CN115327420A - 基于部分充电电压的退役电池余能快速准确估计方法及系统 - Google Patents
基于部分充电电压的退役电池余能快速准确估计方法及系统 Download PDFInfo
- Publication number
- CN115327420A CN115327420A CN202210967541.6A CN202210967541A CN115327420A CN 115327420 A CN115327420 A CN 115327420A CN 202210967541 A CN202210967541 A CN 202210967541A CN 115327420 A CN115327420 A CN 115327420A
- Authority
- CN
- China
- Prior art keywords
- battery
- residual energy
- model
- accurate
- rapid
- 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 60
- 230000036961 partial effect Effects 0.000 title claims abstract description 52
- 238000007600 charging Methods 0.000 title claims abstract description 46
- 230000000295 complement effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 17
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 15
- 229910052744 lithium Inorganic materials 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000009830 intercalation Methods 0.000 description 5
- 230000002687 intercalation Effects 0.000 description 5
- 238000010277 constant-current charging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012983 electrochemical energy storage Methods 0.000 description 4
- 239000007774 positive electrode material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 239000006104 solid solution Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000037427 ion transport Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000010450 olivine Substances 0.000 description 1
- 229910052609 olivine Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005502 phase rule Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于部分充电电压的退役电池余能快速准确估计方法及系统，属于新能源电动汽车等领域的电池健康状态管理等技术领域，其中，该方法包括：通过分析磷酸铁锂电池电极中的相变特性选择磷酸铁锂电池电极的单相区域(0～20％SOC)所对应的部分充电电压；利用Levenberg‑Marquardt方法对该部分充电电压进行参数辨识，获取表征电池容量损失机制的容量损失特征参数；构建余能快速准确估计模型；将容量损失特征参数对余能快速准确估计模型进行训练，得到QPSO‑SVR模型，以快速准确估计电池余能。该方法解决了退役电池余能检测时间长及余能估计不准确的问题，即缩短了退役电池余能检测时间又提高了余能估计精度。
Description
技术领域
本发明涉及新能源电动汽车、电化学储能等领域的电池健康状态管理等技术领域，特别涉及一种基于部分充电电压的退役电池余能快速准确估计方法及系统。
背景技术
能源紧缺和环境污染是人类备受关注的全球性问题，可再生清洁能源的提出成为解决这一问题的主要技术措施。这为新能源汽车与电化学储能提供了新契机。随着电池技术的不断进步以及成本的降低，以锂离子电池为主的电化学储能系统因其具备快速调度响应、高效率转换、高能量密度、长寿命循环等优势，成为目前最具规模化发展及应用的储能技术。
随着时间的推移，电池内部由于发生不可逆的物理化学反应导致电池性能下降。当容量降至标称容量的80％时，电池必须及时退役，否则会导致电池内部活性材料严重损失，引发内部短路，存在热失控的安全隐患。退役电池仍有较高的剩余容量，梯次利用是退役电池如何处理的最佳解决方案，可以避免资源浪费，延续可持续发展。而限制退役电池大规模梯次使用的瓶颈是退役电池余能检测时间长及余能估计不准确。因此，迫切需要开发一种既能缩短退役电池余能检测时间又能提高余能估计精度的有效方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于部分充电电压的退役电池余能快速准确估计方法，该方法既能缩短退役电池余能检测时间又能提高余能估计精度。
本发明的第二个目的在于提出一种基于部分充电电压的退役电池余能快速准确估计系统。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本发明一方面实施例提出了基于部分充电电压的退役电池余能快速准确估计方法，包括以下步骤：步骤S1，构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压；步骤S2，利用Levenberg-Marquardt方法对所述部分充电电压进行参数辨识，以提取容量损失特征参数；步骤S3，构建余能快速准确估计模型；步骤S4，将所述容量损失特征参数输入所述余能快速准确估计模型进行训练，利用训练后的余能快速准确估计模型对待测退役电池进行电池余能估计。
本发明实施例的基于部分充电电压的退役电池余能快速准确估计方法，解决了退役电池梯次大规模应用中退役电池余能检测时间长和余能估计精度低的瓶颈问题，其中通过利用部分恒流充电电压曲线而不是整个充电电压曲线，因此大大缩短了余能检测所需时间；通过利用QPSO算法优化SVR模型参数，得到模型最优解，解决了PSO算法易陷入局部最优解的问题，从而提高了余能估计精度。
另外，根据本发明上述实施例的基于部分充电电压的退役电池余能快速准确估计方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述端电压为：
U＝Up(SOCp)-Un(SOCn)+IRohm
其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，I为电流，Rohm为欧姆内阻。
进一步地，在本发明的一个实施例中，所述步骤S2具体包括：
步骤S201，将所述部分充电电压的电压曲线按0～100％SOC区间划分为十等分；
步骤S202，有序抽取两个点所构成一个区间，获得55组排列组合方式；
步骤S203，分别对所述55组排列组合方式进行特征参数分析，选取出单相区域0～20％SOC片段；
步骤S203，利用Levenberg-Marquardt方法对所述单相区域0～20％SOC片段进行参数辨识，提取所述容量损失特征参数。
进一步地，在本发明的一个实施例中，所述容量损失特征参数包括欧姆内阻Rohm、负极容量Qn和可循环锂损失的特征参数ΔSOCn。
进一步地，在本发明的一个实施例中，所述步骤S3具体包括：步骤S301，预设样本集D＝{(x1,y1),(x2,y2),K,(xn,yn)}，xi∈Rn为输入，yi∈R(i＝1,2,…,n)为输出，构建SVR模型；步骤S302，根据结构风险最小化原则将所述SVR模型等效求解凸优化问题；步骤S303，根据对偶原理在所述凸优化问题中引入拉格朗日乘数αi和
得到新凸优化问题；步骤S304，根据Mercer定理对新凸优化问题进行处理，得到更新后的SVR模型；步骤S305，利用量子粒子群优化算法对所述更新后的SVR模型进行优化，得到余能快速准确估计模型。
进一步地，在本发明的一个实施例中，所述更新后的SVR模型为：
其中，αi、
为拉格朗日乘数，KRBF(xi,x)为核函数，γ为核参数，xi为输入。
进一步地，在本发明的一个实施例中，所述步骤S4具体包括：步骤S401，将所述容量损失特征参数作为所述余能快速准确估计模型的输入，将所述容量损失特征参数对应的余量真值Qr作为所述余能快速准确估计模型的输出，构建数据集{Rohm，Qn，ΔSOCn，Qr}；步骤S402，将所述数据集{Rohm，Qn，ΔSOCn，Qr}划分为训练集和测试集，利用所述训练集对所述余能快速准确估计模型进行训练，获得QPSO-SVR模型；步骤S403，利用所述QPSO-SVR模型对所述待测退役电池进行电池余能估计。
为达到上述目的，本发明第二方面实施例提出了基于部分充电电压的退役电池余能快速准确估计系统，包括：选择模块，用于构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压；参数辨识模块，用于利用Levenberg-Marquardt方法对所述部分充电电压进行参数辨识，以提取容量损失特征参数；构建模块，用于构建余能快速准确估计模型。
为达到上述目的，本发明第三方面实施例提供一种计算机设备，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程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于部分充电电压的退役电池余能快速准确估计方法。
为达到上述目的，本发明第四方面实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的基于部分充电电压的退役电池余能快速准确估计方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例的基于部分充电电压的退役电池余能快速准确估计方法的流程图；
图2是本发明一个实施例的电压及电压导数变化曲线示意图；
图3是本发明一个实施例的余能快速准确估计框架示意图；
图4是本发明一个实施例的基于部分充电电压的退役电池余能快速准确估计系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于部分充电电压的退役电池余能快速准确估计方法及系统，首先将参照附图描述根据本发明实施例提出的基于部分充电电压的退役电池余能快速准确估计方法。
图1是本发明一个实施例的基于部分充电电压的退役电池余能快速准确估计方法的流程图。
如图1所示，该基于部分充电电压的退役电池余能快速准确估计方法包括以下步骤：
在步骤S1中，构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压。
具体地，电化学储能及新能源电动汽车用电池主要以锂离子电池为主，随着锂离子电池服务运行年份的增长，电池容量逐渐衰减(LLI)及活性材料损失(LAM)是导致容量损失的主要因素。电池容量损失机理模型参数变化能够表征电池容量衰减变化，通过构建电池容量损失机理模型中的端电压表达式为：
U＝Up(SOCp)-Un(SOCn)+IRohm (1)
其中，Up为正极电势，如公式(4)所示，SOCp为正极嵌锂率，如公式(2)所示，Un为负极电势，如公式(5)所示，SOCn为负极嵌锂率，如公式(3)所示，I为电流，Rohm为欧姆内阻，SOCp,0和SOCn,0分别为正极和负极充电初始嵌锂率；Qp和Qn分别为正极和负极容量。
机理模型参数的演变可以揭示电池容量损失机制。电池老化过程中，锂离子被固体电解质界面(SEI)膜增厚的副反应所消耗，导致LLI；增厚的SEI膜增加了锂离子传输的阻力，导致欧姆内阻Rohm增加。Qp和Qn的变化分别表示容量损失机制中正极活性材料(LAMPE)的损失和负极活性材料(LAMNE)的损失。当电池中发生活性锂离子损失时，正负极材料的可利用率降低，导致正负极电位发生相对平移。磷酸铁锂电池的正极材料是一种较为稳定的橄榄石结构，当电池容量损失20％时，正极材料没有明显的损失，因此本发明实施例只考虑LAMNE。当正负极电势曲线发生相对平移时，负极终止嵌锂率SOCn,1变化较为明显；负极初始嵌锂率SOCn,0几乎不受影响，因此设定经验值为1.2％。此时代表LLI的特征参数ΔSOCn可表达为
ΔSOCn＝SOCn,1-SOCn,0 (6)
通过以上分析，构建欧姆内阻Rohm，Qn以及ΔSOCn作为表征容量损失的特征参数，具体过程如下。
在步骤S2中，利用Levenberg-Marquardt方法对部分充电电压进行参数辨识，以提取容量损失特征参数。
进一步地，在本发明的一个实施例中，步骤S2具体包括：
步骤S201，将部分充电电压的电压曲线按0～100％SOC区间划分为十等分；
步骤S202，有序抽取两个点所构成一个区间，获得55组排列组合方式；
步骤S203，分别对55组排列组合方式进行特征参数分析，选取出单相区域0～20％SOC片段；
步骤S203，利用Levenberg-Marquardt方法对单相区域0～20％SOC片段进行参数辨识，提取容量损失特征参数，其中，容量损失特征参数包括欧姆内阻Rohm、负极容量Qn和可循环锂损失的特征参数ΔSOCn。
需要说明的是，恒流模式下完整充电电压的时间较长，无法实现对退役电池余能快速准确估计。因此本发明实施例分析了恒流充电模式的部分充电电压分布，提取了表征电池容量损失的健康指标，以实现对退役电池余能的快速准确估计。
具体地，如图2所示，绘制了电压、dU/dt和SOC的变化曲线，根据dU/dt曲线的变化，可将电压曲线分为三个区域：①0～20％SOC：充电初期，晶格内锂离子随机脱出，属于固溶体反应，此时电压升高；②20～80％SOC：随后形成Li1-βFePO4，进一步充电时，在Li1-βFePO4颗粒的外层形成LiαFePO4相，锂离子扩散过程同时伴随着界面移动的过程，两相界面明显，属于两相反应过程，电压恒定；③80～100％SOC：Li1-βFePO4相全部转化为LiαFePO4相后，进一步剥离锂离子的过程为固溶体反应过程，此时电压升高。现有技术表明LFP正极材料的充放电过程在富锂相和贫锂相间发生相变(例如，在充电过程中，正极从富锂相逐渐趋于欠锂相)。根据吉布斯相规则，单相区域的特征在于电位随锂浓度的变化而变化，而两相区域的电位是不变的呈现电压平台现象。
当使用Levenberg-Marquardt方法进行参数辨识时，dU/dt波动较大的区域(即单相区域①和③)更易于参数辨识，而趋于平缓区域(即两相区域②)则无法进行有效准确辨识。本发明实施例将整个充电电压曲线按0～100％SOC区间划分为十等分，然后有序抽取两个点所构成一个区间，比如从0％SOC开始，共有10个片段(0～10％SOC，0～20％SOC，……，0～100％SOC)。通过这种方式，共有55组排列组合方式，之后对每一组进行参数辨识。通过对特征参数的分析可知，从0～20％SOC，……，0～100％SOC中辨识结果较为准确，因此可选单相区域①(0～20％SOC)片段所对应的电压曲线进行参数辨识。
在步骤S3中，构建余能快速准确估计模型。
进一步地，在本发明的一个实施例中，步骤S3具体包括：
步骤S301，预设样本集D＝{(x1,y1),(x2,y2),K,(xn,yn)}，xi∈Rn为输入，yi∈R(i＝1,2,…,n)为输出，构建SVR模型；
步骤S302，根据结构风险最小化原则将SVR模型等效求解凸优化问题；
步骤S303，根据对偶原理在凸优化问题中引入拉格朗日乘数αi和
得到新凸优化问题；
步骤S304，根据Mercer定理对新凸优化问题进行处理，得到更新后的SVR模型；
步骤S305，利用量子粒子群优化算法对更新后的SVR模型进行优化，得到余能快速准确估计模型。
可以理解的是，支持向量回归(SVR)方法能够很好的解决非线性问题，故本发明实施例基于所提取的三个特征参数利用SVR方法实现余能快速准确估计。
具体地，对于预设样本集D＝{(x1,y1),(x2,y2),K,(xn,yn)}，xi∈Rn为输入，yi∈R(i＝1,2,…,n)为输出，构建SVR模型，表达式如下：
其中，ω为权重，
为非线性映射函数，b为偏置量。
根据结构风险最小化原则，f(x)可等效求解凸优化问题，表达式如下：
其中，约束条件为
式中ζ表示惩罚因子，ξi和
表示松弛变量，ε为回归允许的最大误差。为解决目标函数的最小化问题，根据对偶原理，引入拉格朗日乘数αi和
可得：
其中约束条件为：
根据Mercer定理，SVR表达式可更新为：
其中，αi、
为拉格朗日乘数，KRBF(xi,x)为核函数，γ为核参数，xi为输入。
为了优化决定SVR方法性能的核参数γ和惩罚因子ζ两个参数，采用量子粒子群优化(QPSO)算法对SVR模型参数进行优化，最终得到基于部分充电电压的余能快速准确估计框架，即余能快速准确估计模型，如图3所示。
在步骤S4中，将容量损失特征参数输入余能快速准确估计模型进行训练，利用训练后的余能快速准确估计模型对待测退役电池进行电池余能估计。
进一步地，在本发明的一个实施例中，步骤S4具体包括：
步骤S401，将容量损失特征参数作为余能快速准确估计模型的输入，将容量损失特征参数对应的余量真值Qr作为余能快速准确估计模型的输出，构建数据集{Rohm，Qn，ΔSOCn，Qr}；
步骤S402，将数据集{Rohm，Qn，ΔSOCn，Qr}划分为训练集和测试集，利用训练集对余能快速准确估计模型进行训练，获得QPSO-SVR模型；
步骤S403，利用QPSO-SVR模型对待测退役电池进行电池余能估计。
具体地，选取磷酸铁锂电池单相区域①(0～20％SOC)的电压片段，利用Levenberg-Marquardt方法将辨识得到的容量损失特征参数Rohm，Qn以及ΔSOCn作为步骤三所建立的QPSO-SVR余能快速准确估计模型的输入，所对应的余能真值Qr作为输出。将数据集{Rohm,Qn,ΔSOCn,Qr}分为训练集和测试集，训练集用来获得QPSO-SVR模型，再利用测试集进行验证。本发明结果可得仅选取单相区域①(0～20％SOC)的电压片段，即可实现退役电池余能快速准确估计，此外，所对应的余能测试时间仅需6～10分钟，进一步的缩短了退役电池大规模梯次利用进程。
综上，根据本发明实施例提出的基于部分充电电压的退役电池余能快速准确估计方法，解决了退役电池梯次大规模应用中退役电池余能检测时间长和余能估计精度低的瓶颈问题，其中通过利用部分恒流充电电压曲线而不是整个充电电压曲线，因此大大缩短了余能检测所需时间；通过利用QPSO算法优化SVR模型参数，得到模型最优解，解决了PSO算法易陷入局部最优解的问题，从而提高了余能估计精度。
其次参照附图描述根据本发明实施例提出的基于部分充电电压的退役电池余能快速准确估计系统。
图4是本发明一个实施例的基于部分充电电压的退役电池余能快速准确估计系统的结构示意图。
如图4所示，该系统10包括：选择模块100、参数辨识模块200、构建模块300和估计模块400。
其中，选择模块100用于构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压。参数辨识模块200用于利用Levenberg-Marquardt方法对部分充电电压进行参数辨识，以提取容量损失特征参数。构建模块300用于构建余能快速准确估计模型。估计模块400用于将容量损失特征参数输入余能快速准确估计模型进行训练，利用训练后的余能快速准确估计模型对待测退役电池进行电池余能估计。
需要说明的是，前述对基于部分充电电压的退役电池余能快速准确估计方法实施例的解释说明也适用于该实施例的系统，此处不再赘述。
根据本发明实施例提出的基于部分充电电压的退役电池余能快速准确估计系统，解决了退役电池梯次大规模应用中退役电池余能检测时间长和余能估计精度低的瓶颈问题，其中通过利用部分恒流充电电压曲线而不是整个充电电压曲线，因此大大缩短了余能检测所需时间；通过利用QPSO算法优化SVR模型参数，得到模型最优解，解决了PSO算法易陷入局部最优解的问题，从而提高了余能估计精度。
为了实现上述实施例，本发明还提出了一种计算机设备，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程序，所述处理器执行所述计算机程序时，实现如前述实施例所述的基于部分充电电压的退役电池余能快速准确估计方法。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的基于部分充电电压的退役电池余能快速准确估计方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，包括以下步骤：
步骤S1，构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压；
步骤S2，利用Levenberg-Marquardt方法对所述部分充电电压进行参数辨识，以提取容量损失特征参数；
步骤S3，构建余能快速准确估计模型；
步骤S4，将所述容量损失特征参数输入所述余能快速准确估计模型进行训练，利用训练后的余能快速准确估计模型对待测退役电池进行电池余能估计。
2.根据权利要求1所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述端电压为：
U＝Up(SOCp)-Un(SOCn)+IRohm
其中，Up为正极电势，SOCp为正极嵌锂率，Un为负极电势，SOCn为负极嵌锂率，I为电流，Rohm为欧姆内阻。
3.根据权利要求1所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述步骤S2具体包括：
步骤S201，将所述部分充电电压的电压曲线按0～100％SOC区间划分为十等分；
步骤S202，有序抽取两个点所构成一个区间，获得55组排列组合方式；
步骤S203，分别对所述55组排列组合方式进行特征参数分析，选取出单相区域0～20％SOC片段；
步骤S203，利用Levenberg-Marquardt方法对所述单相区域0～20％SOC片段进行参数辨识，提取所述容量损失特征参数。
4.根据权利要求3所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述容量损失特征参数包括欧姆内阻Rohm、负极容量Qn和可循环锂损失的特征参数ΔSOCn。
5.根据权利要求1所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述步骤S3具体包括：
步骤S301，预设样本集D＝{(x1,y1),(x2,y2),K,(xn,yn)}，xi∈Rn为输入，yi∈R(i＝1,2,…,n)为输出，构建SVR模型；
步骤S302，根据结构风险最小化原则将所述SVR模型等效求解凸优化问题；
步骤S303，根据对偶原理在所述凸优化问题中引入拉格朗日乘数αi和
得到新凸优化问题；
步骤S304，根据Mercer定理对新凸优化问题进行处理，得到更新后的SVR模型；
步骤S305，利用量子粒子群优化算法对所述更新后的SVR模型进行优化，得到余能快速准确估计模型。
6.根据权利要求1所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述更新后的SVR模型为：
其中，αi、
为拉格朗日乘数，KRBF(xi,x)为核函数，γ为核参数，xi为输入。
7.根据权利要求1所述的基于部分充电电压的退役电池余能快速准确估计方法，其特征在于，所述步骤S4具体包括：
步骤S401，将所述容量损失特征参数作为所述余能快速准确估计模型的输入，将所述容量损失特征参数对应的余量真值Qr作为所述余能快速准确估计模型的输出，构建数据集{Rohm，Qn，ΔSOCn，Qr}；
步骤S402，将所述数据集{Rohm，Qn，ΔSOCn，Qr}划分为训练集和测试集，利用所述训练集对所述余能快速准确估计模型进行训练，获得QPSO-SVR模型；
步骤S403，利用所述QPSO-SVR模型对所述待测退役电池进行电池余能估计。
8.一种基于部分充电电压的退役电池余能快速准确估计系统，其特征在于，包括：
选择模块，用于构建电池容量损失机理模型中的端电压对磷酸铁锂电池进行分析，选择单相区域所对应的部分充电电压；
参数辨识模块，用于利用Levenberg-Marquardt方法对所述部分充电电压进行参数辨识，以提取容量损失特征参数；
构建模块，用于构建余能快速准确估计模型；
估计模块，用于将所述容量损失特征参数输入所述余能快速准确估计模型进行训练，利用训练后的余能快速准确估计模型对待测退役电池进行电池余能估计。
9.一种计算机设备，其特征在于，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程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的基于部分充电电压的退役电池余能快速准确估计方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的基于部分充电电压的退役电池余能快速准确估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210967541.6A CN115327420A (zh) | 2022-08-12 | 2022-08-12 | 基于部分充电电压的退役电池余能快速准确估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210967541.6A CN115327420A (zh) | 2022-08-12 | 2022-08-12 | 基于部分充电电压的退役电池余能快速准确估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115327420A true CN115327420A (zh) | 2022-11-11 |
Family
ID=83923797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210967541.6A Pending CN115327420A (zh) | 2022-08-12 | 2022-08-12 | 基于部分充电电压的退役电池余能快速准确估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115327420A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242212A (zh) * | 2015-09-28 | 2016-01-13 | 哈尔滨工业大学 | 用于电池梯次利用的磷酸铁锂电池健康状态特征参数提取方法 |
| CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
| CN108493908A (zh) * | 2018-03-09 | 2018-09-04 | 三峡大学 | 一种考虑通信约束的区域保护分区算法 |
| CN110567909A (zh) * | 2019-09-10 | 2019-12-13 | 福建中烟工业有限责任公司 | 一种检测诱捕器芯片中性外激素含量的方法 |
| CN113792503A (zh) * | 2021-09-15 | 2021-12-14 | 中国船舶重工集团公司第七0三研究所 | 一种船用燃气轮机低压压气机低工况级间放气防喘方法 |
| CN114264968A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于电压增速异常特征的电池早期加速衰竭故障诊断方法及系统 |
| CN114264967A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
-
2022
- 2022-08-12 CN CN202210967541.6A patent/CN115327420A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242212A (zh) * | 2015-09-28 | 2016-01-13 | 哈尔滨工业大学 | 用于电池梯次利用的磷酸铁锂电池健康状态特征参数提取方法 |
| CN107092744A (zh) * | 2017-04-16 | 2017-08-25 | 北京工业大学 | 基于emd‑svr的地表沉降量预测方法 |
| CN108493908A (zh) * | 2018-03-09 | 2018-09-04 | 三峡大学 | 一种考虑通信约束的区域保护分区算法 |
| CN110567909A (zh) * | 2019-09-10 | 2019-12-13 | 福建中烟工业有限责任公司 | 一种检测诱捕器芯片中性外激素含量的方法 |
| CN113792503A (zh) * | 2021-09-15 | 2021-12-14 | 中国船舶重工集团公司第七0三研究所 | 一种船用燃气轮机低压压气机低工况级间放气防喘方法 |
| CN114264968A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于电压增速异常特征的电池早期加速衰竭故障诊断方法及系统 |
| CN114264967A (zh) * | 2021-12-14 | 2022-04-01 | 哈尔滨工业大学 | 基于容量损失机理的退役电池余能快速估计方法及系统 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| "磷酸铁锂电池梯次利用健康特征参数提取方法", 电工技术学报, vol. 33, no. 1, 10 January 2018 (2018-01-10), pages 9 - 16 * |
| NI YULONG 等: "Rapid estimation of residual capacity for retired LiFePO4 batteries using voltage interval at low state of charge", ENERGY STORAGE MATERIALS, vol. 55, 6 December 2022 (2022-12-06) * |
| 徐佳宁: "基于特征提取的退役电池健康状态快速评价方法研究", 工程科技II辑, 15 February 2022 (2022-02-15), pages 28 - 50 * |
| 徐佳宁: "退役动力电池早期过充电故障诊断方法", 太阳能, no. 5, 28 May 2022 (2022-05-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A single particle model with chemical/mechanical degradation physics for lithium ion battery State of Health (SOH) estimation | |
| Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
| Li et al. | Reduced-order electrochemical model for lithium-ion battery with domain decomposition and polynomial approximation methods | |
| Chen et al. | A novel data-driven method for mining battery open-circuit voltage characterization | |
| Zhou et al. | Remaining useful life estimation of lithium-ion cells based on k-nearest neighbor regression with differential evolution optimization | |
| Li et al. | On state-of-charge determination for lithium-ion batteries | |
| Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
| Merla et al. | Novel application of differential thermal voltammetry as an in-depth state-of-health diagnosis method for lithium-ion batteries | |
| Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
| Ouyang et al. | A dynamic capacity degradation model and its applications considering varying load for a large format Li-ion battery | |
| Fernández et al. | Capacity fade and aging models for electric batteries and optimal charging strategy for electric vehicles | |
| KR102634816B1 (ko) | 배터리의 전하 균형을 탐지하는 배터리 모니터링 장치 및 방법 | |
| Yang et al. | State of charge estimation for pulse discharge of a LiFePO4 battery by a revised Ah counting | |
| Merla et al. | An easy-to-parameterise physics-informed battery model and its application towards lithium-ion battery cell design, diagnosis, and degradation | |
| CN114065552B (zh) | 一种量化分析电池性能的方法、装置及电子设备 | |
| CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
| EP3145021B1 (en) | Secondary-battery monitoring device and method for predicting capacity of secondary battery | |
| CN109143108A (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
| CN103412264B (zh) | 蓄电池组内单体电池一致性的评价方法 | |
| CN105911476B (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
| CN109716152A (zh) | 用于估计电池的电压的方法和装置 | |
| CN113255205B (zh) | 基于电动汽车电池的生命周期成本和电池温度优化方法 | |
| Zhang et al. | Lithium-ion battery calendar aging mechanism analysis and impedance-based State-of-Health estimation method | |
| Lin et al. | Estimating the state of health of lithium-ion batteries based on a probability density function | |
| Lin et al. | State of health estimation of lithium-ion batteries based on remaining area capacity |
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 |