动科技有限公司 | 一种确定电池健康状态的方法、装置及充电桩 |
-
2021
- 2021-11-24 CN CN202111403775.XA patent/CN114325399A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140052558A (ko) * | 2012-10-25 | 2014-05-07 | 현대중공업 주식회사 | 배터리의 잔존수명 추정방법 |
| CN104330636A (zh) * | 2014-11-19 | 2015-02-04 | 天津力神电池股份有限公司 | 一种锂离子电池直流内阻推测方法 |
| CN105738815A (zh) * | 2014-12-12 | 2016-07-06 | 国家电网公司 | 一种在线检测锂离子电池健康状态的方法 |
| WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
| US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
| CN109856559A (zh) * | 2019-02-28 | 2019-06-07 | 武汉理工大学 | 一种锂电池循环寿命的预测方法 |
| CN110261791A (zh) * | 2019-07-22 | 2019-09-20 | 天能电池集团股份有限公司 | 一种蓄电池组循环寿命快速评价方法 |
| CN112034349A (zh) * | 2020-08-13 | 2020-12-04 | 南京邮电大学 | 锂电池健康状态在线预估方法 |
| CN113335135A (zh) * | 2021-05-18 | 2021-09-03 | 深圳逸驰云动科技有限公司 | 一种确定电池健康状态的方法、装置及充电桩 |
Non-Patent Citations (2)
| Title |
|---|
| SERKAN DUSMEZ: "Remaining Useful Lifetime Estimation for Thermally Stressed Power MOSFETs Based on on-State Resistance Variation", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》, vol. 52, no. 03, pages 2554 * |
| 牟联晶: "考虑环境温度和循环次数影响的车用锂离子电池SOC和SOH估算研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 035 - 751 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115291130A (zh) * | 2022-10-09 | 2022-11-04 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
| CN115291130B (zh) * | 2022-10-09 | 2023-01-20 | 江苏正力新能电池技术有限公司 | 一种电池包参数监测方法、装置、存储介质及电子设备 |
| CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
| CN117452235B (zh) * | 2023-12-22 | 2024-04-19 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7490921B2 (ja) | リチウムメッキを検出するための方法及び装置、並びに分極比率を取得するための方法及び装置 | |
| JP6383500B2 (ja) | 蓄電池制御装置、制御方法、プログラム、蓄電システム、電力システム | |
| US8185332B2 (en) | Apparatus and method for estimating resistance characteristics of battery based on open circuit voltage estimated by battery voltage variation pattern | |
| CN112964991B (zh) | 电池内部温度信息处理方法、计算机设备和存储介质 | |
| CN112883531B (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
| CN114325399A (zh) | 电池的内阻预测方法、健康状态的评估方法、装置及设备 | |
| CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
| CN111180817B (zh) | 电池组均衡方法和装置、电子设备、计算机可读存储介质 | |
| CN112327166A (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
| CN112305438A (zh) | 电池内阻的测量方法、装置、终端及存储介质 | |
| CN113189500B (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
| CN113281656B (zh) | 电池健康度的确定方法和装置 | |
| CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
| CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
| CN112240952A (zh) | 功率测试方法、系统、计算机设备和存储介质 | |
| CN110544031B (zh) | 电能表可靠度预计方法、装置、计算机设备和存储介质 | |
| CN115754780A (zh) | 电池电芯寿命修正方法、装置及电子设备、存储介质 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN112240987A (zh) | 功率测试方法、系统、计算机设备和存储介质 | |
| Marcicki et al. | Robustness evaluation for state-of-charge and state-of-health estimation considering electrochemical parameter uncertainties | |
| CN114047450A (zh) | 电池系统的可用容量一致性评估方法和装置 | |
| CN114578229B (zh) | 动力电池健康状态确定方法、装置和可读存储介质 | |
| CN116840700B (zh) | 电池状态的实时监测方法、装置、设备及存储介质 | |
| CN115656860A (zh) | 电池电芯寿命估算方法、装置及电子设备、存储介质 | |
| CN117991099A (zh) | 参数辩识模型建立方法、装置、计算机设备及存储介质 |
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 |