CN116027199B - 基于电化学模型参数辨识检测电芯全寿命内短路的方法 - Google Patents
基于电化学模型参数辨识检测电芯全寿命内短路的方法 Download PDFInfo
- Publication number
- CN116027199B CN116027199B CN202211582808.6A CN202211582808A CN116027199B CN 116027199 B CN116027199 B CN 116027199B CN 202211582808 A CN202211582808 A CN 202211582808A CN 116027199 B CN116027199 B CN 116027199B
- Authority
- CN
- China
- Prior art keywords
- electrochemical model
- voltage
- battery cell
- real
- diffusion coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009792 diffusion process Methods 0.000 claims abstract description 60
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000032683 aging Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 40
- 239000007790 solid phase Substances 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 18
- 239000007791 liquid phase Substances 0.000 claims description 17
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 16
- 229910001416 lithium ion Inorganic materials 0.000 claims description 16
- 239000003792 electrolyte Substances 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012528 membrane Substances 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 244000068988 Glycine max Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 150000001768 cations Chemical class 0.000 claims description 3
- 238000003411 electrode reaction Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 12
- 210000004966 intestinal stem cell Anatomy 0.000 description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 9
- 229910052744 lithium Inorganic materials 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 210000004379 membrane Anatomy 0.000 description 4
- 239000007772 electrode material Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000009830 intercalation Methods 0.000 description 3
- 239000007784 solid electrolyte Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000009831 deintercalation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Abstract
本发明涉及一种基于电化学模型参数辨识检测电芯全寿命内短路的方法，包括实时采集待检测电芯运行过程中的实时端电压与实时电流；将所述实时电流输入简化电化学模型中，得到仿真电压；构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与实时端电压的误差函数值，直至达到预设迭代次数，停止迭代；获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量，并分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
Description
技术领域
本发明涉及电池故障诊断技术领域，尤其是指一种基于电化学模型参数辨识检测电芯全寿命内短路的方法、装置、设备及应用。
背景技术
可再生能源的快速发展引发了锂离子电池(Lithium-Ion Battery，LIB)行业的繁荣，LIB的大规模运用凸显了维护电池安全的重要性，而热失控的主要原因是内部短路(Internal Short Circuit，ISC)。据调查，ISC导致56-90％的电池热失控。因此，为安全起见，建立ISC检测机制势在必行。ISC分为软ISC和硬ISC，早期检测ISC的必要性在于从软ISC到硬ISC往往需要很长的时间，因此及时检测ISC对于防范潜在的风险非常重要。
目前已经开发了许多方法来识别ISC，主要分为三个领域：端电压和表面温度监测；泄漏特征气体监测；电池内部状态监控。基于端电压和表面温度监测的检测措施是根据电池内部短路会破坏外部电压并提高电池整体温度的现象来检测的，但是该技术的缺点是很难检测出早期ISC。对于泄漏特征气体监测的措施，电池热失控过程中排出的气体成分非常复杂，因此很难确定特征气体以进行报警。基于电池内部状态监控的监测方案主要由三种内部参数组成：极化内阻，欧姆内阻和荷电状态。充电状态SOC为State of Charge，指电池中剩余电荷的可用状态。通过比较单个电池参数和平均参数来检测故障电池的方法特别受欢迎，因为其可将算法嵌入到电池管理系统(Battery Management System，BMS)中进行识别。
目前，针对电池内部短路的研究主要关注对新电池的研究，但由于电池老化本质上会引起参数变化，并且ISC的特性可能与老化电池相同，因此有必要研究其如何影响ISC各指标的有效性。首先，目前部分检测内短路的方法为通过记录各参数的变化情况是否达到阈值范围和出现时间，然后计算风险系数来判断内短路状况。但是内短路一般不是突然发生的，其从早期内短路到后期内短路会经过大量时间，现有的电池内短路检测方法只能根据阈值判断某一时刻是否发生内短路，不能对电池全寿命周期内的内短路程度进行检测。其次，部分方法通过测量电池充电过程中电压压降来判断电池的内短路情况。但是电池电压变化并不是线性的，中间有很长的平台时期，单单通过电压变化并不现实，且目前电池充电常以快充，即大电流为主，因此变化可能非常微小。还有部分研究通过电化学模型获取内阻来检测内短路，但是由于单体存在一致性问题，单一的内阻参数并不能准确有效的检测内短路。此外，目前用电化学模型辨识电池相关参数，进而评估电池内短路的方法非常少，也几乎没有老化电池的内短路研究。
综上，现有的电池内短路检测方法主要集中于对新电池的研究，且通过电化学模型辨识相关电池参数检测电池内短路的方法采用单一的内阻参数进行辨识，检测结果不准确。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中基于电化学模型检测电池内短路时参数单一、检测结果不准确的问题。
为解决上述技术问题，本发明提供了一种基于电化学模型参数辨识检测电芯全寿命内短路的方法，包括：
实时采集待检测电芯运行过程中的实时端电压与实时电流；
将所述实时电流输入简化电化学模型中，得到仿真电压；
构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；
获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；
将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；
根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
在本发明的一个实施例中，所述简化电化学模型的获取过程包括：
对电化学模型进行局部体积电流密度简化，得到平均局部正、负极平均局部体积电流密度：
其中，为负极平均局部体积电流密度，/>为正极平均局部体积电流密度；I(t)为实时电流，A为极片面积；下标p表示正极，n表示负极；Ln为负极厚度，Lp为正极厚度；
根据Butler-Volmer方程，简化正负极反应过电势之差：
其中，R为摩尔气体常数，T为温度，α为传递系数，F为法拉第常数，as,p为正颗粒的比表面积，as,n为负颗粒的比表面积，i0,p(t)为正极区域交换电流密度，i0,n(t)为负极区域交换电流密度；
由正极、负极和隔膜区域的液相电流密度分布和液相欧姆定律积分得到液相电势之差：
其中，t+为阳离子迁移数，ce为液相锂离子浓度，Ls为隔膜厚度，为负极区域电解液的有效离子电导率，/>为隔膜区域电解液的有效离子电导率，/>为正极区域电解液的有效离子电导率；
由固相锂离子浓度cs得到正负极平衡电位之差U(θp(x,t))-U(θn(0,t))：
其中，θp表示正极利用率，θn表示负极利用率，cs(r,t)表示固相浓度，x表示颗粒厚度坐标，r表示颗粒径向坐标，为体积平均固相浓度，cs,surf(t)为表面固相浓度，/>为体积平均浓度通量，Rs为固相颗粒半径，cs.max表示固相浓度的最大值，U(θp)表示正极开路电压，U(θn)表示负极开路电压。
在本发明的一个实施例中，所述将所述实时电流输入简化电化学模型中，得到仿真电压的表达式为：
其中，USP2D(t)为仿真电压，ΔU表示电压偏移量，ηp(L,t)-ηn(0,t)为过电势之差，φe(L,t)-φe(0,t)为液相电势之差，U(θp(x,t))-U(θp(0,t))为正负极平衡电位之差，RSEI表示SEI内阻，表示SEI压降。
在本发明的一个实施例中，所述正极扩散系数与所述负极扩散系数的求取公式为：
其中，Ds,p表示正极扩散系数，Ds,n表示负极扩散系数。
在本发明的一个实施例中，所述更新的仿真电压与所述实时端电压的误差函数表示为：
min(∑(USP2D-Umeasured)2)，
其中，USP2D为仿真电压，Umeasured为采集的实时端电压。
在本发明的一个实施例中，所述辨识算法包括遗传算法、蚁群算法与粒子群算法中的至少一种。
在本发明的一个实施例中，当辨识算法采用遗传算法时，包括：
获取简化电化学模型的初始参数，构建误差函数；
计算误差函数值，迭代优化所述简化电化学模型的初始参数；
直至迭代次数达到预设阈值，选取误差函数值最小时的简化电化学模型，作为目标简化电化学模型；
根据目标简化电化学模型的参数获取正极扩散系数、负极扩散系数、SEI内阻与电压偏移量。
本发明还提供了一基于电化学模型参数辨识检测电芯全寿命内短路的装置，应用于上述所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，包括：
模型简化模块，用于获取简化电化学模型，以便利用所述简化电化学模型根据实时电流获取仿真电压；
参数识别模块，用于构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；
内短路程度分析模块，用于将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
本发明还提供了一种基于电化学模型参数辨识检测电芯全寿命内短路的设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序实现如权利要求1至7任一项所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法。
本发明还提供了一种如上述所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法在电池故障诊断领域的应用。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法利用简化电化学模型与辨识算法获取待检测电芯当前的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量，将辨识的参数分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，可以准确判断所述待检测电芯的老化程度与内短路程度；本申请根据实时端电压和基于实时电流的仿真电压，构建误差函数，获取迭代优化过程中，误差函数值最小时的简化电化学模型的相关参数，并计算变化幅度，根据各参数的变化幅度，可实时判断待检测电芯全寿命周期的老化程度与内短路程度；本申请辨识出的参数呈现规律性，根据多种参数评估，检测结果误差小、效果好。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明实施例所提供的基于电化学模型参数辨识检测电芯全寿命内短路的方法的步骤示意图；
图2是本发明实施例所提供的利用遗传算法进行参数辨识的步骤示意图；
图3是本发明实施例所提供的基于电化学模型参数辨识检测电芯全寿命内短路的方法的数据处理示意图；
图4是本发明实施例所提供的内短路替代实验电路原理图；
图5的a为本发明实施例所提供的DST工况示意图，图5的b为本发明实施例所提供的FUDS工况示意图，图5的c为本发明实施例所提供的NEDC工况示意图；
图6是本发明实施例所提供的实际工况下的内短路检测步骤示意图；
图7是本发明实施例所提供的新电芯在DST工况下的辨识参数变化幅度示意图；
图8是本发明实施例所提供的新电芯在FUDS工况下的辨识参数变化幅度示意图；
图9是本发明实施例所提供的新电芯在NEDC工况下的辨识参数变化幅度示意图；
图10是本发明实施例所提供的DST工况下，老化程度为93％的电芯的辨识参数变化幅度示意图；
图11是本发明实施例所提供的DST工况下，老化程度为85％的电芯的辨识参数变化幅度示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
电芯内部的化学参数可以表征电芯的内部状态，可根据锂电芯内部化学参数的数值变化，分析判断锂电芯内部状态。当电芯老化时，正负极粒子表面SEI膜变厚，锂离子被消耗，电芯可用容量下降，内部扩散系数下降，内阻上升，容量减少，放电时电压下降速度变快。当电芯发生内短路时，电芯内部产生内部通道，锂离子被快速嵌入电极材料，容量下降，电芯内部扩散系数上升，内阻下降，放电时电压下降速度变快。本发明利用电池简化电化学模型，采用多个参数共同检测，即可以表征电芯内部状态，也可以化简计算，有助于快速辨识。
SEI(solid electrolyte interface)为固体电解质界面，就是具有固体电解质性质的钝化膜层。SEI是锂离子的优良导体，能够让锂离子在其中进行传输，进入到石墨表面，进行脱嵌锂工作；同时又是良好的电子绝缘体，能够有效的降低内部的短路概率，改善自放电；更为重要的是，能有效防止溶剂分子的共嵌入，避免了因溶剂分子共嵌入对电极材料造成的破坏；因而，大大提高了电极的循环性能和使用寿命。但是，SEI在形成过程中消耗了部分锂离子，使得首次充放电的不可逆容量增加,降低了电极材料的充放电效率。在循环过程中，SEI不断的增长，消耗电解液，会造成容量的加速衰减，SEI膜增加了界面的锂离子传输阻抗，降低了整个体系的动力学，因此可以反应电池的老化状况。
参照图1所示，为本发明实施例所提供的基于电化学模型参数辨识检测电芯全寿命内短路的方法的步骤示意图，具体步骤包括：
S1：实时采集待检测电芯运行过程中的实时端电压与实时电流；
S2：将所述实时电流输入简化电化学模型中，得到仿真电压；
S3：构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；
根据待检测电芯的实时端电压与仿真电压设置辨识算法误差函数，表示为：min(∑(USP2D-Umeasured)2)，也可以表示为max(-∑(Umeasured-USP2D)2)；其中，USP2D为仿真电压，Umeasured为通过传感器得到的实施端电压；
所述辨识算法包括遗传算法、蚁群算法与粒子群算法中的至少一种；
当辨识算法采用遗传算法进行参数辨识时，包括：获取简化电化学模型的初始参数，构建误差函数；计算误差函数值，迭代优化所述简化电化学模型的初始参数；直至迭代次数达到预设阈值，选取误差函数值最小时的简化电化学模型，作为目标简化电化学模型；根据目标简化电化学模型的参数获取正极扩散系数、负极扩散系数、SEI内阻与电压偏移量。
具体地，参照图2所示，利用遗传算法进行参数辨识包括：
S31：建立初始种群，假设种群数量为200，每个个体包含需要识别的参数，并计算误差函数值。
S32：对种群进行选择、交叉和变异操作，比如变异概率设置为0.1产生下一个种群，并计算更新的误差函数值；
S33：依次循环，直到迭代次数达到设定的最大迭代次数，如100次，并输出上一代种群中的最佳个体和对应的误差函数值；
S4：获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；
S5：将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；
S6：根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
具体地，在本发明实施例中，简化电化学模型的简化过程包括：
对电化学模型进行局部体积电流密度简化，得到平均局部正、负极平均局部体积电流密度：
其中，为负极平均局部体积电流密度，/>为正极平均局部体积电流密度；I(t)为实时电流，A为极片面积；下标p表示正极，n表示负极；Ln为负极厚度，Lp为正极厚度；
根据Butler-Volmer方程，简化正负极反应过电势之差：
其中，Butler-Volmer方程是描述电化学领域基本动力学关系的方程式，表征了电极上的电流如何随电极电势变化；R为摩尔气体常数，T为温度，α为传递系数，F为法拉第常数，as,p为正颗粒的比表面积，as,n为负颗粒的比表面积，i0,p(t)为正极区域交换电流密度，i0,n(t)为负极区域交换电流密度；
由正极、负极和隔膜区域的液相电流密度分布和液相欧姆定律积分得到液相电势之差：
其中，t+为阳离子迁移数，ce为液相锂离子浓度，Ls为隔膜厚度，为负极区域电解液的有效离子电导率，/>为隔膜区域电解液的有效离子电导率，/>为正极区域电解液的有效离子电导率；
由固相锂离子浓度cs得到正负极平衡电位之差U(θp(x,t))-U(θn(0,t))：
其中，θp表示正极利用率，θn表示负极利用率，cs(r,t)表示固相浓度，x表示颗粒厚度坐标，r表示颗粒径向坐标，为体积平均固相浓度，cs,surf(t)为表面固相浓度，/>为体积平均浓度通量，Rs为固相颗粒半径，cs.max表示固相浓度的最大值，U(θp)表示正极开路电压，U(θn)表示负极开路电压。
在本发明实施例中，简化电化学模型通过简化液相锂离子浓度，进一步求解液相电势的差异，进而简化固相锂离子扩散过程，得到简化的固相扩散浓度分布。总体而言，与P2D模型相比，SP2D模型能够在保持精度的基础上，大大简化求解精度，提高求解效率。
基于上述描述，利用简化电化学模型获取仿真电压的表达式为：
其中，USP2D(t)为仿真电压，ΔU表示电压偏移量，ηp(L,t)-ηn(0,t)为过电势之差，φe(L,t)-φe(0,t)为液相电势之差，U(θp(x,t))-U(θp(0,t))为正负极平衡电位之差，RSEI表示SEI内阻，表示SEI压降。
正极扩散系数与所述负极扩散系数的求取公式为：
其中，Ds,p表示正极扩散系数，Ds,n表示负极扩散系数。
本发明实施例还提供了一种基于电化学模型参数辨识检测电芯全寿命内短路的装置，应用于上述所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，包括：模型简化模块，用于获取简化电化学模型，以便利用所述简化电化学模型根据实时电流获取仿真电压；参数识别模块，用于构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；内短路程度分析模块，用于将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
本发明实施例还提供了一种基于电化学模型参数辨识检测电芯全寿命内短路的设备，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序实现如上述所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法。
在本发明的一个实施例中，为了增加辨识算法迭代简化电化学模型的收敛速度，在辨识前，为需要辨识的各个参数设置辨识范围，以三元电池为例，辨识范围如表1所示：
表1：参数辨识范围
| 参数 | 单位 | 范围 |
| Ds,n | m2/s | 1*10-14～1*10-12 |
| Ds,p | m2/s | 1*10-14～2*10-13 |
| RSEI | Ω | 0.01～0.02 |
| ΔU | V | -0.05～0.1 |
本发明实施例还提供了一种如上述所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法在电池故障诊断领域的应用，根据参数辨识得到的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量的变化幅度，评估电芯的老化程度与内短路程度。
在本发明的一个实施例中，为验证提出的基于简化电化学模型进行参数辨识进而诊断老化电芯内短路程度的能力，以遗传算法为例，设计内短路实验加以验证。考虑到针刺、挤压等内短路实验会对电芯造成不可逆损失，故采用内短路替代实验，选择可控的外短路实验来代替内短路，其操作简单，易于实验。本实施例所采用的内短路替代实验通过将特定电阻与电芯并联来模拟内短路，该特定电阻被视为等效内短路电阻RISC，且可以利用开关来控制内短路的开停。
在本发明的实施例中，内短路等效电阻RISC被引入以反应内短路严重程度。电芯正常工作时，RISC相当大，内短路电流极小可忽略。而当电芯发生内短路时，RISC会随着内短路加剧而减小。当RISC<10Ω时，内短路处于后期阶段，此时电芯端电压明显下降，内短路虽然可被快速准确地识别，但电芯温度会急剧上升，预留安全时间极短，易造成热失控，因此必须在此之前识别内短路。
具体地，本实施例对3节相同的“三星18650 20R”电芯以2A(1C)充电，DST工况放电，分别循环不同次数，使其达到不同的老化状态，其健康状态SOH依次为100％，93％，85％。电池健康状态SOH(state of health)表征当前电池相对于新电池存储电能的能力，以百分比的形式表示电池从寿命开始到寿命结束期间所处的状态，用来定量描述当前电池的性能状态。不同老化电芯最大可用容量与SOH如表2所示：
表2：不同老化程度电芯的最大可用容量与SOH
| 电芯 | 最大可用容量/Ah | SOH |
| B1 | 2.03 | 100％ |
| B2 | 1.88 | 93％ |
| B3 | 1.73 | 85％ |
参照图3所示，为本发明实施例所提供的基于电化学模型参数辨识检测电芯全寿命内短路的方法的数据处理示意图，利用简化电化学模型获取待检测锂电芯的仿真电压值；通过辨识算法，进行参数辨识；利用传感器获取实际工况下的待检测锂电芯的实时端电压，将实时端电压与仿真电压输入至辨识算法，根据辨识算法的误差函数，优化简化电化学模型，得到更新的仿真电压；选择误差函数值最小时，所对应的待检测锂电芯的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；根据辨识的多个参数，与预先获取的不同老化程度下电芯相关参数的预设绝对值进行比较，获取待检测锂电芯的老化程度与内短路状况。
具体地，在获取待检测锂电芯的实时端电压时，以图4所示的内短路替代实验电路原理图的连接方式将待检测锂电芯作为电芯接入电路中；参照图5所示，图5的a表示的是DST工况，是在《USABC电动汽车电池测试程序手册》中提到动态应力测试工况(DynamicStress Test，DST)；图5的b表示的是FUDS工况，是由美国联邦城市运行工况FUDS(TheFederal Urban Driving Schedule)简化而来；图5的c表示的是新标欧洲循环测试NEDC(New European Driving Cycle)工况，是欧洲的续航测试工况标准。对不同老化程度的电芯加载净放电电流为0.75C的如图5所示的三种工况，在三种工况下，将待检测锂电芯从满充静置30min后启动，直到达到截止电压2.5V。充放电实验启动前3s闭合开关触发内短路，分别设置内短路等效电阻RISC为100Ω，50Ω，20Ω，10Ω，不同的内短路等效电阻代表不同的内短路程度。
参照图6所示的检测步骤检测选定的待检测锂离子电芯，通过采集的实时端电压与实时电流建立Simulink电芯仿真模型，即简化电化学模型，以便利用Simulink电芯仿真模型获取仿真电压，并设定相关辨识参数的范围；进行实际工况的充放电测试，记录测试过程中的实时端电压与实时电流数据；选择辨识算法辨识电化学参数，利用辨识得到的电化学参数综合分析，确定待检测电芯的老化程度与内短路状况。
在本发明实施例中需要先获取新电芯在不同内短路程度下的辨识参数变化情况，以DST，FUDS和NEDC三种工况为例，参照图7是新电芯在DST工况下的辨识参数变化幅度示意图；参照图8是新电芯在FUDS工况下的辨识参数变化幅度示意图；参照图9是新电芯在NEDC工况下的辨识参数变化幅度示意图。
参照图10是本发明实施例所提供的DST工况下，老化程度为93％的电芯的辨识参数变化幅度示意图；参照图11是本发明实施例所提供的DST工况下，老化程度为85％的电芯的辨识参数变化幅度示意图；参照图10和图11可知，在同一种工况、同一老化程度下，随着内短路等效电阻变大，正极扩散系数的绝对值、负极扩散系数、SEI内阻的绝对值与电压偏移量均变小，即各参数变化幅度越大，内短路程度越严重。通过各辨识参数与新电芯各参数的标准值对比求得的参数变化幅度，即可判断电芯老化程度和内短路程度。对比图10与图11可知，老化程度为93％的电芯与老化程度为85％的电芯相比，在内短路等效电阻相同时，老化程度百分比越低的电芯，各参数变化幅度越明显。
本发明所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法利用电池简化电化学模型，即可以表征电芯内部状态，也可以化简计算，有助于快速辨识；利用简化电化学模型与辨识算法获取待检测电芯当前的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量，将辨识的参数分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，可以准确判断所述待检测电芯的老化程度与内短路程度；本申请根据实时端电压和基于实时电流的仿真电压，构建误差函数，获取迭代优化过程中，误差函数值最小时的简化电化学模型的相关参数，并计算变化幅度，根据各参数的变化幅度，可实时判断待检测电芯全寿命周期的老化程度与内短路程度；本申请辨识出的参数呈现规律性，采用多个参数共同检测提升检测准确度，避免电芯单体不一致性的影响；且根据多种参数评估，检测结果误差小、效果好。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，包括：
实时采集待检测电芯运行过程中的实时端电压与实时电流；
将所述实时电流输入简化电化学模型中，得到仿真电压；
构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；
获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；
将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；
根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
2.根据权利要求1所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，所述简化电化学模型的获取过程包括：
对电化学模型进行局部体积电流密度简化，得到平均局部正、负极平均局部体积电流密度：
其中，为负极平均局部体积电流密度，/>为正极平均局部体积电流密度；I(t)为实时电流，A为极片面积；下标p表示正极，n表示负极；Ln为负极厚度，Lp为正极厚度；
根据Butler-Volmer方程，简化正负极反应过电势之差：
其中，R为摩尔气体常数，T为温度，α为传递系数，F为法拉第常数，as,p为正颗粒的比表面积，as,n为负颗粒的比表面积，i0,p(t)为正极区域交换电流密度，i0,n(t)为负极区域交换电流密度；
由正极、负极和隔膜区域的液相电流密度分布和液相欧姆定律积分得到液相电势之差：
其中，t+为阳离子迁移数，ce为液相锂离子浓度，Ls为隔膜厚度，为负极区域电解液的有效离子电导率，/>为隔膜区域电解液的有效离子电导率，/>为正极区域电解液的有效离子电导率；
由固相锂离子浓度cs得到正负极平衡电位之差U(θp(x,t))-U(θn(0,t))：
其中，θp表示正极利用率，θn表示负极利用率，cs(r,t)表示固相浓度，x表示颗粒厚度坐标，r表示颗粒径向坐标，为体积平均固相浓度，cs,surf(t)为表面固相浓度，/>为体积平均浓度通量，Rs为固相颗粒半径，cs.max表示固相浓度的最大值，U(θp)表示正极开路电压，U(θn)表示负极开路电压。
3.根据权利要求2所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，所述将所述实时电流输入简化电化学模型中，得到仿真电压的表达式为：
其中，USP2D(t)为仿真电压，ΔU表示电压偏移量，ηp(L,t)-ηn(0,t)为过电势之差，φe(L,t)-φe(0,t)为液相电势之差，U(θp(x,t))-U(θp(0,t))为正负极平衡电位之差，RSEI表示SEI内阻，表示SEI压降。
4.根据权利要求2所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，所述正极扩散系数与所述负极扩散系数的求取公式为：
其中，Ds,p表示正极扩散系数，Ds,n表示负极扩散系数。
5.根据权利要求1所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，所述更新的仿真电压与所述实时端电压的误差函数表示为：
min(∑(USP2D-Umeasured)2)，
其中，USP2D为仿真电压，Umeasured为采集的实时端电压。
6.根据权利要求1所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，所述辨识算法包括遗传算法、蚁群算法与粒子群算法中的至少一种。
7.根据权利要求6所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，当辨识算法采用遗传算法时，包括：
获取简化电化学模型的初始参数，构建误差函数；
计算误差函数值，迭代优化所述简化电化学模型的初始参数；
直至迭代次数达到预设阈值，选取误差函数值最小时的简化电化学模型，作为目标简化电化学模型；
根据目标简化电化学模型的参数获取正极扩散系数、负极扩散系数、SEI内阻与电压偏移量。
8.一种基于电化学模型参数辨识检测电芯全寿命内短路的装置，应用于如权利要求1至7任一项所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法，其特征在于，包括：
模型简化模块，用于获取简化电化学模型，以便利用所述简化电化学模型根据实时电流获取仿真电压；
参数识别模块，用于构建所述仿真电压与实时端电流的误差函数，并利用辨识算法迭代优化所述简化电化学模型，得到更新的仿真电压；计算更新的仿真电压与所述实时端电压的误差函数值，直至达到预设迭代次数；获取误差函数值最小时，简化电化学模型中所对应的正极扩散系数、负极扩散系数、SEI内阻与电压偏移量；
内短路程度分析模块，用于将所述正极扩散系数、所述负极扩散系数、所述SEI内阻、所述电压偏移量，分别与相对应的标准参数进行比较，获取各参数的变化幅度；根据各参数的变化幅度与相对应的预设范围区间，判断所述待检测电芯的当前时刻的老化程度与内短路程度。
9.一种基于电化学模型参数辨识检测电芯全寿命内短路的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序实现如权利要求1至7任一项所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法。
10.一种如权利要求1至7任一项所述的基于电化学模型参数辨识检测电芯全寿命内短路的方法在电池故障诊断领域的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211582808.6A CN116027199B (zh) | 2022-12-08 | 2022-12-08 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211582808.6A CN116027199B (zh) | 2022-12-08 | 2022-12-08 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116027199A CN116027199A (zh) | 2023-04-28 |
| CN116027199B true CN116027199B (zh) | 2023-09-29 |
Family
ID=86075054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211582808.6A Active CN116027199B (zh) | 2022-12-08 | 2022-12-08 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116027199B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116794542B (zh) * | 2023-06-06 | 2024-01-16 | 东莞市腾威动力新能源有限公司 | 一种储能电池短路检测和保护的方法及系统 |
| CN116542118B (zh) * | 2023-06-08 | 2023-12-12 | 上海玫克生储能科技有限公司 | 热耦合电化学模型的电化学参数辨识系统及方法 |
| CN117542431B (zh) * | 2024-01-10 | 2024-03-19 | 清华四川能源互联网研究院 | 锂离子电池电解液电化学仿真参数测定方法及装置 |
| CN117590244A (zh) * | 2024-01-19 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 电池系统的仿真方法、装置、电子设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014086313A (ja) * | 2012-10-24 | 2014-05-12 | Calsonic Kansei Corp | 連続時間システムのパラメータ同定装置およびその同定方法 |
| CN106154172A (zh) * | 2016-06-17 | 2016-11-23 | 清华大学 | 锂离子动力电池内短路程度的定量估算方法 |
| CN106872905A (zh) * | 2017-02-23 | 2017-06-20 | 哈尔滨工业大学 | 一种单体锂离子全电池参数获取方法 |
| CN108241102A (zh) * | 2016-12-23 | 2018-07-03 | 华为技术有限公司 | 一种电池微短路的检测方法及装置 |
| KR20180082936A (ko) * | 2017-01-11 | 2018-07-19 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| CN108509762A (zh) * | 2018-03-29 | 2018-09-07 | 北京普莱德新能源电池科技有限公司 | 一种电池的物理化学变化性能参数模拟方法及装置 |
| CN108519555A (zh) * | 2018-04-11 | 2018-09-11 | 北京理工大学 | 一种锂离子电池的改进分数阶模型和参数辨识方法 |
| CN109143083A (zh) * | 2018-11-07 | 2019-01-04 | 重庆大学 | 一种数据驱动的电动车辆锂离子电池析锂诊断方法 |
| CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
| CN113791364A (zh) * | 2021-08-31 | 2021-12-14 | 上海交通大学 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
| CN113868934A (zh) * | 2021-10-25 | 2021-12-31 | 北京交通大学长三角研究院 | 一种并联锂离子电池电化学参数辨识方法 |
| CN114371416A (zh) * | 2021-12-27 | 2022-04-19 | 深圳市氢瑞燃料电池科技有限公司 | 一种燃料电池的寿命预测方法 |
| CN114784400A (zh) * | 2022-04-15 | 2022-07-22 | 苏州大学 | 一种二次电池与超级电容器混合储能系统快速充电方法 |
| CN114970376A (zh) * | 2022-07-29 | 2022-08-30 | 中国长江三峡集团有限公司 | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 |
| WO2022221598A2 (en) * | 2021-04-15 | 2022-10-20 | Cps Technology Holdings Llc | Intelligent lead-acid battery system and method of operating the same |
| CN115219905A (zh) * | 2022-06-15 | 2022-10-21 | 苏州大学 | 一种电池内短路在线检测方法、装置及存储介质 |
| CN115331743A (zh) * | 2022-08-05 | 2022-11-11 | 江苏大学 | 基于实验类比法的高倍率工况电化学模型建模方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8242738B2 (en) * | 2008-05-28 | 2012-08-14 | Texas Instruments Incorporated | Systems and methods for determining battery parameters following active operation of the battery |
| JP5815134B2 (ja) * | 2013-08-28 | 2015-11-17 | 株式会社日立製作所 | Ｌｉイオン電池の寿命予測方法及びシステム |
| US10330739B2 (en) * | 2016-08-24 | 2019-06-25 | The Boeing Company | Detecting internal short circuits in batteries |
-
2022
- 2022-12-08 CN CN202211582808.6A patent/CN116027199B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014086313A (ja) * | 2012-10-24 | 2014-05-12 | Calsonic Kansei Corp | 連続時間システムのパラメータ同定装置およびその同定方法 |
| CN106154172A (zh) * | 2016-06-17 | 2016-11-23 | 清华大学 | 锂离子动力电池内短路程度的定量估算方法 |
| CN108241102A (zh) * | 2016-12-23 | 2018-07-03 | 华为技术有限公司 | 一种电池微短路的检测方法及装置 |
| KR20180082936A (ko) * | 2017-01-11 | 2018-07-19 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
| CN106872905A (zh) * | 2017-02-23 | 2017-06-20 | 哈尔滨工业大学 | 一种单体锂离子全电池参数获取方法 |
| CN108509762A (zh) * | 2018-03-29 | 2018-09-07 | 北京普莱德新能源电池科技有限公司 | 一种电池的物理化学变化性能参数模拟方法及装置 |
| CN108519555A (zh) * | 2018-04-11 | 2018-09-11 | 北京理工大学 | 一种锂离子电池的改进分数阶模型和参数辨识方法 |
| CN109143083A (zh) * | 2018-11-07 | 2019-01-04 | 重庆大学 | 一种数据驱动的电动车辆锂离子电池析锂诊断方法 |
| CN110888057A (zh) * | 2019-11-27 | 2020-03-17 | 上海交通大学 | 一种动力锂离子电池电化学参数辨识方法及系统 |
| WO2022221598A2 (en) * | 2021-04-15 | 2022-10-20 | Cps Technology Holdings Llc | Intelligent lead-acid battery system and method of operating the same |
| CN113791364A (zh) * | 2021-08-31 | 2021-12-14 | 上海交通大学 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
| CN113868934A (zh) * | 2021-10-25 | 2021-12-31 | 北京交通大学长三角研究院 | 一种并联锂离子电池电化学参数辨识方法 |
| CN114371416A (zh) * | 2021-12-27 | 2022-04-19 | 深圳市氢瑞燃料电池科技有限公司 | 一种燃料电池的寿命预测方法 |
| CN114784400A (zh) * | 2022-04-15 | 2022-07-22 | 苏州大学 | 一种二次电池与超级电容器混合储能系统快速充电方法 |
| CN115219905A (zh) * | 2022-06-15 | 2022-10-21 | 苏州大学 | 一种电池内短路在线检测方法、装置及存储介质 |
| CN114970376A (zh) * | 2022-07-29 | 2022-08-30 | 中国长江三峡集团有限公司 | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 |
| CN115331743A (zh) * | 2022-08-05 | 2022-11-11 | 江苏大学 | 基于实验类比法的高倍率工况电化学模型建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| Investigation and comparison of the electrochemical impedance spectroscopy and internal resistance indicators for early-stage internal short circuit detection through battery aging;Ruifei Ma;《Journal of Energy Storage》(第54期);第1-15页 * |
| 基于锂离子电池简化电化学模型的参数辨识;康鑫;《储能科学与技术》;第9卷(第3期);第969-978页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116027199A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116027199B (zh) | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 | |
| Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
| Yao et al. | Fault detection of the connection of lithium-ion power batteries based on entropy for electric vehicles | |
| US9366732B2 (en) | Estimation of state-of-health in batteries | |
| US11623526B2 (en) | State of battery health estimation based on swelling characteristics | |
| CN111208439B (zh) | 一种串联锂离子电池组微短路故障定量检测方法 | |
| Zheng et al. | Lithium ion battery pack power fade fault identification based on Shannon entropy in electric vehicles | |
| CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
| CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
| US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
| Zheng et al. | Fault identification and quantitative diagnosis method for series-connected lithium-ion battery packs based on capacity estimation | |
| CN106707180A (zh) | 一种并联电池组故障检测方法 | |
| CN112632850A (zh) | 一种锂电池组中异常电池的检测方法及系统 | |
| CN112098875B (zh) | 锂离子电池析锂的检测方法 | |
| CN108363016B (zh) | 基于人工神经网络的电池微短路定量诊断方法 | |
| Sun et al. | State-of-health estimation of retired lithium-ion battery module aged at 1C-rate | |
| JP4107567B2 (ja) | リチウムイオン電池の劣化診断方法及びその劣化診断方法を内蔵した装置 | |
| CN113848479B (zh) | 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备 | |
| CN112776667B (zh) | 一种车端动力电池析锂在线监控方法 | |
| CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| Wang et al. | Battery pack topology structure on state-of-charge estimation accuracy in electric vehicles | |
| Cui et al. | Prediction model and principle of end-of-life threshold for lithium ion batteries based on open circuit voltage drifts | |
| Wang et al. | Quantitative diagnosis of the soft short circuit for LiFePO4 battery packs between voltage plateaus | |
| Cai et al. | D-ukf based state of health estimation for 18650 type lithium battery | |
| Yang et al. | Remaining Useful Life Prediction of Lithium-ion Batteries with Limited Degradation History Using Random Forest |
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 |