CN114707391A - 电池包寿命预测方法、存储介质以及电子设备 - Google Patents
电池包寿命预测方法、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN114707391A CN114707391A CN202011503429.4A CN202011503429A CN114707391A CN 114707391 A CN114707391 A CN 114707391A CN 202011503429 A CN202011503429 A CN 202011503429A CN 114707391 A CN114707391 A CN 114707391A
- Authority
- CN
- China
- Prior art keywords
- battery
- sei
- battery pack
- characteristic parameters
- single battery
- 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 abstract description 94
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 50
- 230000008878 coupling Effects 0.000 claims abstract description 34
- 238000010168 coupling process Methods 0.000 claims abstract description 34
- 238000005859 coupling reaction Methods 0.000 claims abstract description 34
- 238000005562 fading Methods 0.000 claims abstract description 13
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 31
- 238000007599 discharging Methods 0.000 claims description 31
- 229910001416 lithium ion Inorganic materials 0.000 claims description 31
- 239000007790 solid phase Substances 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 claims description 19
- 238000007086 side reaction Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 239000007791 liquid phase Substances 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 8
- 239000011149 active material Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000002238 attenuated effect Effects 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000012798 spherical particle Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 3
- 239000013543 active substance Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009831 deintercalation Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000009830 intercalation Methods 0.000 description 2
- 230000002687 intercalation Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及一种电池包寿命预测方法、存储介质以及电子设备，涉及电池技术领域，该方法包括：确定待测电池包内的每个单体电池的初始的电池特性参数；根据预先构建的容量衰退模型、以及预先构建的电化学‑热耦合模型对所述单体电池进行循环充放电模拟，以得到每次充放电模拟过程所述单体电池的端电压，从而根据端电压确定待测电池包的使用寿命。本公开的有益效果是：不仅能够准确对电池包的寿命进行预测，而且相比现有技术能够大幅缩短测试周期以及节省测试资源。
Description
技术领域
本公开涉及电池技术领域，具体地，涉及一种电池包寿命预测方法、存储介质以及电子设备。
背景技术
现有的电池包寿命预测方法一般是基于实验数据或实车数据来评估电池包的寿命，这种方法需要花费较多的时间来获取实验数据或实车数据，导致电池包测试周期至少需要几个月，而且需要占用大量的测试资源。同时，由于电池包内的单体电池的参数不一致以及运行工况不同，使得电池包的寿命不能简单等效为最差单体电池的寿命，而现有的电池包寿命预测方法均没有考虑到单体电池的参数不一致性对电池包整体的影响，从而导致电池包寿命预测不准确。
发明内容
本公开的目的是提供一种电池包寿命预测方法、存储介质以及电子设备，用于解决现有的电池包寿命预测方法无法考虑电池包内的单体电池的参数不一致对电池包寿命的影响。
为了实现上述目的，第一方面，本公开提供一种电池包寿命预测方法，包括：
确定待测电池包内的每个单体电池的初始的电池特性参数；
针对每个所述单体电池，根据预先构建的容量衰退模型、以及预先构建的电化学-热耦合模型对所述单体电池进行循环充放电模拟，以得到每次充放电模拟过程所述单体电池的端电压；
其中，针对每一次充放电模拟，所述容量衰退模型用于计算所述单体电池在本次充放电模拟过程中对应的副反应过电势，所述电化学-热耦合模型本次的输入包括预设运行参数、所述单体电池的本次的电池特性参数以及本次的副反应过电势，其中，首次输入所述电化学-热耦合模型的电池特性参数为所述初始的电池特性参数，后续每一次输入所述电化学-热耦合模型的电池特性参数为上一次充放电模拟过程后更新的电池特性参数；
基于每次充放电模拟过程所述单体电池的端电压，确定所述单体电池的容量衰减至预设容量值时对应的充放电次数，并将该充放电次数作为所述单体电池对应的使用寿命；
基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命。
可选地，所述电池特性参数包括容量参数信息、内阻参数信息、极片厚度参数信息以及活性物质含量参数信息。
可选地，所述确定待测电池包内的每个单体电池的初始的电池特性参数，包括：
获取历史电池特性参数；其中，所述历史电池特性参数是产线上测得的多个电池的电池特性参数；
基于所述历史电池特性参数，计算得到每个所述单体电池对应的电池特性参数的均值以及标准差；
针对每个所述单体电池，基于所述单体电池对应的电池特性参数的均值以及标准差，结合正态分布，进行蒙特卡洛抽样，获得所述单体电池的初始的电池特性参数。
可选地，通过如下步骤确定所述初始的电池特性参数中的内阻参数信息：
确定所述待测电池包内的各个单体电池的连接方式；
基于所述连接方式，确定每个所述单体电池在该连接方式下对应的连接电阻；
针对每个所述单体电池，根据所述单体电池的初始的内阻与该连接电阻确定该单体电池的内阻参数信息。
可选地，预先通过以下步骤构建所述电化学-热耦合模型：
搭建电化学-热耦合模型的架构，其中，所述架构包括单粒子模型以及集总参数模型；
利用遗传算法确定所述单粒子模型中的未知参数，以获得所述电化学-热耦合模型。
可选地，所述单粒子模型包括：
其中，cs为固相锂离子浓度，t为时间，Ds为固相锂离子扩散系数，r为固体球形颗粒的径向；j为固相与液相交界面处的锂离子流量密度，rk为反应速率常数，ce为液相锂离子浓度，csmax为固相锂离子浓度的最大值，cse为固相与液相交界面处的锂离子浓度，αa、αc为传递系数，Rg为摩尔气体常数，η为过电势，F为法拉第常数，T为温度；V为端电压，Up为正极电压，Un为负极电压，ηp为正极过电势，ηn为负极过电势，
为熵热系数，Rdc为直流内阻，Icell为电流，Tref为参考温度。
可选地，所述集总参数模型为：
其中，T为温度，t为时间，Icell为电流，Rdc为直流内阻，ηp为正极过电势，ηn为负极过电势，
为熵热系数，h为热交换系数，Sbattery为电池表面积，ρ为电池密度，v为电池体积，cp为比热容。
可选地，所述容量衰退模型为：
ηsei＝Vneg+ηneg-Vsei+rseiδsEII
其中，isei为SEI膜的生长电流密度，i0,sei为拟合参数，α为电荷传输系数，T为电池温度，R为气体常数，F为法拉第常数，n为参与充放电的电荷数量，ηsei为副反应过电势，Vneg为负极电势，ηneg为负极过电势，Vsei为SEI膜的生长反应均衡电位，rsei为单位阻抗，δSEI为SEI膜的厚度，I为电流，t为时间，MSEI为SEI膜的摩尔质量，ρSEI为SEI膜的密度。
可选地，所述基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命，包括：
将获得的每个所述单体电池的使用寿命中最短的使用寿命确定为所述待测电池包的使用寿命。
第二方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中任一项所述方法的步骤。
第三方面，本公开提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现如上述实施例中任一项所述方法的步骤。
通过上述技术方案，本公开实施例提供的一种电池包寿命预测方法能够考虑电池包内的各个单体电池的电池特性参数不一致性对电池包寿命的影响，能够准确地预测出电池包的使用寿命。而且还能考虑电池包内的单体电池的连接方式、运行工况对电池包的使用寿命的影响，使得预测出的电池包使用寿命更加准确。同时，本公开提出的电池包寿命预测方法具有普适性和推广性，相比现有技术能够大幅缩短测试周期以及节省测试资源。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种电池包寿命预测方法的流程示意图；
图2是根据一示例性实施例示出的构建电化学-热耦合模型的流程图；
图3是根据一示例性实施例提出的电化学-热耦合模型进行充放电模拟的示意图；
图4是根据一示例性实施例示出的确定单体电池的初始的电池特性参数的流程示意图；
图5是一种电池包内各个单体电池的连接方式；
图6是根据一示例性实施例示出的一种电池包寿命预测方法的又一种流程示意图；
图7是根据一示例性实施例示出的一种电子设备700的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种电池包寿命预测方法的流程示意图，如图1所示，本公开实施例提供了一种电池包寿命预测方法，该方法可以包括：
步骤110，确定待测电池包内的每个单体电池的初始的电池特性参数；
步骤120，针对每个所述单体电池，根据预先构建的容量衰退模型、以及预先构建的电化学-热耦合模型对所述单体电池进行循环充放电模拟，以得到每次充放电模拟过程所述单体电池的端电压；
其中，针对每一次充放电模拟，所述容量衰退模型用于计算所述单体电池在本次充放电模拟过程中对应的副反应过电势，所述电化学-热耦合模型本次的输入包括预设运行参数、所述单体电池的本次的电池特性参数以及本次的副反应过电势，其中，首次输入所述电化学-热耦合模型的电池特性参数为所述初始的电池特性参数，后续每一次输入所述电化学-热耦合模型的电池特性参数为上一次充放电模拟过程后更新的电池特性参数；
步骤130，基于每次充放电模拟过程所述单体电池的端电压，确定所述单体电池的容量衰减至预设容量值时对应的充放电次数，并将该充放电次数作为所述单体电池对应的使用寿命；
步骤140，基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命。
这里，在步骤110中，初始的电池特性参数是指单体电池还未经过充放电的原始电池特性参数。其中，电池特性参数包括容量参数信息、内阻参数信息、极片厚度参数信息以及活性物质含量参数信息。由于每个单体电池由于生产工艺或者其他因素的影响，每个单体电池的电池特性参数不可能完全一致。为准确预测电池包的寿命，需要准确确定每个单体电池的电池特性参数。例如，待测电池包内包含四个单体电池，则分别确定四个单体电池的初始的电池特性参数，如初始内阻大小、初始容量大小、初始极片厚度以及初始活性物质含量。
在步骤120中，针对每一个单体电池，均执行根据预先构建的容量衰退模型、以及预先构建的电化学-热耦合模型对所述单体电池进行循环充放电模拟，以得到每次充放电模拟过程所述单体电池的端电压的步骤，从而得到每一个单体电池在每次充放电模拟过程的端电压。
其中，在第一次充放电模拟过程中，输入电化学-热耦合模型的参数为初始的电池特性参数、预设运行参数以及根据容量衰退模型计算得到的单体电池在第一次充放电模拟过程中的副反应过电势，从而得到单体电池在第一次充放电模拟过程中对应的端电压。
在进行充放电模拟时，单体电池的电池特性参数会随着每次充放电模拟的进行逐渐衰退，因此，每进行一次充放电模拟，单体电池的电池特性参数相比上一次充放电模拟过程中的电池特性参数都会发生改变。因此，第二次充放电模拟过程输入电化学-热耦合模型的参数为第一次充放电模拟过程后更新的电池特性参数、预设运行参数以及根据容量衰退模型计算得到的单体电池在第二次充放电模拟过程中的副反应过电势。
值得说明的是，预设运行参数包括充放电电流以及运行温度，其是可以根据实际模拟条件进行选择设定的。另外，电池特性参数的更新过程将在下面的实施方式中进行详细说明。
在步骤130中，单体电池每进行一次充放电模拟，都会得到该次充放电模拟过程对应的端电压。如第5次充放电，端电压为50V。则可以根据每次充放电端电压，结合预设运行参数中的充放电电流，来确定出每次充放电过程对应的电池容量。然后计算该电池容量衰减至预设容量值时对应的充放电次数，从而得到每个单体电池的使用寿命。例如，在第500次充放电循环中，计算出的电池容量A相比于原始容量B衰退至了70％的预设容量值，则500次充放电循环作为该单体电池的使用寿命。
在步骤140中，通过不断进行充放电模拟，计算得到待测电池包内的每个单体电池对应的使用寿命，然后基于每个单体电池的使用寿命来确定待测电池包的使用寿命。
其中，在一个可实现的实施方式中，可以将获得的每个所述单体电池的使用寿命中最短的使用寿命确定为所述待测电池包的使用寿命。
这里，在本公开中，充放电模拟过程考虑了电池包内包含的单体电池的各自的电池特性参数，因此，待测电池包的使用寿命可以等效为待测电池包内的最差单体电池的使用寿命。例如，待测电池包内存在4个单体电池，测得的使用寿命分别为单体电池A-500次、单体电池A-510次、单体电池A-480次以及单体电池A-496次，则待测电池包的使用寿命为480次。
由此，本公开提出的电池包寿命预设方法可以考虑电池包内的电芯的不一致性对电池包寿命的影响，从而准确对电池包的使用寿命进行预测。
接下来，请参照图2，图2是根据一示例性实施例示出的构建电化学-热耦合模型的流程图。如图2所示，在执行步骤110之前，首先需要构建电化学-热耦合模型，即还需包括以下步骤：
步骤101，搭建电化学-热耦合模型的架构，其中，所述架构包括单粒子模型以及集总参数模型；
步骤102，利用遗传算法确定所述单粒子模型中的未知参数，以获得所述电化学-热耦合模型。
这里，单粒子模型是利用一个球状粒子来代表整个电极，从而忽略了正负极间的各个位置上由于锂离子浓度分布不均匀造成的固相、液相过电势的不均匀分布以及液相扩散过程，该单粒子模型模型用于描述锂离子电池内的机理反应过程和外部特性，属于电化学模型。
其中，单粒子模型包括：
其中，cs为固相锂离子浓度，t为时间，Ds为固相锂离子扩散系数，r为固体球形颗粒的径向；j为固相与液相交界面处的锂离子流量密度，rk为反应速率常数，ce为液相锂离子浓度，csmax为固相锂离子浓度的最大值，cse为固相与液相交界面处的锂离子浓度，αa、αc为传递系数，Rg为摩尔气体常数，η为过电势，F为法拉第常数，T为温度；V为端电压，Up为正极电压，Un为负极电压，ηp为正极过电势，ηn为负极过电势，
为熵热系数，Rdc为直流内阻，Icell为电流，Tref为参考温度。
这里，计算式(1)是固相锂离子扩散方程，该固相锂离子扩散方程为二阶偏微分方程，可以采用三参数抛物线近似方法将固相锂离子扩散方程简化为常微分方程组和代数方程。则采用三参数抛物线近似方法表示固相锂离子浓度为：
其中，Rp为活性粒子半径。
计算式(2)是Butler-Volmer动力学方程，电化学动力学是电极活性材料粒子表面的锂离子的嵌入、脱嵌过程，需要计算局部电荷转移，局部电荷转移电流密度则可以通过Bulter-Volmer动力学方程进行描述。
计算式(3)是端电压方程，电池的端电压可以通过正负极电压、过电势、熵产生的电压变化以及内阻产生的电压变化来描述，因此，通过该端电压方程可以计算得到每次充放电模拟过程中的端电压。
其中，锂离子电池温度变化是由充放电循环过程中产生的可逆反应热、不可逆极化热、不可逆欧姆热以及释放的热量共同决定的。因此，用于描述电池发热的集总参数模型为：
其中，T为温度，t为时间，Icell为电流，Rdc为直流内阻，ηp为正极过电势，ηn为负极过电势，
为熵热系数，h为热交换系数，Sbattery为电池表面积，ρ为电池密度，v为电池体积，cp为比热容。
另外，在步骤102中，由于单粒子模型中存在其他未知参数，在本公开的实施例中可以通过遗传算法来确定单粒子模型中的未知参数。其具体过程如下：
设置遗传算法的初始参数，包括定义每代种群中个体数目、最大遗传代数、待辨识变量数、变量精度等参数；
确定待辨识参数，约束条件为参数的解空间，即参数的取值范围；
确定目标函数；即电压的偏差平方和函数，如目标函数为：
其中，Vi为ti时刻的电压参考值，V(θ,ti)为实时电压输出值，θ为待辨识参数；
确定个体基因的评价方法；即将实测电压与实时电压的偏差平方和函数作为个体基因型的适应度；
设计遗传因子，来求解待辨识参数。其中，复制过程中的选择运算采用适应度比例法，交叉运算采用基本位变异法。
应当理解的是，遗传算法求解单粒子模型中的未知参数的实质是利用遗传算法最优化目标函数，同时求解参数值的置信区间，最后通过计算几个统计变量，如方差、置信区间等来比较两种模型拟合曲线的好坏，从而求解得到未知参数。
图3是根据一示例性实施例提出的电化学-热耦合模型进行充放电模拟的示意图，如图3所示，经过上述步骤构建的电化学-热耦合模型在进行充放电模拟时的过程如图3所示，通过设定电化学-热耦合模型的充放电电流I(t)以及运行温度Tref，进行充放电模拟，得到一次充放电模拟过程对应的端电压V(t)。其中，图3中的计算式如下：
其中，i代表正极(+，p)和负极(-，n)，cs为固相锂离子浓度，t为时间，Di为固相锂离子扩散系数，
为初始固相锂离子扩散系数，ED,i为扩散过程活化能，Ek,i为反应过程活化能，r为固体球形颗粒的径向；ii为固相与液相交界面处的锂离子流量密度，ii,0为交换电流密度，ji(x,t)为摩尔通量，ki为反应速率常数，
为初始反应速率常数，ce为液相锂离子浓度，cmax,i为固相锂离子浓度的最大值，ci-surf为固相与液相交界面处的锂离子浓度，αa、αc为传递系数，其取值可以为0.5，Rg为摩尔气体常数，ηi为过电势，F为法拉第常数，T为温度，V为端电压，Up为正极电压，Un为负极电压，ηp为正极过电势，ηn为负极过电势，
为熵热系数，Rdc为直流内阻，Icell为电流，Tref为参考温度,ei为活性物质体积分数，Ri为活性粒子半径，Ai为极片表面积，δi为极片厚度。
在一个可实现的实施方式中，所述容量衰退模型为：
ηsei＝Vneg+ηneg-Vsei+rseiδSEII (5)
其中，isei为SEI膜的生长电流密度，i0,sei为拟合参数，α为电荷传输系数，T为电池温度，R为气体常数，F为法拉第常数，n为参与充放电的电荷数量，ηsei为副反应过电势，Vneg为负极电势，ηneg为负极过电势，Vsei为SEI膜的生长反应均衡电位，rsei为单位阻抗，δSEI为SEI膜的厚度，I为电流，t为时间，MSEI为SEI膜的摩尔质量，ρSEI为SEI膜的密度。
这里，容量衰退模型是SEI膜衰退模型，是指在反应的过程中，有机溶剂和电解质盐在活性物质和电解液之间发生不可逆的副反应，形成SEI钝化膜，对锂离子的嵌入脱出产生阻碍作用。
图4是根据一示例性实施例示出的确定单体电池的初始的电池特性参数的流程示意图，如图4所示，在一个可实现的实施方式中，步骤110中，确定待测电池包内的每个单体电池的初始的电池特性参数，可以包括以下步骤：
步骤111，获取历史电池特性参数；其中，所述历史电池特性参数是产线上测得的多个电池的电池特性参数；
步骤112，基于所述历史电池特性参数，计算得到每个所述单体电池对应的电池特性参数的均值以及标准差；
步骤113，针对每个所述单体电池，基于所述单体电池对应的电池特性参数的均值以及标准差，结合正态分布，进行蒙特卡洛抽样，获得所述单体电池的初始的电池特性参数。
这里，在步骤111中，历史电池特性参数是指在电池生产产线上测得的单体电池的电池特性参数，如产线上每生产一个电池，则对该电池的内阻、容量以及活性物质含量进行测量，从而得到历史电池特性参数。
在步骤112中，在获取到单体电池的历史电池特性参数之后，计算单体电池的均值以及标准差。如计算容量的均值以及标准差、计算内阻的均值以及标准差、计算活性物质含量的均值以及标准差、计算极片厚度的均值以及标准差。
应当理解的是，均值以及标准差的计算方式为现有技术，在此不再详细说明。
在步骤113中，针对每个单体电池，均利用计算得到的电池特性参数的均值以及标准差，结合电池特性参数的正态分布规律，进行蒙特卡洛抽样，从而获得每个单体电池对应的初始的电池特性参数。
其中，正态分布作为电池特性参数的分布信息，电池特性参数的均值作为正态分布的均值，蒙特卡洛抽样获得的电池特性参数是符合正态分布的随机数。
值得说明的是，蒙特卡洛抽样获得的初始的电池特性参数是一个范围值，其具有上限值以及下限值。
由此，通过蒙特卡洛抽样可以对待测电池包内的每个单体电池的电池特性参数进行准确确定，从而为后续的充放电模拟过程提供准确的数据支持。
在一个可实现的实施方式中，通过如下步骤确定所述初始的电池特性参数中的内阻参数信息：
确定所述待测电池包内的各个单体电池的连接方式；
基于所述连接方式，确定每个所述单体电池在该连接方式下对应的连接电阻；
针对每个所述单体电池，根据所述单体电池的初始的内阻与该连接电阻确定该单体电池的内阻参数信息。
这里，由于电池包内的单体电池可以通过串联、并联或串并联的方式进行连接，而不同的连接方式产生的连接电阻不同，而该连接电阻也会影响单体电池的使用寿命。因此，在利用蒙特卡洛抽样确定出各单体电池的初始内阻之后，可以根据待测电池包内的各个单体电池的连接方式来确定出单体电池之间的连接电阻，然后将单体电池的初始内阻与对应的连接电阻的和作为单体电池实际的初始内阻。
图5是一种电池包内各个单体电池的连接方式，如图5所示，待测电池包包括电池1、电池2、电池3以及电池4，其连接方式如图3所示。电池1的连接电阻为R1，电池2的连接电阻为R2，电池3的连接电阻为R3，电池4的连接电阻为R4。则电池1最终的内阻为电池1的内阻与R1的和，则电池2最终的内阻为电池2的内阻与R2的和，则电池3最终的内阻为电池3的内阻与R3的和，则电池4最终的内阻为电池4的内阻与R4的和。
由此，本公开提出的电池包寿命预测方法能够考虑电池包内的各个单体的连接方式对电池包寿命的影响，从而实现准确预测电池包的寿命。
下面，结合附图6对上述实施方式进行详细说明：
图6是根据一示例性实施例示出的一种电池包寿命预测方法的又一种流程示意图，如图6所示，该方法可以包括以下步骤：
S210，确定待测电池包内的每个单体电池的初始的电池特性参数；
S220，针对每个所述单体电池，将所述初始的电池特性参数、预设的运行参数以及利用预先构建的容量衰退模型计算得到的所述单体电池在本次充放电模拟过程中对应的副反应过电势作为预先构建的电化学-热耦合模型的输入，获得本次充放电模拟过程对应的端电压以及更新后的电池特性参数；
S230，将所述更新后的电池特性参数作为新的初始的电池特性参数，返回执行步骤S220，进行循环充放电模拟，直至达到预设条件时停止充放电模拟，以获得每次充放电模拟过程对应的端电压；
S240，基于每次充放电模拟过程所述单体电池的端电压，确定所述单体电池的容量衰减至预设容量值时对应的充放电次数，并将该充放电次数作为所述单体电池对应的使用寿命；
S250，基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命。
这里，在步骤S230中，预设条件可以为充放电循环次数或储存时间。在未满足该预设条件的情况下，充放电过程会一直循环。该循环过程是：下一次充放电模拟过程输入电化学-热耦合模型的参数为上一次充放电模拟过程更新后的电池特性参数、预设运行参数以及根据容量衰退模型计算得到的单体电池在下一次充放电模拟过程中的副反应过电势。
其中，预设运行参数是一个定值，其是根据用户实际模拟要求确定的，每次输入的预设运行参数不会改变。
值得说明的是，通过上述实施例中的计算式(6)可以得知，副反应过电势ηsei是与时间t相关的，因此，在不同的充放电模拟过程中计算得到的副反应过电势均是不同的。
另外，计算式(6)中计算得到的副反应过电势ηsei作为计算式(2)的过电势η的值。
而电池特性参数的更新过程具体是：
在利用电化学-热耦合模型计算得到第一次充放电模拟过程的端电压之后，根据端电压以及预设的充放电电流，可以确定到经过第一次充放电模拟过程之后单体电池新的容量。以及，经过第一次充放电模拟过程之后，可以利用容量衰退模型计算得到单体电池经过一次充放电模拟之后，内阻的变化，具体是利用容量衰退模型计算得到单位阻抗rsei，然后将初始的内阻与经过一次充放电模拟后的单位阻抗rsei的和作为新的内阻。以及，在SEI的增长过程中，活性物质含量也在发生变化，因此，可以根据SEI膜的增长量来确定经过一次充放电模拟之后的新的活性物质含量。另外，极片厚度作为一个定值，其在每次电池特性参数的更新过程中不会发生变化。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的电池包寿命预测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的电池包寿命预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的电池包寿命预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的电池包寿命预测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (11)
1.一种电池包寿命预测方法，其特征在于，包括：
确定待测电池包内的每个单体电池的初始的电池特性参数；
针对每个所述单体电池，根据预先构建的容量衰退模型、以及预先构建的电化学-热耦合模型对所述单体电池进行循环充放电模拟，以得到每次充放电模拟过程所述单体电池的端电压；
其中，针对每一次充放电模拟，所述容量衰退模型用于计算所述单体电池在本次充放电模拟过程中对应的副反应过电势，所述电化学-热耦合模型本次的输入包括预设运行参数、所述单体电池的本次的电池特性参数以及本次的副反应过电势，其中，首次输入所述电化学-热耦合模型的电池特性参数为所述初始的电池特性参数，后续每一次输入所述电化学-热耦合模型的电池特性参数为上一次充放电模拟过程后更新的电池特性参数；
基于每次充放电模拟过程所述单体电池的端电压，确定所述单体电池的容量衰减至预设容量值时对应的充放电次数，并将该充放电次数作为所述单体电池对应的使用寿命；
基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命。
2.根据权利要求1所述的电池包寿命预测方法，其特征在于，所述电池特性参数包括容量参数信息、内阻参数信息、极片厚度参数信息以及活性物质含量参数信息。
3.根据权利要求1或2所述的电池包寿命预测方法，其特征在于，所述确定待测电池包内的每个单体电池的初始的电池特性参数，包括：
获取历史电池特性参数；其中，所述历史电池特性参数是产线上测得的多个电池的电池特性参数；
基于所述历史电池特性参数，计算得到每个所述单体电池对应的电池特性参数的均值以及标准差；
针对每个所述单体电池，基于所述单体电池对应的电池特性参数的均值以及标准差，结合正态分布，进行蒙特卡洛抽样，获得所述单体电池的初始的电池特性参数。
4.根据权利要求2所述的电池包寿命预测方法，其特征在于，通过如下步骤确定所述初始的电池特性参数中的内阻参数信息：
确定所述待测电池包内的各个单体电池的连接方式；
基于所述连接方式，确定每个所述单体电池在该连接方式下对应的连接电阻；
针对每个所述单体电池，根据所述单体电池的初始的内阻与该连接电阻确定该单体电池的内阻参数信息。
5.根据权利要求1所述的电池包寿命预测方法，其特征在于，预先通过以下步骤构建所述电化学-热耦合模型：
搭建电化学-热耦合模型的架构，其中，所述架构包括单粒子模型以及集总参数模型；
利用遗传算法确定所述单粒子模型中的未知参数，以获得所述电化学-热耦合模型。
6.根据权利要求5所述的电池包寿命预测方法，其特征在于，所述单粒子模型包括：
其中，cs为固相锂离子浓度，t为时间，Ds为固相锂离子扩散系数，r为固体球形颗粒的径向；j为固相与液相交界面处的锂离子流量密度，rk为反应速率常数，ce为液相锂离子浓度，csmax为固相锂离子浓度的最大值，cse为固相与液相交界面处的锂离子浓度，αa、αc为传递系数，Rg为摩尔气体常数，η为过电势，F为法拉第常数，T为温度；V为端电压，Up为正极电压，Un为负极电压，ηp为正极过电势，ηn为负极过电势，
为熵热系数，Rdc为直流内阻，Icell为电流，Tref为参考温度。
7.根据权利要求5所述的电池包寿命预测方法，其特征在于，所述集总参数模型为：
其中，T为温度，t为时间，Icell为电流，Rdc为直流内阻，ηp为正极过电势，ηn为负极过电势，
为熵热系数，h为热交换系数，Sbattery为电池表面积，ρ为电池密度，v为电池体积，cp为比热容。
8.根据权利要求1所述的电池包寿命预测方法，其特征在于，所述容量衰退模型为：
ηsei＝Vneg+ηneg-Vsei+rseiδSEII
其中，isei为SEI膜的生长电流密度，i0，sei为拟合参数，α为电荷传输系数，T为电池温度，R为气体常数，F为法拉第常数，n为参与充放电的电荷数量，ηsei为副反应过电势，Vneg为负极电势，ηneg为负极过电势，Vsei为SEI膜的生长反应均衡电位，rsei为单位阻抗，δSEI为SEI膜的厚度，I为电流，t为时间，MsEI为SEI膜的摩尔质量，ρSEI为SEI膜的密度。
9.根据权利要求1所述的电池包寿命预测方法，其特征在于，所述基于每个所述单体电池的使用寿命，确定所述待测电池包的使用寿命，包括：
将获得的每个所述单体电池的使用寿命中最短的使用寿命确定为所述待测电池包的使用寿命。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503429.4A CN114707391B (zh) | 2020-12-17 | 2020-12-17 | 电池包寿命预测方法、存储介质以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011503429.4A CN114707391B (zh) | 2020-12-17 | 2020-12-17 | 电池包寿命预测方法、存储介质以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707391A true CN114707391A (zh) | 2022-07-05 |
| CN114707391B CN114707391B (zh) | 2024-10-18 |
Family
ID=82167518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011503429.4A Active CN114707391B (zh) | 2020-12-17 | 2020-12-17 | 电池包寿命预测方法、存储介质以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707391B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116148680A (zh) * | 2023-04-20 | 2023-05-23 | 上海玫克生储能科技有限公司 | 电池参数的辨识方法、装置、计算机设备和存储介质 |
| CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105932349A (zh) * | 2016-06-07 | 2016-09-07 | 哈尔滨工业大学 | 一种锂离子电池长寿命快速充电方法 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
| CN107202960A (zh) * | 2017-05-25 | 2017-09-26 | 安徽江淮汽车集团股份有限公司 | 动力电池寿命预测方法 |
| KR20200071362A (ko) * | 2018-12-11 | 2020-06-19 | 한국전기연구원 | Bms 평가 장치 및 이를 이용한 bms 평가 방법 |
-
2020
- 2020-12-17 CN CN202011503429.4A patent/CN114707391B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105932349A (zh) * | 2016-06-07 | 2016-09-07 | 哈尔滨工业大学 | 一种锂离子电池长寿命快速充电方法 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 |
| CN107202960A (zh) * | 2017-05-25 | 2017-09-26 | 安徽江淮汽车集团股份有限公司 | 动力电池寿命预测方法 |
| KR20200071362A (ko) * | 2018-12-11 | 2020-06-19 | 한국전기연구원 | Bms 평가 장치 및 이를 이용한 bms 평가 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116148680A (zh) * | 2023-04-20 | 2023-05-23 | 上海玫克生储能科技有限公司 | 电池参数的辨识方法、装置、计算机设备和存储介质 |
| CN116148680B (zh) * | 2023-04-20 | 2023-06-23 | 上海玫克生储能科技有限公司 | 电池参数的辨识方法、装置、计算机设备和存储介质 |
| CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707391B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | State-of-charge estimation tolerant of battery aging based on a physics-based model and an adaptive cubature Kalman filter | |
| Pan et al. | Transfer learning-based hybrid remaining useful life prediction for lithium-ion batteries under different stresses | |
| Zhang et al. | Lithium-ion battery remaining useful life prediction with Box–Cox transformation and Monte Carlo simulation | |
| Zou et al. | A framework for simplification of PDE-based lithium-ion battery models | |
| Jin et al. | Parameter estimation of an electrochemistry‐based lithium‐ion battery model using a two‐step procedure and a parameter sensitivity analysis | |
| Su et al. | Path dependence of lithium ion cells aging under storage conditions | |
| CN111177924B (zh) | 一种固态电池性能模型的建立方法及固态电池性能的预测方法 | |
| CN114707391B (zh) | 电池包寿命预测方法、存储介质以及电子设备 | |
| CN114970376B (zh) | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 | |
| CN112014735A (zh) | 一种基于全寿命周期的电芯老化寿命预测方法及装置 | |
| Pan et al. | Prediction of remaining useful life for lithium‐ion battery based on particle filter with residual resampling | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| KR20130049920A (ko) | 차량용 배터리 상태 예측 방법 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN113011065B (zh) | 预测电芯充放电性能的方法、装置、存储介质及电子设备 | |
| CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
| CN116068408B (zh) | 电池老化数据确定方法、装置、计算机设备和存储介质 | |
| Yu et al. | Lithium-ion battery multi-scale modeling coupled with simplified electrochemical model and kinetic Monte Carlo model | |
| CN116908705A (zh) | 容量衰减模型建立方法、电池循环寿命测试方法及装置 | |
| Li et al. | Multidisciplinary optimal design of prismatic lithium‐ion battery with an improved thermal management system for electric vehicles | |
| CN116663371A (zh) | 一种锂离子电池老化仿真方法、系统及存储介质 | |
| CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
| Hua et al. | Surrogate modelling for battery state-of-charge estimation in electric vehicles based on pseudo-2-dimensional model and gradient boosting machines | |
| KR20210016828A (ko) | 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩 | |
| CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 |
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 |