CN115901955A - 一种基于超声检测的锂离子电池荷电状态估算方法 - Google Patents
一种基于超声检测的锂离子电池荷电状态估算方法 Download PDFInfo
- Publication number
- CN115901955A CN115901955A CN202211690160.4A CN202211690160A CN115901955A CN 115901955 A CN115901955 A CN 115901955A CN 202211690160 A CN202211690160 A CN 202211690160A CN 115901955 A CN115901955 A CN 115901955A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- lithium ion
- curve
- amplitude
- 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
Images
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于超声检测的锂离子电池荷电状态估算方法，第一步骤，对正常状态的锂离子电池进行检测，获取锂离子电池在不同SOC下的声波信号；第二步骤，从声波信号中提取出幅值或渡越时间，绘制幅值_SOC曲线或渡越时间_SOC曲线，将其作为特征曲线，从而建立SOC声波预测模型；第三步骤，对待检测电池进行检测，获取待检测电池声波信号；第四步骤，从待检测电池声波信号中提取幅值或渡越时间，使用上述幅值_SOC曲线或渡越时间SOC曲线预测待检测电池SOC。上述检测方法能够准确预测锂离子电池SOC。
Description
技术领域
本发明涉及电池检测技术领域，特别是涉及一种基于超声检测的锂离子电池荷电状态估算方法。
背景技术
随着我国经济的快速发展，资源短缺问题逐渐成为重中之重，国家亟待发展各种新型能源，例如动力电池以及3C储能系统模块。锂离子电池具有能量密度大、循环性能好、自放电率低等优点，是非常具有应用前景的二次电池和化学储能电源，被广泛应用于新能源汽车、消费电子以及航空航天等领域。然而，在电池管理系统的诸多部分中，电池荷电状态SOC(State of Charge)的预测是最基本和最首要的任务，其预测的准确与否，会影响到电池管理系统的控制策略、方案及未来市场走向，从而影响电池性能的发挥。同时，SOC也是指导电池充电或放电过程的重要参数及核心指标，可以防止电池的过充和过放造成的永久性损坏，能够更好地保护电池。对于应用于新能源电动汽车的动力电池而言，通过正确地估算电池的SOC，充分利用电池的电能，可以使电动车的续航距离更长，同时能够延长电池的使用寿命，从而降低电池的使用成本，有效节省国家现有资源。因此，准确预测锂离子电池SOC是极其重要的。
现有锂离子电池的电荷状态(SOC)目前并无直接测量方法，目前主要通过电池端电压、充放电电流及内阻等参数来估算其大小。而这些参数还会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响，SOC作为BMS电池管理系统中重要的组成部分，其精准的监测手段已成为电动汽车发展中亟待解决的问题。
发明内容
针对上述技术问题，本发明提供了一种基于超声检测的锂离子电池荷电状态估算方法，改估算方法包括如下步骤：第一步骤，对正常状态的锂离子电池进行检测，获取锂离子电池在不同SOC下的声波信号；第二步骤，从声波信号中提取出幅值，绘制幅值_SOC曲线，将其作为特征曲线，从而建立SOC声波预测模型；第三步骤，对待检测电池进行检测，获取待检测电池声波信号；第四步骤，从待检测电池声波信号中提取幅值，使用上述幅值_SOC曲线预测待检测电池SOC。
优选地，在上述第二步骤中，同时提取渡越时间，绘制渡越时间_SOC曲线，将其作为特征曲线，从而建立SOC声波预测模型。
优选地，在上述第四步骤中，从待检测电池声波信号中提取渡越时间，使用上述渡越时间_SOC曲线预测待检测电池SOC。
优选地，幅值和渡越时间通过如下方式获得：
幅值为声波信号经过希尔伯特包络后的峰值；
渡越时间为时间差值，通过接收信号峰值对应的时刻减去激励信号峰值对应的时刻计算得到。
上述检测方法表明，超声无损检测方法在新能源动力电池状态参数的实时监测方面有较大应用潜力，可为锂离子电池的在线及离线状态综合评价提供新的研究路径，以丰富并健全当前动力电池性能监测与评价体系，对动力电池的安全评估及有效管理具有重要的推动作用。
附图说明
图1是本申请实施例中锂电池声学特征参数实验与理论对比
图2是本申请实施例中锂电池荷电状态反演表征结果
图3是本申请实施例中电压差分曲线与形变差分曲线在不同SOC下的对应关系
图4是本申请实施例的渡越时间-SOC曲线
图5是本申请实施例的幅值-SOC曲线
具体实施方式
下面将参照附图更详细地描述本申请公开的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请，而不应被这里阐述的具体实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请公开的范围完整的传达给本领域的技术人员。
搭建了依据超声波实验检测平台，将实验测量的超声波特征参数与理论结果进行了对比验证，如图1所示。此外，依据声学特征参数与锂离子电池运行状态的映射关系，结合最小二乘支持向量机与基于模拟退火的粒子群优化算法，发展了特色的锂离子电池运行状态自适应反演表征方法，以自主优化智能反演模型中的关键参数，提升锂离子电池状态参数反演模型的量化可靠性，反演结果如图2所示。
综合考虑SEI膜对锂离子电池容量衰减的影响，建立了基于多孔电极及浓溶液理论的锂离子电池准二维电化学仿真模型。其中，钴酸锂电池的电化学反应过程示意图如图2所示。同时，依据锂浓度、荷电状态与晶胞体积间的动态映射关系，实现不同荷电状态正负电极材料性能参数(密度、弹性模量及厚度膨胀量)的理论预估，如图2所示。
TOF范围可以集中存储和组合来生成动画层析扫描图像，这可以促进更好地可视化内部缺陷的渲染过程。
基于安时积分法的计算公式和当前电流计算得到电池SOC，并标记为当前计算SOC。优选的，所述安时积分法的计算公式的计算公式为：式中，SOCnow为当前计算SOC，SOCpast为初始SOC；I now为当前电流；Cmax为电池电容，t为电池充放电时长。
相比较反射信号，透射信号穿透了电池整体厚度，更能够反应内部变化情况，也是超声波检测电池状态最重要的研究对象。超声波透射信号的飞行时间(TOFTransmission)计算如下：
其中TOFOil_Front和TOFOil_Rear为超声波经过电池前表面一侧的硅油和后表面一侧的硅油所经历的时间。反射信号的飞行时间(TOFReflection)如下公式所示：
其中TOFForward和TOFBack分别为声波去程和返程所经历的时间，两者数值相等，且对应上述公式中的TOFOil_Front和TOFOil_Rear。根据反射信号的变化信息可以获得最真实的TOFBattery。
针对以上提出的推论，提出以下方案，包括：
(1)电池不同状态SOC下的声波获取：购买市面上多种类的锂电池，对其进行声波检测，之后将电池正常放电至不同的SOC状态，或者不同存放条件下存放足够的时间，在各个状态下进行声波检测，获取多组声波信号；
(2)模型的建立：从声波信号中提取出幅值或渡越时间，幅值为声波信号经过希尔伯特包络后的峰值，渡越时间为时间差值，通过接收信号峰值对应的时刻减去激励信号峰值对应的时刻计算得到；以SOC为自变量，幅值或渡越时间为因变量，绘制幅值_SOC曲线或渡越时间_SOC曲线，将其作为特征曲线，进而建立SOC声波预测模型；
(3)SOC的预测：利用步骤(2)中得到的声波预测模型，对即将出产的或待测的电池进行检测，获取电池的声波信号，进而提取信号幅值，使用幅值_SOC曲线预测电池的SOC状态，或通过声波信号获取渡越时间，使用渡越时间_SOC曲线预测电池的SOC状态。
图3所示，作为本发明的一个具体实施例，公开了一种基于超声检测对SOC初始状态预测预估方法，能够用于新能源领域中电池检测领域。
图3展示了电池充电过程中形变量对电量的微分结果(dD/dQ)和电压对电量微分(dV/dQ)的结果。DV曲线上的谷值意味着电池在该SOC状态时电压变化最小，电压曲线出现“平台”，表示电池中正负极活性材料正在经过的两相相变过程。DD曲线的峰值则代表该时刻电池内部材料晶格出现变化，应力平衡发生改变，导致膨胀速率最快，同样是处于两种物相交界面的特征表现。并拟合出渡越时间_SOC曲线，如图4所示。
三元电池主要包括三个相变过程，主要是石墨在Li0.09C6、Li0.33C6和Li0.5C6三个嵌锂状态下的相变位置。根据电池充放电过程的嵌锂量计算结果，以上三个相变时刻分别对应全电池的6.2％、40.5％和64.5％SOC。图3中黑色虚线标出了形变差分曲线峰值对应电芯差分曲线和SOC位置，可以看出形变差分曲线峰值与相变时刻对应准确，并且第二个和第三个峰与电压差分曲线在39％和66％SOC处的谷值处比较对应。说明反射信号可以很好的监测电池形变过程。并针对电池状态拟合出幅值_SOC曲线，如图5所示。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于超声检测的锂离子电池荷电状态估算方法，其特征在于，
第一步骤，对正常状态的锂离子电池进行检测，获取锂离子电池在不同SOC下的声波信号；
第二步骤，从声波信号中提取出幅值，绘制幅值-SOC曲线，将其作为特征曲线，从而建立SOC声波预测模型；
第三步骤，对待检测电池进行检测，获取待检测电池声波信号；
第四步骤，从待检测电池声波信号中提取幅值，使用上述幅值-SOC曲线预测待检测电池SOC。
2.如权利要求1所述的锂离子电池荷电状态估算方法，其特征在于，
在上述第二步骤中，同时提取渡越时间，绘制渡越时间-SOC曲线，将其作为特征曲线，从而建立SOC声波预测模型。
3.如权利要求2所述的锂离子电池荷电状态估算方法，其特征在于，
在上述第四步骤中，从待检测电池声波信号中提取渡越时间，使用上述渡越时间-SOC曲线预测待检测电池SOC。
4.如权利要求1-3中任一项所述的锂离子电池荷电状态估算方法，其特征在于，
幅值和渡越时间通过如下方式获得：
幅值为声波信号经过希尔伯特包络后的峰值；
渡越时间为时间差值，通过接收信号峰值对应的时刻减去激励信号峰值对应的时刻计算得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211690160.4A CN115901955A (zh) | 2022-12-27 | 2022-12-27 | 一种基于超声检测的锂离子电池荷电状态估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211690160.4A CN115901955A (zh) | 2022-12-27 | 2022-12-27 | 一种基于超声检测的锂离子电池荷电状态估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115901955A true CN115901955A (zh) | 2023-04-04 |
Family
ID=86484611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211690160.4A Pending CN115901955A (zh) | 2022-12-27 | 2022-12-27 | 一种基于超声检测的锂离子电池荷电状态估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901955A (zh) |
-
2022
- 2022-12-27 CN CN202211690160.4A patent/CN115901955A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stroe et al. | Lithium-ion battery state-of-health estimation using the incremental capacity analysis technique | |
| Sarmah et al. | A review of state of health estimation of energy storage systems: Challenges and possible solutions for futuristic applications of li-ion battery packs in electric vehicles | |
| CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
| US10859632B2 (en) | Secondary battery system and SOC estimation method for secondary battery | |
| CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
| JP6947014B2 (ja) | 二次電池システムおよび二次電池の制御方法 | |
| KR101619634B1 (ko) | 배터리 모델 파라미터를 이용한 배터리 성능상태 추정 시스템 및 그 방법 | |
| CN105304952A (zh) | 用于车辆控制的降阶电化学电池模型 | |
| Shi et al. | State-of-health estimation for lithium battery in electric vehicles based on improved unscented particle filter | |
| CN105320033A (zh) | 用于车辆控制的温度相关的电化学电池模型 | |
| JP7115439B2 (ja) | 二次電池システムおよび二次電池の内部状態推定方法 | |
| EP3594705B1 (en) | Method and device for estimating service capacity and state of health of minimum battery cell and battery system | |
| Zhang et al. | Modeling of back-propagation neural network based state-of-charge estimation for lithium-ion batteries with consideration of capacity attenuation | |
| Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
| CN105304965A (zh) | 基于降阶电化学模型的电池功率容量估计 | |
| CN103314303A (zh) | 用于测定蓄电池的开路电压的方法、具有用于测定开路电压的模块的蓄电池以及具有相应的蓄电池的机动车 | |
| CN112782599A (zh) | 锂离子电池无损析锂检测方法、装置及计算机设备 | |
| CN105291873A (zh) | 在用于车辆控制的电池模型中的金属离子浓度的插值 | |
| CN105866700A (zh) | 一种锂离子电池快速筛选的方法 | |
| CN113557439A (zh) | 用于估计电池的健康状态的方法 | |
| Sheikhan et al. | State of charge neural computational models for high energy density batteries in electric vehicles | |
| Kuchly et al. | Li-ion battery SOC estimation method using a neural network trained with data generated by a P2D model | |
| Marangoni | Battery management system for li-ion batteries in hybrid electric vehicles | |
| Huang et al. | Electrochemical model-based aging characterization of lithium-ion battery cell in electrified vehicles | |
| CN111257770A (zh) | 一种电池包功率估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230718 Address after: Room 102, Building 2, No. 2688 Xiangshan Road, Tangjiawan Town, High tech Zone, Zhuhai City, Guangdong Province, 519085 Applicant after: Qingneng Bochuang (Zhuhai) Technology Co.,Ltd. Address before: Room 301, 3rd Floor, Building B, Yard 31, Wangfu Street, Beiqijia Town, Changping District, Beijing, 102200 Applicant before: Xiang Yong |
|
| TA01 | Transfer of patent application right |