CN114325403B - 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 - Google Patents

基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 Download PDF

Info

Publication number
CN114325403B
CN114325403B CN202111470391.XA CN202111470391A CN114325403B CN 114325403 B CN114325403 B CN 114325403B CN 202111470391 A CN202111470391 A CN 202111470391A CN 114325403 B CN114325403 B CN 114325403B
Authority
CN
China
Prior art keywords
impedance spectrum
electrochemical impedance
lithium ion
algorithm
module
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.)
Active
Application number
CN202111470391.XA
Other languages
English (en)
Other versions
CN114325403A (zh
Inventor
杨世春
周思达
卢宇
周新岸
闫啸宇
刘新华
陈飞
曹耀光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202111470391.XA priority Critical patent/CN114325403B/zh
Publication of CN114325403A publication Critical patent/CN114325403A/zh
Application granted granted Critical
Publication of CN114325403B publication Critical patent/CN114325403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage using batteries

Landscapes

  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及了一种基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统,该方法包括电化学阻抗谱测试步骤、基于神经网络的阻抗谱学习与分析步骤和寿命检测步骤,可通过电化学阻抗谱测试提高电化学阻抗谱采样速率,再利用深度学习的图像识别算法或预测算法对电化学阻抗谱进行训练,由训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池阻抗谱SOH状态,实现锂离子电池的无损检测,保障检测的有效度与可靠性。

Description

基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
技术领域
本发明涉及锂离子电池检测技术领域,具体涉及一种基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统。
背景技术
锂离子电池自上世纪被发明以来,在新能源汽车动力系统、储能系统等领域获得了大范围应用和推广。截止2020年底,我国的电动汽车保有量超过100万量,均依赖于高性能锂离子电池系统,锂电储能系统也大范围推广,兆瓦时、吉瓦时级锂电储能系统也逐渐落地应用。然而针对锂离子电池的寿命检测问题仍无法解决,常规的寿命检测方法需依靠完整的充放电实验测试,难以针对电池包快速展开,受限于场地及设备等问题。无损检测方法难以快速实现。
发明内容
本发明针对目前锂离子电池寿命检测存在的技术难题,提供了一种基于电化学阻抗谱测试的锂离子电池寿命检测方法,可通过电化学阻抗谱测试提高电化学阻抗谱采样速率,通过深度学习的图像识别算法或预测算法对电化学阻抗谱进行训练,由训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池阻抗谱SOH状态,实现锂离子电池的无损检测,保障检测的有效度与可靠性。本发明还涉及基于电化学阻抗谱测试的锂离子电池寿命检测系统。
本发明的技术方案如下:
一种基于电化学阻抗谱测试的锂离子电池寿命检测方法,其特征在于,包括下述步骤:
电化学阻抗谱测试步骤,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行电化学阻抗谱测试,优化阻抗谱测试过程;所述电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路;所述电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中,主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法;
基于神经网络的阻抗谱学习与分析步骤,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识;
寿命检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。
优选地,所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
优选地,所述基于神经网络的阻抗谱学习与分析步骤采用的神经网络的图像识别算法包括基于图像形式输入的卷积神经网络算法和局部特征描述算法,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法或局部特征描述算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
优选地,所述基于神经网络的阻抗谱学习与分析步骤采用的神经网络的预测算法包括基于数据矩阵输入的支持向量回归、BP神经网络的回归预测算法,还包括LSTM时序神经网络算法和基于强化学习的蒙特卡洛算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过预测算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
优选地,在所述电化学阻抗谱测试步骤中,通过已有老化后的电池进行容量标定测量电池健康状态,通过设计老化试验,按特定老化路径进行老化试验的电池进行容量标定测量电池健康状态。
优选地,所述电化学阻抗谱测试步骤采用的电化学阻抗谱快速采集板包括满足不同频率下正弦电流信号输入与高精度电压信号采集的嵌入式系统开发平台;
和/或,所述样本抽样方法包括随机抽样方法、交叉验证法、留出法、自助法的训练集划分方法;
和/或,在优化阻抗谱测试过程后,还通过建立滤波算法或线性优化神经网络算法对测试结果进行优化,提高电化学阻抗谱精度与形状保持度。
一种基于电化学阻抗谱测试的锂离子电池寿命检测系统,其特征在于,包括依次连接的电化学阻抗谱测试模块、阻抗谱学习分析模块和寿命检测模块,
所述电化学阻抗谱测试模块,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行电化学阻抗谱测试,优化阻抗谱测试过程;所述电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路;所述电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中,主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法;
阻抗谱学习分析模块,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识;
寿命检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。
优选地,所述电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
优选地,所述阻抗谱学习分析模块采用的神经网络的图像识别算法包括基于图像形式输入的卷积神经网络算法和局部特征描述算法,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法或局部特征描述算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
优选地,所述阻抗谱分析模块采用的神经网络的预测算法包括基于数据矩阵输入的支持向量回归、BP神经网络的回归预测算法,还包括LSTM时序神经网络算法和基于强化学习的蒙特卡洛算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过预测算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
本发明的技术效果如下:
本发明涉及了一种基于电化学阻抗谱测试的锂离子电池寿命检测方法,包括电化学阻抗谱测试步骤以及相互结合的基于神经网络的阻抗谱学习与分析步骤,基于采样点优化方法提高电化学阻抗谱采样速率,通过神经网络的图像识别算法或预测算法基于已获取的不同健康状态下的锂离子电池的阻抗谱进行预训练,通过训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池SOH,实现锂离子电池的无损检测,通过快速电化学阻抗谱采集与基于神经网络深度学习的图像辨识方法或预测算法,在不需要破坏电池包或拆解电池或采用外接容量测试设备的条件下即可通过外部采集的锂离子电池阻抗谱,进行电池老化状态预测,提供了一种锂离子电池无损检测方法,为车载储能系统和锂电储能系统的寿命检测与预测提供参考。
本发明还涉及一种基于电化学阻抗谱测试的锂离子电池寿命检测系统,与上述的基于电化学阻抗谱测试的锂离子电池寿命检测方法相对应,可以理解为是实现上述基于电化学阻抗谱测试的锂离子寿命检测方法的系统,该系统包括依次连接的电化学阻抗谱测试模块、阻抗谱学习分析模块和寿命检测模块,各模块协同工作,可以通过快速电化学阻抗谱采集与基于神经网络的图像辨识方法或预测算法,能够在不拆解电池组或单体电池的条件下检测电池SOH,实现锂离子电池的无损检测。
附图说明
图1为本发明基于电化学阻抗谱测试的锂离子电池寿命检测方法的流程图。
图2为本发明基于电化学阻抗谱测试的锂离子电池寿命检测方法的优选流程图。
图3为本发明基于电化学阻抗谱测试的锂离子电池寿命检测方法的具体实施图。
图4a—4d均为实验测试采集的锂离子电池电化学阻抗谱示意图。
具体实施方式
下面结合附图进一步对本发明进行详细说明。
本发明涉及了一种基于电化学阻抗谱测试的锂离子电池寿命检测方法,如图1所示流程,该方法包括:电化学阻抗谱测试步骤,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行离线电化学阻抗谱测试或在线快速电化学阻抗谱测试,优化阻抗谱测试过程,即通过优化电化学阻抗谱测试点分布实现电化学阻抗谱标准采集或快速采集;基于神经网络的阻抗谱学习与分析步骤,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,再按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识,该步骤实质是建立基于深度学习方法—神经网络算法的寿命检测模型,通过辨识阻抗谱曲线实现电池老化诊断;寿命检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。本发明旨在针对动力电池系统在线无损检测难题及寿命检测难题提供可行的解决方案,主要目标为基于动力电池电化学阻抗谱曲线特征,建立快速电化学阻抗谱测试方法,结合神经网络深度学习的图像识别算法或预测算法实现系统无损检测。本发明综合考虑电池黑箱模型(大数据方法—深度学习)和白箱模型(电化学阻抗谱),结合大数据方法在图像处理等方面的优势,实现具有普适性的动力电池在线检测方法和系统,提供电池监控与管理能力。
图2为本发明基于电化学阻抗谱测试的锂离子电池寿命检测方法的优选流程图。电化学阻抗谱测试步骤,包括基于简化开发板的电化学阻抗谱测试、或基于专用设备(如电化学阻抗谱测试仪)的电化学阻抗谱测试,进行离线标准电化学阻抗谱测试或者在线快速电化学阻抗谱测试(简称标准测试法、快速测试法,该实施例为前者),通过优化阻抗谱测试过程提高阻抗谱绘制速度,为后续深度学习方法等提供数据支撑。动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同SOH条件下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行电化学阻抗谱测试,所述的电化学阻抗谱包括:采集频率,电池复阻抗(Z,Z`,Z``)等信息;电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路,包括满足不同频率下正弦电流信号输入与高精度电压信号采集的嵌入式系统开发平台;该电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中:主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述的优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法。优化阻抗谱测试过程,包括优化阻抗测试点采样间隔及数量,或通过离散区间二进制序列脉冲信号(DIBS)方法在同一时刻进行频率叠加分析等多种方法,得到已知不同SOH条件下的锂离子电池电化学阻抗谱,将阻抗谱以连续点列形式存储,再将阻抗谱离散化。对于优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,可以有效改善阻抗谱检测速度;此外,通过放大阻抗谱激励信号倍率,可以在不影响阻抗谱特性的条件下优化检测速度并保真。对于离散区间二进制序列脉冲信号(DIBS)方法,则是经过良好设计的周期性激励信号能够在频域中更好地获得动态系统的信息,属于二进制多频信号,通过不增加信号时域幅值的基础上使尽可能多的能量集中到指定的频率点上,从而在同一时刻采集多频率输入下的响应,提高阻抗谱采集速度。优选地,在优化阻抗谱测试过程后,还可以通过建立滤波算法或线性优化神经网络算法对测试结果进一步优化,提高电化学阻抗谱精度与形状保持度。
基于神经网络的阻抗谱学习与分析步骤,是指建立神经网络算法模型(或者说是深度学习算法模型),将获取到的已知的不同健康状态(SOH)的锂离子电池的阻抗谱共同形成样本集,针对整个样本集按样本抽样方法划分为训练集与测试集,优选的样本抽样方法包括随机抽样方法、交叉验证法、留出法、自助法等各类训练集划分方法;将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络算法对电化学阻抗谱模型进行学习,实现不同SOH下电池阻抗谱特性的辨识。所述的神经网络算法模型或者说是深度学习算法模型,可以包括以多对象时空离群检测算法为代表的各类聚类算法、以支持向量机为代表的各类分类算法、以Logistics回归为代表的各类推荐算法等、以卷积神经网络为代表的图像识别算法等;优选地,所涉及基于深度学习的阻抗谱分析方法,包括基于图像形式输入的神经网络算法和基于数据矩阵输入的预测算法。对于基于图像形式输入的神经网络算法,是将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络、局部特征描述算法等算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。对于基于数据矩阵输入的预测算法,是将采集到的电化学阻抗谱以频率-阻抗阵列形式进行输入,通过时序神经网络、基于长短时记忆的循环神经网络等算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离等,实现不同健康状态条件下的电池电化学阻抗谱的辨识。故该步骤为基于神经网络算法的阻抗谱学习与分析,优选基于循环神经网络算法进行学习,当算法达到收敛条件则获得训练好的神经网络模型(深度学习算法模型)。
寿命检测步骤,是基于电化学阻抗谱的SOH检测,即基于快速电化学阻抗谱测试的电池寿命诊断,该步骤实时采集获取待测电池的电化学阻抗谱(仍然采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板进行采集),将其输入至训练好的神经网络算法模型中,并由模型进行待测电池阻抗谱辨识,判断待测电池健康状态,得到SOH预测值。
本发明涉及的基于快速电化学阻抗谱测试的锂离子电池寿命检测方法,所采用的用于构建训练集与测试集的电化学阻抗谱数据集,可通过采集已知电池健康老化程度下的电池构成,基于该类数据集训练得到的神经网络可实现不同SOH状态下的电池的辨识。优选地,不同SOH状态下的电池,可通过已有老化后的电池进行容量标定测量SOH,也可通过设计老化试验,按特定老化路径进行老化试验的电池进行容量标定测量SOH。通过快速电化学阻抗谱采集与基于神经网络的图像辨识方法或预测算法,能够在不拆解电池组或单体电池的条件下检测电池SOH,实现锂离子电池的无损检测。
本发明还涉及一种基于电化学阻抗谱测试的锂离子电池寿命检测系统,与上述的基于电化学阻抗谱测试的锂离子电池寿命检测方法相对应,可以理解为是实现上述基于电化学阻抗谱测试的锂离子电池寿命检测方法的系统,该系统包括依次连接的电化学阻抗谱测试模块、阻抗谱学习分析模块和寿命检测模块,其中,电化学阻抗谱测试模块,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行离线标准或在线快速电化学阻抗谱测试,优化阻抗谱测试过程;阻抗谱学习分析模块,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识;寿命检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。
具体地,电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路;该电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中:主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法。
进一步地,电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;或,电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
进一步地,阻抗谱学习分析模块采用的神经网络的图像识别算法包括基于图像形式输入的卷积神经网络算法和局部特征描述算法,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法或局部特征描述算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
进一步地,阻抗谱分析模块采用的神经网络的预测算法包括数据矩阵输入的支持向量回归、BP神经网络的回归预测算法,还包括LSTM时序神经网络算法和基于强化学习的蒙特卡洛算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过上述的预测算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
以具体实施例进行说明:
步骤一:电化学阻抗谱测试模块,进行快速电化学阻抗谱测试。
在本实施例中,通过自主设计动态工况下电池老化循环实验与恒定倍率下电池老化循环试验获取老化后的电池组,通过每50次循环测定一次电池真实容量,标定电池真实SOH。在不同老化状态下进行电化学阻抗谱测试,获取原始数据。如图4a—4d所示的实验测试采集的不同SOH下的锂离子电池电化学阻抗谱示意图。本发明用例所采取的阻抗谱测试方法,基于某款电化学工作站测试采集,通过提高输入信号峰值倍率与减少采样点间隔,从而实现快速在线电化学阻抗谱测试,单个电池阻抗谱采集速率小于5分钟。
步骤二:阻抗谱学习分析模块,基于神经网络算法的阻抗谱学习与分析。
以特定SOH下电化学阻抗谱数据矩阵作为输入,采用LSTM神经网络算法进行训练,以SOH值作为输出进行预测。将实验获取到的电化学阻抗谱数据集进行抽样,按照70%-30%比例随机划分为训练集与测试集,并将其输入至神经网络模型进训练。训练好的模型具备在给定输入下预测电池SOH,并具备一定的泛化能力,可实现非训练集下阻抗谱输入的电池SOH预测。
步骤三:寿命检测模块,基于在线电化学阻抗谱测试的寿命检测。
将训练好的神经网络模型写入控制器,通过在线采集电池电化学阻抗谱将其输入至神经网络模型内,输入得到该电池的SOH。
如图3所示,可理解为是基于电化学阻抗谱测试的锂离子电池寿命检测方法的具体实施图,也可以理解为是基于电化学阻抗谱测试的锂离子电池寿命检测系统的实现原理图。原有电池系统通过总正继电器和总负继电器与负载进行连接,实现对锂离子电池的充电与放电控制。本发明是在每个电池并联一组继电器单独控制,每次将一个电池接入到电化学阻抗谱测试仪(电化学阻抗谱测试仪进行离线测试,也可以通过电化学阻抗谱快速采集板在线测试)中进行测量,而后将测量值解码后输入至算法分析软件中。算法分析软件内搭载有已经训练好的神经网络模型,通过接受输入的实时采集的待测电池电化学阻抗谱测量信息,实现待测电池的SOH预测。而后将其他电池依次输入到系统(即接入到电化学阻抗谱测试仪或者电化学阻抗谱快速采集板中,从而实现整体系统的SOH检测与辨识。在本实施例中,进行电化学阻抗谱测量的锂离子电池应不处于工作状态或工作后静置30min以上,以保证采集获得的阻抗谱具有较好精度。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。

Claims (10)

1.一种基于电化学阻抗谱测试的锂离子电池寿命检测方法,其特征在于,包括下述步骤:
电化学阻抗谱测试步骤,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行电化学阻抗谱测试,优化阻抗谱测试过程;所述电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路;所述电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中,主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法;
基于神经网络的阻抗谱学习与分析步骤,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识;
寿命检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。
2.根据权利要求1所述的锂离子电池寿命检测方法,其特征在于,所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
3.根据权利要求1所述的锂离子电池寿命检测方法,其特征在于,所述基于神经网络的阻抗谱学习与分析步骤采用的神经网络的图像识别算法包括基于图像形式输入的卷积神经网络算法和局部特征描述算法,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法或局部特征描述算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
4.根据权利要求3所述的锂离子电池寿命检测方法,其特征在于,所述基于神经网络的阻抗谱学习与分析步骤采用的神经网络的预测算法包括基于数据矩阵输入的支持向量回归、BP神经网络的回归预测算法,还包括LSTM时序神经网络算法和基于强化学习的蒙特卡洛算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过预测算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
5.根据权利要求1至4之一所述的锂离子电池寿命检测方法,其特征在于,在所述电化学阻抗谱测试步骤中,通过已有老化后的电池进行容量标定测量电池健康状态,通过设计老化试验,按特定老化路径进行老化试验的电池进行容量标定测量电池健康状态。
6.根据权利要求1所述的锂离子电池寿命检测方法,其特征在于,所述电化学阻抗谱测试步骤采用的电化学阻抗谱快速采集板包括满足不同频率下正弦电流信号输入与高精度电压信号采集的嵌入式系统开发平台;
和/或,所述样本抽样方法包括随机抽样方法、交叉验证法、留出法、自助法的训练集划分方法;
和/或,在优化阻抗谱测试过程后,还通过建立滤波算法或线性优化神经网络算法对测试结果进行优化,提高电化学阻抗谱精度与形状保持度。
7.一种基于电化学阻抗谱测试的锂离子电池寿命检测系统,其特征在于,包括依次连接的电化学阻抗谱测试模块、阻抗谱学习分析模块和寿命检测模块,
所述电化学阻抗谱测试模块,通过动态工况测试、实车工况老化测试或恒定倍率循环老化测试的方式获取不同健康状态下的锂离子电池,采用电化学阻抗谱测试仪或电化学阻抗谱快速采集板对不同健康状态条件下的锂离子电池进行电化学阻抗谱测试,优化阻抗谱测试过程;所述电化学阻抗谱快速采集板包括结合优化算法、基于嵌入式系统开发的电化学阻抗谱采集电路;所述电化学阻抗谱采集电路包括主控芯片以及与主控芯片均相连的电源模块、可调频电流发生模块、高精度电压采集模块、CAN通讯模块、蓝牙通讯模块和稳压模块,其中,主控芯片通过CAN通讯模块与可调频电流发生模块、高精度电压采集模块进行信息通讯,发送指令给可调频电流发生模块以控制其产生不同频率下的正弦波电流,接收高精度电压采集模块采集的电压值并计算锂离子电池阻抗;所述可调频电流发生模块、高精度电压采集模块均与锂离子电池通过线束连接,可调频电流发生模块向锂离子电池输送电流,高精度电压采集模块采集锂离子电池的电压;蓝牙通讯模块通过无线传输方式与电池系统内电池管理系统相连,负责无线传输电池阻抗信息;所述优化算法包括离散区间二进制序列脉冲信号方法和/或信号叠加测试方法;
阻抗谱学习分析模块,建立神经网络算法模型,将获取到的不同健康状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过神经网络的图像识别算法或预测算法对电化学阻抗谱进行学习得到训练好的神经网络算法模型,实现不同健康状态条件下电池阻抗谱特性的辨识;
寿命检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的神经网络算法模型中进行阻抗谱辨识,判断待测锂离子电池健康状态。
8.根据权利要求7所述的锂离子电池寿命检测系统,其特征在于,所述电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
9.根据权利要求7所述的锂离子电池寿命检测系统,其特征在于,所述阻抗谱学习分析模块采用的神经网络的图像识别算法包括基于图像形式输入的卷积神经网络算法和局部特征描述算法,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法或局部特征描述算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
10.根据权利要求9所述的锂离子电池寿命检测系统,其特征在于,所述阻抗谱学习分析模块采用的神经网络的预测算法包括基于数据矩阵输入的支持向量回归、BP神经网络的回归预测算法,还包括LSTM时序神经网络算法和基于强化学习的蒙特卡洛算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过预测算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现不同健康状态条件下的电池电化学阻抗谱的辨识。
CN202111470391.XA 2021-12-03 2021-12-03 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 Active CN114325403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111470391.XA CN114325403B (zh) 2021-12-03 2021-12-03 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111470391.XA CN114325403B (zh) 2021-12-03 2021-12-03 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统

Publications (2)

Publication Number Publication Date
CN114325403A CN114325403A (zh) 2022-04-12
CN114325403B true CN114325403B (zh) 2023-08-11

Family

ID=81049225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111470391.XA Active CN114325403B (zh) 2021-12-03 2021-12-03 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统

Country Status (1)

Country Link
CN (1) CN114325403B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774051B (zh) * 2023-06-28 2024-02-02 上海炙云新能源科技有限公司 考虑时频域多维数据特征的电池容量快速估计方法
CN116840700B (zh) * 2023-08-31 2023-10-31 深圳市安德普电源科技有限公司 电池状态的实时监测方法、装置、设备及存储介质
CN117728054B (zh) * 2024-02-06 2024-04-12 北京航空航天大学 一种飞行汽车动力电池管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624494A (zh) * 2020-04-20 2020-09-04 北京航空航天大学 基于电化学参数的电池分析方法和系统
CN113065283A (zh) * 2021-03-26 2021-07-02 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11555858B2 (en) * 2019-02-25 2023-01-17 Toyota Research Institute, Inc. Systems, methods, and storage media for predicting a discharge profile of a battery pack

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624494A (zh) * 2020-04-20 2020-09-04 北京航空航天大学 基于电化学参数的电池分析方法和系统
CN113065283A (zh) * 2021-03-26 2021-07-02 深圳技术大学 一种电池寿命预测方法、系统、电子装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于阻抗谱的锂离子电池快速状态评估系统设计;魏刚;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN114325403A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN114325403B (zh) 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
Guo et al. A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve
US11422194B2 (en) Battery diagnosis apparatus and battery diagnosis method based on current pulse method
US10393813B2 (en) On-board state of health monitoring of batteries using incremental capacity analysis
Pradhan et al. Battery management strategies: An essential review for battery state of health monitoring techniques
EP3721499A1 (en) Method and system for online assessing state of health of a battery
Cai et al. Online identification of lithium-ion battery state-of-health based on fast wavelet transform and cross D-Markov machine
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN112834945A (zh) 评估模型建立方法、电池健康状态评估方法及相关产品
CN104237803B (zh) 基于电池工况模拟的电动汽车电池电性能检测方法
CN111505519B (zh) 一种基于声学测量的锂离子电池循环寿命预测方法
CN113884935B (zh) 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法
Huang et al. State of health estimation of lithium-ion batteries based on the regional frequency
CN115616428A (zh) 一种“充—检”一体电动汽车电池状态检测与评价方法
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN114280479A (zh) 一种基于电化学阻抗谱的退役电池快速分选方法
CN112485693B (zh) 一种基于温度概率密度函数的电池健康状态快速评估方法
Xiao et al. Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression
Nuroldayeva et al. State of health estimation methods for Lithium-ion batteries
Li et al. The open-circuit voltage characteristic and state of charge estimation for lithium-ion batteries based on an improved estimation algorithm
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN110208702B (zh) 一种基于神经网络的锂电池超声信息特性提取方法
CN115267557B (zh) 一种锂电池电解液泄露故障诊断方法、装置和电子设备
CN114114024A (zh) 一种蓄电池一致性筛选装置和筛选方法
CN114280490A (zh) 一种锂离子电池荷电状态估计方法及系统

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
GR01 Patent grant
GR01 Patent grant