CN115201692A - 一种锂电池剩余寿命分析预测方法 - Google Patents
一种锂电池剩余寿命分析预测方法 Download PDFInfo
- Publication number
- CN115201692A CN115201692A CN202210939792.3A CN202210939792A CN115201692A CN 115201692 A CN115201692 A CN 115201692A CN 202210939792 A CN202210939792 A CN 202210939792A CN 115201692 A CN115201692 A CN 115201692A
- Authority
- CN
- China
- Prior art keywords
- battery
- life
- voltage
- service life
- evaluation factor
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及锂电池寿命预测,具体涉及一种锂电池剩余寿命分析预测方法,将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后记录设定SOC值对应的恒流值;在不同温度下重复测试,并基于电池的恒流值、额定容量计算寿命评价因子;将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果;采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理;基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练;本发明提供的技术方案能够有效克服不能对锂电池剩余寿命进行准确分析预测的缺陷。
Description
技术领域
本发明涉及锂电池寿命预测,具体涉及一种锂电池剩余寿命分析预测方法。
背景技术
锂电池凭借其高能量和功率密度性能,成为现代生活不可或缺的组成部分。限制锂离子电池技术进一步发展的一个关键问题是电池老化的不可预测性,准确预测电池健康状态(SoH)和剩余使用寿命(RUL)对通知用户是否需要更换电池,或者避免意料之外的容量衰减显得十分重要。
传统的电池寿命预测方法依赖于微观老化机理(例如SEI膜生长、锂电镀和活性质量损失等)的建模,但对于每一个老化机理的表征和模拟不具备扩展性。目前,较为常用的方法是使用数据驱动的方法进行建模分析,即在电池运行时进行无损测量,然后直接通过机器利用统计学方法将测量结果与电池寿命相关联,该方法由于数据特征选择的难度较大,一般无法取得较好的预测效果。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种锂电池剩余寿命分析预测方法,能够有效克服现有技术所存在的不能对锂电池剩余寿命进行准确分析预测的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种锂电池剩余寿命分析预测方法,包括以下步骤:
S1、将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后记录设定SOC值对应的恒流值;
S2、在不同温度下重复测试,并基于电池的恒流值、额定容量计算寿命评价因子;
S3、将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果;
S4、采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理;
S5、基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练;
S6、利用训练好电池寿命预测模型得到电池寿命的第二预测结果;
S7、基于电池寿命的第一预测结果、第二预测结果对电池剩余寿命进行分析。
优选地,S2中在不同温度下重复测试,并基于电池的恒流值、额定容量计算寿命评价因子,包括:
采用下式计算电池的寿命评价因子:
其中,f为电池的寿命评价因子,αi为电池在某一温度下的使用系数,Ii为电池在某一温度下设定SOC值对应的恒流值,Vi为电池在某一温度下的额定容量,n为在不同温度下的测试次数。
优选地,S3中将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果,包括:
基于已知寿命电池的寿命评价因子与计算得到的寿命评价因子之间的比值,以及已知寿命电池的寿命,得到电池寿命的第一预测结果。
优选地,所述电池在不同温度下重复测试时充电倍率的选择方法,包括:
保持电池温度不变,在不同充电倍率下将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后分别记录设定SOC值对应的恒流值;
获取不同充电倍率下对应恒流值的分布区间,选择充电倍率以使得恒流值稳定分布。
优选地,所述设定SOC值不低于90%,所述不同温度为-15℃-50℃范围内的多个任意温度值。
优选地,S5中基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练,包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络;
利用学习率衰减算法对循环神经网络的学习率进行优化,将电压序列训练集输入循环神经网络进行模型训练,并利用电压序列测试集对训练模型进行测试,以使得循环神经网络收敛。
优选地,所述根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络,包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,确定循环神经网络的结构,并确定循环神经网络的层数和每层内神经元的个数。
优选地,S6中利用训练好电池寿命预测模型得到电池寿命的第二预测结果,包括:
按照设定采样周期对待预测电池在全寿命周期内采集工作电压数据,按照采样时间对采集工作电压数据进行排序;
将排序后工作电压数据输入训练好电池寿命预测模型,得到下一采样周期对应的预测工作电压;
基于已知寿命电池的工作电压与寿命之间的关系,得到待预测电池寿命的第二预测结果。
优选地,S4中采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理,包括:
按照设定采样周期对多个电池在全寿命周期内采集工作电压数据;
按照采样时间对各组工作电压数据进行排序,并对各组工作电压数据进行异常数据删除、缺失数据补全和归一化处理。
(三)有益效果
与现有技术相比,本发明所提供的一种锂电池剩余寿命分析预测方法,具有以下有益效果:
1)在不同温度下对锂电池进行重复充电测试,并基于电池的恒流值、额定容量计算寿命评价因子,将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果,从而能够准确建立不同温度下充电至设定SOC值对应的恒流值,以及额定容量与锂电池寿命之间的关系,并得到锂电池寿命预测结果;
2)采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理,基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练,利用训练好电池寿命预测模型得到电池寿命的第二预测结果,从而能够准确建立工作电压与锂电池寿命之间的关系,并得到锂电池寿命预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明中利用训练好电池寿命预测模型得到电池寿命第二预测结果的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
一种锂电池剩余寿命分析预测方法,如图1所示,①将电池充电至设定SOC值(不低于90%)对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后记录设定SOC值对应的恒流值。
②在不同温度(-15℃-50℃范围内的多个任意温度值)下重复测试,并基于电池的恒流值、额定容量计算寿命评价因子,具体包括:
采用下式计算电池的寿命评价因子:
其中,f为电池的寿命评价因子,αi为电池在某一温度下的使用系数,Ii为电池在某一温度下设定SOC值对应的恒流值,Vi为电池在某一温度下的额定容量,n为在不同温度下的测试次数。
电池在不同温度下重复测试时充电倍率的选择方法,包括:
保持电池温度不变,在不同充电倍率下将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后分别记录设定SOC值对应的恒流值;
获取不同充电倍率下对应恒流值的分布区间,选择充电倍率以使得恒流值稳定分布。
③将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果,具体包括:
基于已知寿命电池的寿命评价因子与计算得到的寿命评价因子之间的比值,以及已知寿命电池的寿命,得到电池寿命的第一预测结果。
上述技术方案,在不同温度下对锂电池进行重复充电测试,并基于电池的恒流值、额定容量计算寿命评价因子,将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果,从而能够准确建立不同温度下充电至设定SOC值对应的恒流值,以及额定容量与锂电池寿命之间的关系,并得到锂电池寿命预测结果。
如图1和图2所示,④采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理,具体包括:
按照设定采样周期对多个电池在全寿命周期内采集工作电压数据;
按照采样时间对各组工作电压数据进行排序,并对各组工作电压数据进行异常数据删除、缺失数据补全和归一化处理。
⑤基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练,具体包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络;
利用学习率衰减算法对循环神经网络的学习率进行优化,将电压序列训练集输入循环神经网络进行模型训练,并利用电压序列测试集对训练模型进行测试,以使得循环神经网络收敛。
其中,根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络,包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,确定循环神经网络的结构,并确定循环神经网络的层数和每层内神经元的个数。
⑥利用训练好电池寿命预测模型得到电池寿命的第二预测结果,具体包括:
按照设定采样周期对待预测电池在全寿命周期内采集工作电压数据,按照采样时间对采集工作电压数据进行排序;
将排序后工作电压数据输入训练好电池寿命预测模型,得到下一采样周期对应的预测工作电压;
基于已知寿命电池的工作电压与寿命之间的关系,得到待预测电池寿命的第二预测结果。
上述技术方案,采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理,基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练,利用训练好电池寿命预测模型得到电池寿命的第二预测结果,从而能够准确建立工作电压与锂电池寿命之间的关系,并得到锂电池寿命预测结果。
⑦基于电池寿命的第一预测结果、第二预测结果对电池剩余寿命进行分析。
本申请技术方案中,通过准确建立不同温度下充电至设定SOC值对应的恒流值,以及额定容量与锂电池寿命之间的关系,得到电池寿命的第一预测结果;通过准确建立工作电压与锂电池寿命之间的关系,得到电池寿命的第二预测结果,并最终结合电池寿命的第一预测结果、第二预测结果对电池剩余寿命进行分析,能够得到较为精准的锂电池寿命预测结果,使得用户能够准确获取锂电池剩余使用时间,便于用户对锂电池进行更换操作。
以上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,并不会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。
Claims (9)
1.一种锂电池剩余寿命分析预测方法,其特征在于:包括以下步骤:
S1、将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后记录设定SOC值对应的恒流值;
S2、在不同温度下重复测试,并基于电池的恒流值、额定容量计算寿命评价因子;
S3、将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果;
S4、采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理;
S5、基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练;
S6、利用训练好电池寿命预测模型得到电池寿命的第二预测结果;
S7、基于电池寿命的第一预测结果、第二预测结果对电池剩余寿命进行分析。
3.根据权利要求2所述的锂电池剩余寿命分析预测方法,其特征在于:S3中将计算得到的寿命评价因子与已知寿命电池的寿命评价因子进行对比,得到电池寿命的第一预测结果,包括:
基于已知寿命电池的寿命评价因子与计算得到的寿命评价因子之间的比值,以及已知寿命电池的寿命,得到电池寿命的第一预测结果。
4.根据权利要求2所述的锂电池剩余寿命分析预测方法,其特征在于:所述电池在不同温度下重复测试时充电倍率的选择方法,包括:
保持电池温度不变,在不同充电倍率下将电池充电至设定SOC值对应的开路电压值后,用恒压源将电池电压维持在该开路电压值,待电流稳定后分别记录设定SOC值对应的恒流值;
获取不同充电倍率下对应恒流值的分布区间,选择充电倍率以使得恒流值稳定分布。
5.根据权利要求2所述的锂电池剩余寿命分析预测方法,其特征在于:所述设定SOC值不低于90%,所述不同温度为-15℃-50℃范围内的多个任意温度值。
6.根据权利要求1所述的锂电池剩余寿命分析预测方法,其特征在于:S5中基于时间序列将预处理后工作电压数据分为电压序列训练集和电压序列测试集,并对电池寿命预测模型进行模型训练,包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络;
利用学习率衰减算法对循环神经网络的学习率进行优化,将电压序列训练集输入循环神经网络进行模型训练,并利用电压序列测试集对训练模型进行测试,以使得循环神经网络收敛。
7.根据权利要求6所述的锂电池剩余寿命分析预测方法,其特征在于:所述根据电压序列训练集和电压序列测试集中各组电压序列的长度,构建循环神经网络,包括:
根据电压序列训练集和电压序列测试集中各组电压序列的长度,确定循环神经网络的结构,并确定循环神经网络的层数和每层内神经元的个数。
8.根据权利要求7所述的锂电池剩余寿命分析预测方法,其特征在于:S6中利用训练好电池寿命预测模型得到电池寿命的第二预测结果,包括:
按照设定采样周期对待预测电池在全寿命周期内采集工作电压数据,按照采样时间对采集工作电压数据进行排序;
将排序后工作电压数据输入训练好电池寿命预测模型,得到下一采样周期对应的预测工作电压;
基于已知寿命电池的工作电压与寿命之间的关系,得到待预测电池寿命的第二预测结果。
9.根据权利要求6所述的锂电池剩余寿命分析预测方法,其特征在于:S4中采集多组电池全寿命周期内的工作电压数据,并对工作电压数据进行预处理,包括:
按照设定采样周期对多个电池在全寿命周期内采集工作电压数据;
按照采样时间对各组工作电压数据进行排序,并对各组工作电压数据进行异常数据删除、缺失数据补全和归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939792.3A CN115201692A (zh) | 2022-08-05 | 2022-08-05 | 一种锂电池剩余寿命分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939792.3A CN115201692A (zh) | 2022-08-05 | 2022-08-05 | 一种锂电池剩余寿命分析预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115201692A true CN115201692A (zh) | 2022-10-18 |
Family
ID=83586440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210939792.3A Withdrawn CN115201692A (zh) | 2022-08-05 | 2022-08-05 | 一种锂电池剩余寿命分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201692A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
CN117554846A (zh) * | 2024-01-12 | 2024-02-13 | 烟台海博电气设备有限公司 | 计及约束条件的锂电池寿命预测方法及系统 |
-
2022
- 2022-08-05 CN CN202210939792.3A patent/CN115201692A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
CN117554846A (zh) * | 2024-01-12 | 2024-02-13 | 烟台海博电气设备有限公司 | 计及约束条件的锂电池寿命预测方法及系统 |
CN117554846B (zh) * | 2024-01-12 | 2024-03-22 | 烟台海博电气设备有限公司 | 计及约束条件的锂电池寿命预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN115201692A (zh) | 一种锂电池剩余寿命分析预测方法 | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
CN110045292A (zh) | 基于大数据和bp神经网络的锂离子电池SOC预测方法 | |
CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN113030761A (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
CN112287597B (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN113884923A (zh) | 一种锂离子电池内阻筛选方法 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
CN116015209A (zh) | 一种光伏电站组件性能管理方法、系统、装置及存储介质 | |
CN117272783A (zh) | 一种基于云边协同多模型融合的动力电池寿命预测方法 | |
CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
Liu et al. | Prediction method for battery self-discharge voltage drop based on pre-classifier | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
CN114859249B (zh) | 一种电池包容量的检测方法和装置 | |
CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
CN113848493A (zh) | 基于机器学习的三元锂离子电池早期加速老化诊断方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221018 |