CN116068408A - 电池老化数据确定方法、装置、计算机设备和存储介质 - Google Patents
电池老化数据确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116068408A CN116068408A CN202310201289.2A CN202310201289A CN116068408A CN 116068408 A CN116068408 A CN 116068408A CN 202310201289 A CN202310201289 A CN 202310201289A CN 116068408 A CN116068408 A CN 116068408A
- Authority
- CN
- China
- Prior art keywords
- aging
- model
- target
- battery
- data
- 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
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池老化数据确定方法、装置、计算机设备和存储介质。该方法包括:获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。整个方案,通过将老化模型与电化学模型进行耦合,得到的目标老化模型可以有效反映电池在实际老化过程中的物理变化过程,因此,根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
Description
技术领域
本申请涉及电池领域,特别是涉及一种电池老化数据确定方法、装置、计算机设备和存储介质。
背景技术
以锂离子电池为代表的电池作为储能载体得到了广泛应用,比如手机、笔记本电脑、医疗器械、电动汽车、储能电站、信号基站等。为了保证电池安全高效的工作,一般都会配有电池管理系统(Battery Management System,BMS)对电池进行状态估计、故障诊断和电量均衡等管理。电池的老化特征计算也是电池管理系统中的一个重要应用。
目前的电池老化特征计算方法主要基于经验模型来预测电池老化过程中的容量损失,但是由于经验模型并不能准确描述电池老化过程的真实物理过程,因此,目前的电池老化数据计算方法准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种准确的电池老化数据确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电池老化数据确定方法。所述方法包括:
获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
上述实施例中,通过将老化模型与电化学模型进行耦合,得到的目标老化模型可以有效反映电池在实际老化过程中的物理变化过程,因此,根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在其中一个实施例中,所述获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,包括:
获取目标电池的老化模型,以及与所述老化模型对应的老化特征参数;
将所述老化模型与所述电化学模型进行耦合,获得耦合老化模型;
确定所述老化特征参数在所述耦合老化模型中的最优值,获得所述目标电池的老化特征参数值。
上述实施例中,将电化学模型与目标电池的老化模型进行耦合,得到的耦合老化模型可以有效反映电池在实际老化过程中物理变化过程,然后,基于耦合老化模型来确定老化特征参数值,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在其中一个实施例中,所述确定所述老化特征参数在所述耦合老化模型中的最优值,获得所述目标电池的老化特征参数值,包括:
获取所述目标电池在不同工况下的老化样本数据;
确定所述老化模型对应的老化特征参数的初始值,并将所述老化特征参数的初始值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的初始老化模型;
基于所述不同工况下的老化样本数据,对所述初始老化模型中的老化特征参数的参数值进行校正,获得所述目标电池的老化特征参数值。
上述实施例中,通过给老化特征参数赋初始值,进而得到初始老化模型,再基于不同工况下的老化样本数据来对初始老化模型中的老化特征参数进行校正,根据真实的样本数据可以快速得到老化特征参数的最优值,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在其中一个实施例中,所述基于所述不同工况下的老化样本数据,对所述初始老化模型中的老化特征参数的参数值进行校正,获得所述目标电池的老化特征参数值,包括:
基于所述初始老化模型进行老化数据计算处理,获得所述目标电池的仿真老化数据;
确定所述老化样本数据与对应工况的所述仿真老化数据的误差值;
若所述误差值大于或等于第一预设误差阈值,基于所述误差值校正所述初始老化模型中所述老化特征参数的参数值,并返回基于所述初始老化模型进行老化数据计算处理,获得所述目标电池的仿真老化数据的步骤,直至确定的所述误差值小于所述第一预设误差阈值,并将最新的所述老化特征参数的参数值,确定为所述目标电池的老化特征参数值。
上述实施例中,通过老化样本数据与对应工况的所述仿真老化数据的误差值对老化特征参数进行迭代更新,使得校正后的老化特征参数可以更加准确反映电池老化过程,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在其中一个实施例中,所述确定所述老化模型对应的老化特征参数的初始值,包括:
将传输线模型与所述目标电池的老化模型进行耦合,获得参考老化模型;
基于所述参考老化模型进行老化数据计算处理,获得所述目标电池的参考老化数据;
确定所述老化样本数据与对应工况的所述参考老化数据的误差值;
若所述误差值大于或等于第二预设误差阈值,基于所述误差值校正所述参考老化模型中所述老化特征参数的参数值,并返回基于所述参考老化模型进行老化数据计算处理,获得所述目标电池的参考老化数据的步骤,直至确定的所述误差值小于所述第二预设误差阈值,并将最新的所述老化特征参数的参数值,确定为所述老化模型对应的老化特征参数的初始值。
上述实施例中,基于传输线模型和老化模型耦合得到的参考老化模型,可以快速地确定准确的老化特征参数的初始值,进而提高老化特征参数值确定的效率,进一步提升目标老化数据确定的效率。
在其中一个实施例中,所述电化学模型包括P2D模型,所述获取目标电池的耦合老化模型,包括:
将所述P2D模型与所述目标电池的老化模型进行耦合,获得所述目标电池的耦合老化模型。
上述实施例中,首选通过快速且准确地确定老化调整参数的初始值,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在其中一个实施例中,所述获取目标电池的老化模型,包括:
获取目标电池的老化样本数据;
对所述老化样本数据进行数据分析,得到老化数据变化量;
选取所述老化数据变化量大于预设变化阈值的老化样本数据,得到目标老化样本数据;
基于所述目标老化样本数据,从多个老化模型中选择所述目标电池的老化模型。
上述实施例中,通过对老化样本数据进行分析,得到老化数据变化量,进而根据老化数据变化量准确选择与电池老化过程匹配的老化模型,进而可以准确构建目标老化模型,基于目标老化模型进行准确的目标老化数据计算。
在其中一个实施例中,所述基于所述目标老化样本数据,从多个老化模型中选择所述目标电池的老化模型,包括:
基于所述目标老化样本数据,从SEI成膜模型、SEI溶解破碎模型、溶剂消耗模型、温度变化模型中选取至少一个模型,得到所述目标电池的老化模型。
上述实施例中,可根据不同电芯各个效应影响的强弱,删除次要模块,增加参数提取速度,模块化灵活耦合方式,提升模型更新变更灵活性。根据目标老化样本数据来动态调整耦合老化模型,进而可以准确构建目标老化模型,基于目标老化模型进行准确的目标老化数据计算。
在其中一个实施例中,所述获取目标电池的老化模型,以及与所述老化模型对应的老化特征参数,包括:获取目标电池的SEI成膜模型、所述SEI成膜模型对应的SEI扩散系数;
所述将所述老化模型与所述电化学模型进行耦合,获得耦合老化模型,包括:将所述SEI成膜模型与电化学模型进行耦合,获得耦合老化模型。
上述实施例中,基于SEI成膜模型与电化学模型耦合得到的耦合老化模型来对老化数据进行计算,可以准确反映扩散系数对老化数据的影响,进而得到更加准确的扩散系数,进而基于准确的扩散系数进行老化数据计算,可以得到更加准确的目标老化数据。
第二方面,本申请还提供了一种电池老化数据确定装置。所述装置包括:
第一获取模块,用于获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
第二获取模块,用于将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
计算模块,用于基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
上述电池老化数据确定方法、装置、计算机设备、存储介质和计算机程序产品,获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,其中,耦合老化模型是通过将电化学模型与目标电池的老化模型进行耦合获得的;将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。整个方案,通过将老化模型与电化学模型进行耦合,得到的目标老化模型可以有效反映电池在实际老化过程中的物理变化过程,因此,根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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为一个实施例中电池老化数据确定方法的应用环境图;
图2为一个实施例中电池老化数据确定方法的流程示意图;
图3为另一个实施例中电池老化数据确定方法的流程示意图;
图4为一个实施例中老化特征参数值确定方法的流程示意图;
图5为另一个实施例中老化特征参数值确定方法的流程示意图;
图6为一个实施例中老化特征参数的初始值确定方法的流程示意图;
图7为一个实施例中OCV曲线示意图;
图8为另一个实施例中OCV曲线示意图;
图9为一个实施例中容量衰减曲线示意图;
图10为一个实施例中电阻变化示意图;
图11为又一个实施例中电阻变化示意图;
图12为又一个实施例中电阻变化示意图;
图13为又一个实施例中电阻变化示意图;
图14为一个实施例中寿命预测结果示意图;
图15为又一个实施例中电池老化数据确定方法的流程示意图;
图16为一个实施例中电池老化数据确定装置的结构框图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前的电池老化数据确定方法,主要通过经验模型或者半经验模型来描述电池日历老化过程中的容量损失,电池老化数据确定首先需要对老化参数进行提取,但是目前的老化参数提取过程,往往混合了多种效应影响,无法准确获得单一的电池老化参数。目前基于经验、半经验模型的老化数据计算方法无法准确描述电池真实的老化过程,提取出的参数往往只适用于单一日历、循环老化过程描述,不适用于复杂或者复合工况下电池老化数据计算。在寿命预测过程中,往往需要长周期(大于2个月)的样本数据输入,才能获得较为准确的预测结果。基于经验、半经验模型的老化数据计算方法在老化参数校正过程中,针对长周期寿命预测,预测结果不准确。
在采用半经验公式描述日历老化过程中的容量损失的方法中,由于半经验模型不能够反应容量衰减的真实物理过程,往往需要较长时间的测试数据,才能获得较好的预测效果;并且由于容量损失计算过程与电池底层机理的偏离,常出现长周期预测发散的情况,对电池日历老化长期预测效果有限,难以做到全生命周期的准确预测。由于与真实物理变化过程脱离,该方法往往仅能预测单一日历老化过程,其获取的参数不具备通用性,在电池循环能力预测时,往往会出现失真。
本申请发明人深入研究发现,传统电池老化测试过程中由于是采用简单的老化模型来预测单一日历老化过程,其与真实物理变化过程脱离,导致无法实现准确的电池老化数据计算。针对此情况,本申请发明人经过深入研究发现,可以通过将电化学模型与老化模型耦合,来准确反映电池老化过程的真实物理变化过程,可以准确提高老化数据计算的准确性,不仅适用于日历老化过程寿命预测,还适用于循环及复杂工况寿命预测。在此发明构思的基础上,本申请发明人提出可以先获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,其中,耦合老化模型是通过将电化学模型与目标电池的老化模型进行耦合获得的;然后,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;最后,基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。在上述电池老化数据确定方法中,通过将老化模型与电化学模型进行耦合,得到的目标老化模型可以有效反映电池在实际老化过程中的物理变化过程,因此,根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
本申请实施例提供的电池老化数据确定方法,可以应用于如图1所示的应用环境中。其中,用户102在终端104上进行操作,终端104通过网络与服务器106进行通信。数据存储系统可以存储服务器106需要处理的数据。数据存储系统可以集成在服务器106上,也可以放在云上或其他网络服务器上。用户102在终端104的显示界面确定目标电池的耦合老化模型,以及目标电池的老化特征参数值,终端104获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。或者,用户102在终端104的显示界面触发电池老化数据确定操作,终端104响应电池老化数据确定操作,根据电池老化数据确定操作获取目标电池标识,从本地的数据库或者远程服务器106中获取目标电池标识对应的耦合老化模型、以及目标电池的老化特征参数值,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。其中,终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备,物联网设备可为智能电视、智能车载设备等。服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例以电池的存储老化过程为例来说明本申请所提供的电池老化数据确定方法,其他老化过程的具体实现过程本申请实施例不作限定。
在一个实施例中,如图2所示,提供了一种电池老化数据确定方法,以该方法应用于图1中的终端104为例进行说明,包括以下步骤:
步骤200,获取目标电池的耦合老化模型,以及目标电池的老化特征参数值。
其中,耦合老化模型是通过将电化学模型与目标电池的老化模型进行耦合获得的。老化特征参数值为耦合老化模型中电池老化特征参数对应的参数值。目标电池指的是需要确定老化数据的电池,可以为不同类型的电池,即不同电芯类型的电池。不同电芯类型的电池的老化模型不同,不同电芯类型电池的耦合老化模型也不同,老化特征参数与老化模型对应,因此,不同电芯类型电池的老化特征参数值不同。
电池的老化包括存储老化以及循环老化,电池的老化模型描述电池在存储老化或者循环老化过程中老化数据随时间的变化关系,老化数据包括容量、电阻、电压、膨胀力等。老化数据随时间的变化关系包括容量随时间变化关系、电阻随时间变化关系、电压随时间变化关系、膨胀力随时间变化关系等。老化模型包括SEI(Solid Electrolyte Interface,固体电解质界面)成膜模型、SEI溶解破碎模型、溶剂消耗模型、温度变化模型、膨胀力模型、以及正负极材质损失模型等。老化特征参数指的是对电池老化过程有影响的参数,老化特征参数包括SEI扩散系数、SEI反应速率常数、SEI破碎因子、正负极效率、LAM(loss ofactive material,正极或负极活性材料损失)材质损失率、电解液损失转换系数等。
电化学模型指的是对电池的电芯层级中的物理变化过程进行仿真的模型。电化学仿真模型包括P2D模型、单颗粒模型、集总模型、传输线模型等。
具体地,用户向终端发送电池老化数据确定请求,电池老化数据确定请求中携带目标电池的耦合老化模型,以及目标电池的老化特征参数值。终端侦听并响应电池老化数据确定请求,对电池老化数据计算确定进行解析,得到目标电池的耦合老化模型,以及目标电池的老化特征参数值。其中,电池老化数据确定请求还可以携带目标电池标识,在电池老化数据确定请求携带目标电池标识的情况下,根据目标电池标识从终端本地的数据库或者远程服务器获得与目标电池标识对应的目标电池的耦合老化模型,以及目标电池的老化特征参数值。
步骤400,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型。
具体地,当目标电池的耦合老化模型中的老化特征参数的参数值确定后,即可得到目标电池的目标老化模型。
步骤600,基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。
具体地,终端获取目标电池的电化学参数,将电化学参数输入目标老化模型中进行计算,得到电池的目标老化数据。电化学参数可以包括但不限于电极材料、电解液浓度、体积分数、扩散系数、电导率、多孔电极颗粒物半径等中的一种或多种。
上述电池老化数据确定方法中,获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,其中,耦合老化模型是通过将电化学模型与目标电池的老化模型进行耦合获得的;然后,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;最后,基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。整个方案,通过将老化模型与电化学模型进行耦合,得到的目标老化模型可以有效反映电池在实际老化过程中的物理变化过程,因此,根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在一些可选的实施例中,如图3所示,获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,包括:
步骤220,获取目标电池的老化模型,以及与老化模型对应的老化特征参数。
具体地,终端确定目标电池的电芯类型,电芯类型也可以为电芯体系或者电芯材料等,根据电芯类型获取与电芯类型对应的老化模型,并提取老化模型中对电池老化有影响的老化特征参数。
步骤240,将老化模型与电化学模型进行耦合,获得耦合老化模型。
具体地,老化模型中包括电池老化特征的描述方程,将老化模型中电池老化过程中的老化数据与电化学模型中的过程参数连接,即终端将老化数据与电化学模型中的老化数据对应的参数进行关联,考虑电池真实物理变化过程对老化数据的影响,得到耦合老化模型。
步骤260,确定老化特征参数在耦合老化模型中的最优值,获得目标电池的老化特征参数值。
其中,老化特征参数在耦合老化模型中的最优值即为目标电池的老化特征参数值。
具体地,基于寻优算法,确定老化特征参数在耦合老化模型中的最优值,然后得到目标电池的老化特征参数值。寻优算法可以为牛顿算法、自动退火算法、贝叶斯算法等寻优算法,本实施例在此不作限定。基于寻优算法来校正老化特征参数,可以提高老化特征参数的校正速率,进而提升老化数据计算的效率。
上述实施例中,将电化学模型与目标电池的老化模型进行耦合,得到的耦合老化模型可以有效反映电池在实际老化过程中物理变化过程,然后,基于耦合老化模型来确定老化特征参数值,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高老化数据确定的准确性。
在一些可选的实施例中,如图4所示,确定老化特征参数在耦合老化模型中的最优值,获得目标电池的老化特征参数值,包括:
步骤262,获取目标电池在不同工况下的老化样本数据。
其中,老化样本数据指的是电池在老化过程中OCV曲线(open circle potential开路电压)、DCR(Directive Current Resistance,直流阻抗)、容量衰减等变化数据。老化样本数据中包括多种老化数据在老化过程中的变化数据,基于存储老化实验或者循环老化实验得到。本实施例以电池存储老化过程为例对电池老化数据计算过程进行描述,不同工况指的是不同温度以及不同SOC(State of Charge,电池荷电状态,即剩余电量),老化样本数据表征不同温度以及不同SOC下电池在存储老化过程中的容量变化、充放电区间变化、电压-容量曲线变化以及电阻变化等数据。
具体地,用户向终端发送电池老化数据确定请求,电池老化数据确定请求中携带目标电池的老化模型、与老化模型对应的老化特征参数以及不同工况下的老化样本数据,然后从中提取目标电池在不同工况下的老化样本数据。终端侦听并响应电池老化数据确定请求,对电池老化数据确定请求进行解析,得到目标电池的老化模型、与老化模型对应的老化特征参数以及不同工况下的老化样本数据,然后从中提取目标电池在不同工况下的老化样本数据。其中,电池老化数据确定请求还可以携带目标电池标识,在电池老化数据确定请求携带目标电池标识的情况下,根据目标电池标识从终端本地的数据库或者远程服务器获得目标电池的老化模型、与老化模型对应的老化特征参数以及不同工况下的老化样本数据。
进一步地,终端还可以先根据目标电池标识获取目标电池的老化模型,根据老化模型获取老化特征参数以及该老化模型对应的不同工况下的老化样本数据。
步骤264,确定老化模型对应的老化特征参数的初始值,并将老化特征参数的初始值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的初始老化模型。
其中,初始老化模型指的是老化特征参数未进行寻优时的耦合老化模型。
具体地,终端可以获取本地或者远程服务器中存储的老化模型对应的老化特征参数的经验值,将老化特征参数的经验值作为老化特征参数的初始值,然后,再将老化特征参数的初始值作为耦合老化模型中对应的老化特征参数的参数值,得到目标电池的初始老化模型,进而提高校正效率。
终端在目标电池的老化模型对应的老化特征参数的经验值的情况下,还可以直接用默认值,作为老化特征参数的初始值,然后,再将老化特征参数的初始值作为耦合老化模型中对应的老化特征参数的参数值,得到目标电池的初始老化模型。默认值的具体数值,本实施例在此不作限定。
步骤266,基于不同工况下的老化样本数据,对初始老化模型中的老化特征参数的参数值进行校正,获得目标电池的老化特征参数值。
具体地,基于寻优算法以及不同工况下的老化样本数据,对初始老化模型中的老化特征参数的参数值进行校正,确定老化特征参数在初始老化模型中的最优值,然后得到目标电池的老化特征参数值。
上述实施例中,通过给老化特征参数赋初始值,进而得到初始老化模型,再基于不同工况下的老化样本数据来对初始老化模型中的老化特征参数进行校正,根据真实的样本数据可以快速得到老化特征参数的最优值,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在一些可选的实施例中,如图5所示,基于不同工况下的老化样本数据,对初始老化模型中的老化特征参数的参数值进行校正,获得目标电池的老化特征参数值,包括:
步骤2662,基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据。
其中,仿真老化数据表征在对老化特征参数进行校正的过程中仿真得到的老化数据。
具体地,终端获取目标电池的电化学参数,将电化学参数输入初始老化模型中进行计算,得到目标电池的仿真老化数据。
步骤2664,确定老化样本数据与对应工况的仿真老化数据的误差值。
具体地,终端获取当前电池工况对应的老化样本数据,将老化样本数据与仿真老化数据中同一老化数据进行误差计算,综合多个老化数据的误差值,得到目标误差值。进一步地,可以将多个老化数据的误差值累加,得到目标误差值,也可以将多个老化数据的误差值计算平均值,得到目标误差值。老化数据可以为OCV曲线、DCR、容量衰减等变化数据。
步骤2666,若误差值大于或等于第一预设误差阈值,基于误差值校正初始老化模型中老化特征参数的参数值,并返回基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据的步骤,直至确定的误差值小于第一预设误差阈值,并将最新的老化特征参数的参数值,确定为目标电池的老化特征参数值。
具体地,终端判断误差值与第一预设误差值之间的大小关系,若误差值大于或等于第一预设误差阈值,表明当前的初始老化模型还不准确,即初始老化模型中的老化特征参数值还不是最优值,然后,基于误差值校正初始老化模型中老化特征参数的参数值,并返回基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据的步骤,继续基于寻优算法进行迭代优化,直至确定的误差值小于第一预设误差阈值,停止迭代,并将最新的老化特征参数的参数值,确定为目标电池的老化特征参数值。
上述实施例中,通过老化样本数据与对应工况的仿真老化数据的误差值对老化特征参数进行迭代更新,使得校正后的老化特征参数可以更加准确反映电池老化过程,可以提高老化特征参数值的准确性,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在一些可选的实施例中,如图6所示,确定老化模型对应的老化特征参数的初始值,包括:
步骤2642,将传输线模型与目标电池的老化模型进行耦合,获得参考老化模型。
其中,电化学模型包括传输线模型以及P2D模型。在传输线模型中,电极表面电流密度均由巴特勒-福尔默方程得到:
(1)
其中,为交换电流密度,和分别为阳极和阴极反应速率常数,和分别为阳极和阴极的传递系数,为电极反应过电位,
R为气体常数,
T为温度,
F为法拉第常数,为固相浓度。
引入传输线模型等效电路描述系统的电学状态,对该等效电路模型使用基尔霍夫定律,得到矩阵化后的模型,可用如下矩阵方程描述:
(2)
其中、和分别为体系的电流、电阻、电压组成的矩阵,在每个时间步中,和已知,即可求得,表示该时间步时的体系电流状态。
P2D模型包括固液相扩散模型以及电荷转移模型。将电池仿真计算过程分成固液相扩散过程的计算和电子传输过程的计算。固液相扩散模型用于计算电池仿真过程中锂离子的固相浓度变化和液相浓度变化,电子传输模型用于计算电池仿真过程中锂离子的固相以及液相的电流、电压以及电阻等电学状态信息。
由菲克定律来描述扩散过程,即认为由扩散引起的摩尔通量与浓度梯度成正比,空间上的某一点的浓度的变化率与浓度的空间二阶导数成正比。固相浓度表达式如下:
(3)
其中为固相浓度,
t为时间步,为扩散系数,
r为固相颗粒半径方向上的位置,
j为表面电流密度,
F为法拉第常数,
R为固相颗粒半径。
液相扩散过程由如下液相浓度表达式计算得到,考虑了锂离子在厚度方向上的扩散过程和电迁移过程:
(4)
其中,为对应区域的孔隙率,为液相浓度,
x为厚度方向上的位置,为有效液相扩散系数,为锂离子在电解液中的离子迁移数,
a为固相颗粒比表面积,为该点的浓度通量,
L为极片总厚度。
电荷转移模型中电极表面电流密度均由巴特勒-福尔默方程(1)得到:
电荷转移模型仿真液相电导与电迁移过程,由欧姆定律和基尔霍夫定律计算电池体系中的各个位置的电势和电流,电荷转移计算主要包括以下控制方程:
(5)
其中和分别为固相和液相的有效电导率,和分别为固相和液相的电位。
通过基于菲克定律进行扩散浓度计算可提高浓度计算的准确性,并通过基于欧姆定律和基尔霍夫定律进行电学状态信息计算,可提高电学状态信息计算的准确性,提高了电池仿真精度。
具体地,在对老化特征参数初始值确定的过程中,可以将传输线模型与目标电池的老化模型进行耦合,得到参考老化模型。
步骤2644,基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据。
进一步地,将老化特征参数以及电池的电化学参数输入参考老化模型中进行计算,得到参考老化数据。
步骤2646,确定老化样本数据与对应工况的参考老化数据的误差值。
具体地,终端获取当前电池工况对应的老化样本数据,将老化样本数据与参考老化数据中同一老化数据进行误差计算,综合多个老化数据的误差值,得到参考模型误差值。进一步地,可以将多个老化数据的误差值累加,得到参考模型误差值,也可以将多个老化数据的误差值计算平均值,得到参考模型误差值。老化数据可以为OCV曲线、DCR、容量衰减等变化数据。
步骤2648,若误差值大于或等于第二预设误差阈值,基于误差值校正参考老化模型中老化特征参数的参数值,并返回基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据的步骤,直至确定的误差值小于第二预设误差阈值,并将最新的老化特征参数的参数值,确定为老化模型对应的老化特征参数的初始值。
其中,第一预设误差阈值大于或者等于第二预设误差阈值。
具体地,终端判断误差值与第二预设误差值之间的大小关系,若误差值大于或等于第二预设误差阈值,表明当前的参考老化模型还不准确,即参考老化模型中的老化特征参数值还不是最优值,然后,基于误差值校正参考老化模型中老化特征参数的参数值,并返回基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据的步骤,继续基于寻优算法进行迭代优化,直至确定的误差值小于第二预设误差阈值,停止迭代,并将最新的老化特征参数的参数值,确定为老化模型对应的老化特征参数的初始值。
上述实施例中,基于传输线模型和老化模型耦合得到的参考老化模型,可以快速地确定准确的老化特征参数的初始值,进而提高老化特征参数值确定的效率,进一步提升目标老化数据确定的效率。
在一些可选的实施例中,获取目标电池的耦合老化模型,包括:将P2D模型与目标电池的老化模型进行耦合,获得目标电池的耦合老化模型。
其中,电化学模型包括P2D模型。
具体地,首先基于参考老化模型快速且准确地确定老化特征参数的初始值,然后将P2D模型与目标电池的老化模型进行耦合,得到目标电池的耦合老化模型,再基于P2D模型与老化模型耦合得到的精准的耦合老化模型对老化特征参数进行寻优,可以更加准确地确定老化特征参数值。
上述实施例中,首选通过快速且准确地确定老化调整参数的初始值,进而根据目标电池的耦合老化模型以及老化特征参数值得到的目标老化模型,基于目标老化模型进行老化数据计算处理,可以显著提高目标老化数据确定的准确性。
在一些可选的实施例中,获取目标电池的老化模型,包括:获取目标电池的老化样本数据;对老化样本数据进行数据分析,得到老化数据变化量;选取老化数据变化量大于预设变化阈值的老化样本数据,得到目标老化样本数据;基于目标老化样本数据,从多个老化模型中选择目标电池的老化模型。
具体地,在选取老化模型的过程中,主要提取目标电池的电芯在老化过程中主要反应过程作为老化模型。首先通过存储老化实验或者循环老化实验获取电池的老化样本数据。然后计算老化样本数据中每一老化数据在老化过程中的变化量,得到老化数据变化量;之后,将老化数据变化量与预设变化阈值进行比较,选取老化数据变化量大于预设变化阈值的老化样本数据,得到目标老化样本数据。基于目标老化样本数据,从多个老化模型中选择可以准确反应目标老化样本数据变化过程的老化模型,并获取老化模型对应的老化特征参数。在具体实施中,老化模型也可由工作人员根据电芯类型来选择不同的老化模型。
上述实施例中,通过对老化样本数据进行分析,得到老化数据变化量,进而根据老化数据变化量准确选择与电池老化过程匹配的老化模型,进而可以准确构建目标老化模型,基于目标老化模型进行准确的目标老化数据计算。
在一个可选的实施例中,基于目标老化样本数据,从多个老化模型中选择目标电池的老化模型,包括:
基于目标老化样本数据,从SEI成膜模型、SEI溶解破碎模型、溶剂消耗模型、温度变化模型中选取至少一个模型,得到目标电池的老化模型。
其中,老化模型包括SEI溶解破碎模型、溶剂消耗模型、温度变化模型、膨胀力模型、以及正负极材质损失模型等,描述电池老化过程中于正极相变过程造成的材质损失,负极基于溶剂分子扩散、反应、溶剂化碱金属离子的电迁移过程平衡的SEI成膜过程,SEI溶解破碎过程,负极材质损失过程,溶剂消耗过程,电池老化过程中的膨胀力增长,温度影响的副反应过程的加速等。
SEI溶解破碎过程简化方程如下:
(6)
其中,表示末期15天斜率,
A表示负极颗粒总表面积,表示破碎因子。
正、负极存储材质损失过程方程如下:
(7)
其中,表示正负极效率,LAM为材质损失率。
溶剂消耗过程方程如下:
(8)
其中,电解液注液量,正负极与隔膜总孔隙体积,根据正负极体积、隔膜体积与孔隙率计算获得,锂损失电解液损失转换系数,容量跳水时活性锂损失量。
温度变化方程如下:
(9)
通过简化扩散系数、材质损失率,溶解系数不同温度简化公式拟合后,根据阿雷尼乌斯公式计算活化能。在对老化特征参数校正过程中,还可以根据温度变化方程来对活化能参数进行调整,进而得到更加准确的老化特征参数,提取非常温下的老化数据计算结果。
具体的,终端基于目标老化样本数据,从SEI溶解破碎模型、溶剂消耗模型、温度变化模型、膨胀力模型、以及正负极材质损失模型中选取对电池老化过程影响大的至少一个模型,得到电池的老化模型。
上述实施例中,可根据不同电芯各个效应影响的强弱,删除次要模块,增加参数提取速度,模块化灵活耦合方式,提升模型更新变更灵活性。根据目标老化样本数据来动态调整耦合老化模型,进而可以准确构建目标老化模型,基于目标老化模型进行准确的目标老化数据计算。
在一些可选的实施例中,获取目标电池的老化模型,以及与老化模型对应的老化特征参数,包括:获取目标电池的SEI成膜模型、SEI成膜模型对应的SEI扩散系数;基于此,将老化模型与电化学模型进行耦合,获得耦合老化模型,包括:将SEI成膜模型与电化学模型进行耦合,获得耦合老化模型。
其中,老化模型包括SEI成膜模型。老化特征参数包括SEI扩散系数。
具体地,当电池老化过程中SEI成膜过程变化明显时,选择SEI成膜模型作为老化模型,然后提取SEI成膜模型对应的SEI扩散系数(即电化学模型中的扩散系数)作为老化特征参数,同时,获取不同温度以及SOC下OCV曲线、DCR、容量衰减等变化数据作为老化样本数据。然后通过SEI扩散系数将老化模型与电化学模型进行耦合,得到耦合老化模型。
SEI成膜模型的描述公式如下:
(10)
其中,表示SEI扩散系数,CSEI表示Li损失,为固相浓度,
t为时间步,
R为气体常数,
T为温度,
a为固相颗粒比表面积,EC( ethylene carbonate,碳酸乙烯酯)表示EC分子浓度,
Ea表示活化能,
n表示单位体积内的负极颗粒数。
然后,可以根据OCV曲线拟合获取的Li损失CSEI并拟合获取SEI扩散系数初值。将SEI扩散系数输入目标老化模型中进行计算,得到仿真老化数据。
上述实施例中,基于SEI成膜模型与电化学模型耦合得到的耦合老化模型来对老化数据进行计算,可以准确反映扩散系数对老化数据的影响,进而得到更加准确的扩散系数,进而基于准确的扩散系数进行老化数据计算,可以得到更加准确的目标老化数据。
在一个应用实施例中,选取目标电池,通过存储实验测量,获得了目标电池电芯不同温度存储条件下,不同日历老化天数下该电芯的OCV曲线,容量电压曲线等,得到老化样本数据。在数据测量过程中,每5天进行一次小倍率OCV测量、DCR测量和EIS(electrochemical impedance spectroscopy,电化学阻抗谱)测量。得到的OCV曲线如图7和图8所示,容量衰减曲线如图9所示。
选择正负极材质损失模块,电解液损失模块、膨胀力模块、析锂模块、SEI生长模块与P2D电化学模块耦合,组成基本的目标老化模型。获取电芯基本电化学参数,输入目标老化模型,计算过程中,由于该款电芯老化过程主要由SEI生长过程占主导,因此选择校正该款电芯的EC分子在SEI中的扩散系数和SEI生成反应的反应速率常数。
根据SEI成膜模型方程拟合获取该电芯扩散系初值Ds=5.3×e-22m2/s,而反应常数初值则选取校正程序默认初值k = 1.0×e-5。
由于待校正参数较少,选择模拟退火算法作为参数寻优算法,计算过程选择实验容量作为寻优参照变量。
耦合参数老化模型和电化学模型计算获得初步结果,例如在此过程中,SEI计算模块会计算溶剂分子在SEI中的扩散过程与反应过程。
SEI溶剂扩散过程遵循菲克定律,方程如下:
(11)
其中,表示SEI生成的摩尔量(即,SEI生成过程中锂离子消耗的摩尔量),
A表示负极颗粒总表面积,表示扩散系数,表示溶剂体相浓度,表示溶剂在颗粒表面的浓度,
l表示SEI厚度。
SEI溶剂反应过程,即溶剂在负极颗粒表面的反应遵循塔菲尔方程,方程如下:
(12)
其中,表示SEI副反应反应速率常数,
R为气体常数,
T为温度,表示交换系数,为电极反应过电位。
获取溶剂分子在SEI生成过程中的消耗,碱金属离子消耗,SEI膜的增厚,并获取膜阻抗Rct的变化。这些参数会与电解液浸润与消耗、膨胀力模块耦合,获取电解液剩余量,与膨胀力模块耦合,计算极片膨胀后,在夹具夹紧力的作用下的厚度变化。通过耦合的P2D模型,计算获得更新后的电池容量,电阻等数据,同时计算获得的电化学参数,如阳极电位等,又会作为参数输入到SEI等模块中进行计算和参数更新。在老化参数更新过程中,电阻变化如图10-图13所示。
在耦合的老化模型和电化学模型不断迭代计算后,可以获得老化后电池的OCV曲线及电池容量曲线。
选择的寻优算法会以选择的参照参数电池容量与实验值的误差为目标函数判断结果是否为最优解且各参照变量小于预设误差阈值,在为最优解且误差小于预设误差阈值情况下,终端会输出最优特征参数,与最优计算结果,否则根据寻优规则修改老化特征参数值后,重新进行迭代计算,直到结果满足寻优条件。在该实施例下,通过模拟退火算法判断电池仿真容量与计算容量间误差达到最小值,并且平均误差小于0.5%,达到可接受范围,输出老化特征参数值Ds=6.82×e-22m2/s,k= 9.27×e-4,将老化特征参数值存储至数据库。
基于校正后的老化特征参数以及目标老化模型进行老化数据计算,得到的容量衰减结果。
相似计算过程在其他体系电芯中同样获得良好的参数提取与校正效果,辨识出的参数均具备长期寿命预测能力。图14为另一体系利用日历老化过程辨识出的参数,横轴表示循环次数,在长期循环寿命预测过程中,也获得了良好预测效果。在相同电芯和相近电芯下验证长期预测效果,将符合预期的参数载入数据库。
为了易于理解本申请实施例提供的技术方案,如图15所示,以一个实施例中的具体的电池老化数据计算过程对本申请实施例提供的电池老化数据计算方法进行简要说明:
步骤1501,获取目标电池的老化模型,以及与老化模型对应的老化特征参数。
步骤1502,将P2D模型与目标电池的老化模型进行耦合,获得目标电池的耦合老化模型。
步骤1503,获取目标电池在不同工况下的老化样本数据。
步骤1504,将传输线模型与目标电池的老化模型进行耦合,获得参考老化模型。
步骤1505,基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据。
步骤1506,确定老化样本数据与对应工况的参考老化数据的误差值。
步骤1507,若误差值大于或等于第二预设误差阈值,基于误差值校正参考老化模型中老化特征参数的参数值,并返回基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据的步骤,直至确定的误差值小于第二预设误差阈值,并将最新的老化特征参数的参数值,确定为老化模型对应的老化特征参数的初始值。
步骤1508,将老化特征参数的初始值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的初始老化模型。
步骤1509,基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据。
步骤1510,确定老化样本数据与对应工况的仿真老化数据的误差值。
步骤1511,若误差值大于或等于第一预设误差阈值,基于误差值校正初始老化模型中老化特征参数的参数值,并返回基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据的步骤,直至确定的误差值小于第一预设误差阈值,并将最新的老化特征参数的参数值,确定为目标电池的老化特征参数值。
步骤1512,将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型。
步骤1513,基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。
其中,应当说明的是,在上述步骤1502获得目标电池的耦合老化模型、以及上述步骤1511获得目标电池的老化特征参数值后,在一些实施例中,可以将目标电池的耦合老化模型和老化特征参数值进行存储。不同电芯类型的目标电池,可以分别对应有耦合老化模型和老化特征参数值。其中,不同电芯类型对应的耦合老化模型可能相同,也可能不同。
当需要进行电池老化数据确定时,再从存储的多个耦合老化模型和老化特征参数值中,根据目标电池的电芯类型,查询获得目标电池对应的耦合老化模型和老化特征参数值,在进入上述步骤1512,以计算获得目标电池的目标老化数据。
本申请基于电池的存储老化过程,提取电池老化参数,有效解耦动力学过程对电池老化参数获取的影响。在老化参数辨识、提取校正过程中,基于耦合的电池老化模型和电化学模型,并利用模拟退火算法、贝叶斯算法等参数寻优算法将电化学仿真结果与老化样本数据中的电池OCV曲线、DCR、容量衰减比对,自动校正获取最佳老化特征参数,获取的老化特征参数有实际物理、化学过程与之对应,更准确反应电池的实际老化过程。基于耦合的老化模型和电化学模型自动校正的老化特征参数,不仅适用于日历老化过程寿命预测,还适用于循环及复杂工况寿命预测。基于模型的老化特征参数提取和校正方法,增强了老化特征参数的通用性,大大减少了老化特征参数获取所需的测试量,增强了老化特征参数的准确度,从而大大提升了电池寿命预测的准确性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池老化数据确定方法的电池老化数据确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池老化数据确定装置实施例中的具体限定可以参见上文中对于电池老化数据确定方法的限定,在此不再赘述。
在一个实施例中,如图16所示,提供了一种电池老化数据确定装置,包括:第一获取模块1602、第二获取模块1604和计算模块1606,其中:
第一获取模块1602,用于获取目标电池的耦合老化模型,以及目标电池的老化特征参数值,其中,耦合老化模型是通过将电化学模型与目标电池的老化模型进行耦合获得的;
第二获取模块1604,用于将老化特征参数值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的目标老化模型;
计算模块1606,用于基于目标老化模型进行老化数据计算处理,获得目标电池的目标老化数据。
在其中一个实施例中,第一获取模块1602还用于获取目标电池的老化模型,以及与老化模型对应的老化特征参数;将老化模型与电化学模型进行耦合,获得耦合老化模型;确定老化特征参数在耦合老化模型中的最优值,获得目标电池的老化特征参数值。
在其中一个实施例中,第一获取模块1602还用于获取目标电池在不同工况下的老化样本数据;确定老化模型对应的老化特征参数的初始值,并将老化特征参数的初始值作为耦合老化模型中对应的老化特征参数的参数值,获得目标电池的初始老化模型;基于不同工况下的老化样本数据,对初始老化模型中的老化特征参数的参数值进行校正,获得目标电池的老化特征参数值。
在其中一个实施例中,第一获取模块1602还用于基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据;确定老化样本数据与对应工况的仿真老化数据的误差值;若误差值大于或等于第一预设误差阈值,基于误差值校正初始老化模型中老化特征参数的参数值,并返回基于初始老化模型进行老化数据计算处理,获得目标电池的仿真老化数据的步骤,直至确定的误差值小于第一预设误差阈值,并将最新的老化特征参数的参数值,确定为目标电池的老化特征参数值。
在其中一个实施例中,第一获取模块1602还用于将传输线模型与目标电池的老化模型进行耦合,获得参考老化模型;基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据;确定老化样本数据与对应工况的参考老化数据的误差值;若误差值大于或等于第二预设误差阈值,基于误差值校正参考老化模型中老化特征参数的参数值,并返回基于参考老化模型进行老化数据计算处理,获得目标电池的参考老化数据的步骤,直至确定的误差值小于第二预设误差阈值,并将最新的老化特征参数的参数值,确定为老化模型对应的老化特征参数的初始值。
在其中一个实施例中,第一获取模块1602还用于将P2D模型与目标电池的老化模型进行耦合,获得目标电池的耦合老化模型。
在其中一个实施例中,第一获取模块1602还用于获取目标电池的老化样本数据;对老化样本数据进行数据分析,得到老化数据变化量;选取老化数据变化量大于预设变化阈值的老化样本数据,得到目标老化样本数据;基于目标老化样本数据,从多个老化模型中选择目标电池的老化模型。
在其中一个实施例中,第一获取模块1602还用于基于目标老化样本数据,从SEI成膜模型、SEI溶解破碎模型、溶剂消耗模型、温度变化模型中选取至少一个模型,得到目标电池的老化模型。
在其中一个实施例中,第一获取模块1602还用于获取目标电池的SEI成膜模型、SEI成膜模型对应的SEI扩散系数;将SEI成膜模型与电化学模型进行耦合,获得耦合老化模型。
上述电池老化数据确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池老化数据确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种电池老化数据确定方法,其特征在于,所述方法包括:
获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
2.根据权利要求1所述的方法,所述获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,包括:
获取目标电池的老化模型,以及与所述老化模型对应的老化特征参数;
将所述老化模型与所述电化学模型进行耦合,获得耦合老化模型;
确定所述老化特征参数在所述耦合老化模型中的最优值,获得所述目标电池的老化特征参数值。
3.根据权利要求2所述的方法,所述确定所述老化特征参数在所述耦合老化模型中的最优值,获得所述目标电池的老化特征参数值,包括:
获取所述目标电池在不同工况下的老化样本数据;
确定所述老化模型对应的老化特征参数的初始值,并将所述老化特征参数的初始值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的初始老化模型;
基于所述不同工况下的老化样本数据,对所述初始老化模型中的老化特征参数的参数值进行校正,获得所述目标电池的老化特征参数值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述不同工况下的老化样本数据,对所述初始老化模型中的老化特征参数的参数值进行校正,获得所述目标电池的老化特征参数值,包括:
基于所述初始老化模型进行老化数据计算处理,获得所述目标电池的仿真老化数据;
确定所述老化样本数据与对应工况的所述仿真老化数据的误差值;
若所述误差值大于或等于第一预设误差阈值,基于所述误差值校正所述初始老化模型中所述老化特征参数的参数值,并返回基于所述初始老化模型进行老化数据计算处理,获得所述目标电池的仿真老化数据的步骤,直至确定的所述误差值小于所述第一预设误差阈值,并将最新的所述老化特征参数的参数值,确定为所述目标电池的老化特征参数值。
5.根据权利要求3所述的方法,其特征在于,所述确定所述老化模型对应的老化特征参数的初始值,包括:
将传输线模型与所述目标电池的老化模型进行耦合,获得参考老化模型;
基于所述参考老化模型进行老化数据计算处理,获得所述目标电池的参考老化数据;
确定所述老化样本数据与对应工况的所述参考老化数据的误差值;
若所述误差值大于或等于第二预设误差阈值,基于所述误差值校正所述参考老化模型中所述老化特征参数的参数值,并返回基于所述参考老化模型进行老化数据计算处理,获得所述目标电池的参考老化数据的步骤,直至确定的所述误差值小于所述第二预设误差阈值,并将最新的所述老化特征参数的参数值,确定为所述老化模型对应的老化特征参数的初始值。
6.根据权利要求5所述的方法,其特征在于,所述电化学模型包括P2D模型,所述获取目标电池的耦合老化模型,包括:
将所述P2D模型与所述目标电池的老化模型进行耦合,获得所述目标电池的耦合老化模型。
7.根据权利要求2所述的方法,其特征在于,所述获取目标电池的老化模型,包括:
获取目标电池的老化样本数据;
对所述老化样本数据进行数据分析,得到老化数据变化量;
选取所述老化数据变化量大于预设变化阈值的老化样本数据,得到目标老化样本数据;
基于所述目标老化样本数据,从多个老化模型中选择所述目标电池的老化模型。
8.根据权利要求7所述的方法,其特征在于,所述基于所述目标老化样本数据,从多个老化模型中选择所述目标电池的老化模型,包括:
基于所述目标老化样本数据,从SEI成膜模型、SEI溶解破碎模型、溶剂消耗模型、温度变化模型中选取至少一个模型,得到所述目标电池的老化模型。
9.根据权利要求2所述的方法,其特征在于,所述获取目标电池的老化模型,以及与所述老化模型对应的老化特征参数,包括:获取目标电池的SEI成膜模型、所述SEI成膜模型对应的SEI扩散系数;
所述将所述老化模型与所述电化学模型进行耦合,获得耦合老化模型,包括:将所述SEI成膜模型与电化学模型进行耦合,获得耦合老化模型。
10.一种电池老化数据确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标电池的耦合老化模型,以及所述目标电池的老化特征参数值,其中,所述耦合老化模型是通过将电化学模型与所述目标电池的老化模型进行耦合获得的;
第二获取模块,用于将所述老化特征参数值作为所述耦合老化模型中对应的老化特征参数的参数值,获得所述目标电池的目标老化模型;
计算模块,用于基于所述目标老化模型进行老化数据计算处理,获得所述目标电池的目标老化数据。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一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,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201289.2A CN116068408B (zh) | 2023-03-06 | 2023-03-06 | 电池老化数据确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201289.2A CN116068408B (zh) | 2023-03-06 | 2023-03-06 | 电池老化数据确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116068408A true CN116068408A (zh) | 2023-05-05 |
CN116068408B CN116068408B (zh) | 2023-08-08 |
Family
ID=86173264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310201289.2A Active CN116068408B (zh) | 2023-03-06 | 2023-03-06 | 电池老化数据确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116068408B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454670A (zh) * | 2023-12-22 | 2024-01-26 | 浙江大学 | 一种基于电化学模型的锂电池老化状态预测方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017204750A1 (en) * | 2016-05-27 | 2017-11-30 | Nanyang Technological University | Method of assessing a performance of an electrochemical cell, and apparatus thereof |
US9847558B1 (en) * | 2013-10-11 | 2017-12-19 | Hrl Laboratories, Llc | Methods and apparatus for real-time characterization of batteries with a reference electrode |
US20200386819A1 (en) * | 2019-06-05 | 2020-12-10 | Samsung Sdi Co., Ltd. | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method |
CN114325441A (zh) * | 2020-09-29 | 2022-04-12 | 罗伯特·博世有限公司 | 特定于设备地确定基于内阻的电池老化状态的方法和设备 |
CN115392059A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 电池多尺度建模方法、装置及电子设备 |
WO2022268981A1 (en) * | 2021-06-24 | 2022-12-29 | TWAICE Technologies GmbH | Aging model parametrization for rechargeable batteries |
-
2023
- 2023-03-06 CN CN202310201289.2A patent/CN116068408B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9847558B1 (en) * | 2013-10-11 | 2017-12-19 | Hrl Laboratories, Llc | Methods and apparatus for real-time characterization of batteries with a reference electrode |
WO2017204750A1 (en) * | 2016-05-27 | 2017-11-30 | Nanyang Technological University | Method of assessing a performance of an electrochemical cell, and apparatus thereof |
US20200386819A1 (en) * | 2019-06-05 | 2020-12-10 | Samsung Sdi Co., Ltd. | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method |
CN114325441A (zh) * | 2020-09-29 | 2022-04-12 | 罗伯特·博世有限公司 | 特定于设备地确定基于内阻的电池老化状态的方法和设备 |
WO2022268981A1 (en) * | 2021-06-24 | 2022-12-29 | TWAICE Technologies GmbH | Aging model parametrization for rechargeable batteries |
CN115392059A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 电池多尺度建模方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
田晟;吕清;: "基于电化学机理的动力电池老化模型研究", 汽车技术, no. 04, pages 26 - 30 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454670A (zh) * | 2023-12-22 | 2024-01-26 | 浙江大学 | 一种基于电化学模型的锂电池老化状态预测方法和装置 |
CN117454670B (zh) * | 2023-12-22 | 2024-04-12 | 浙江大学 | 一种基于电化学模型的锂电池老化状态预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116068408B (zh) | 2023-08-08 |
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 | |
Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
Yang et al. | A novel method on estimating the degradation and state of charge of lithium-ion batteries used for electrical vehicles | |
US10481623B1 (en) | Optimizing a temperature profile in a thermal management system of an electric vehicle | |
Jiang et al. | Fast charging design for Lithium-ion batteries via Bayesian optimization | |
Su et al. | Path dependence of lithium ion cells aging under storage conditions | |
Zhang et al. | State of charge-dependent aging mechanisms in graphite/Li (NiCoAl) O2 cells: Capacity loss modeling and remaining useful life prediction | |
Yuan et al. | A transfer function type of simplified electrochemical model with modified boundary conditions and Padé approximation for Li-ion battery: Part 2. Modeling and parameter estimation | |
Ruan et al. | Quantitative analysis of performance decrease and fast-charging limitation for lithium-ion batteries at low temperature based on the electrochemical model | |
KR20180057266A (ko) | 배터리 상태 추정 방법 및 장치 | |
Wang et al. | Decoupling parameter estimation strategy based electrochemical-thermal coupled modeling method for large format lithium-ion batteries with internal temperature experimental validation | |
CN116068408B (zh) | 电池老化数据确定方法、装置、计算机设备和存储介质 | |
WO2016151336A1 (en) | Battery model comprising plurality of equivalent circuit networks and interface element coupling them | |
CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
Muñoz et al. | Parameter optimization of an electrochemical and thermal model for a lithium-ion commercial battery | |
Saldana et al. | Empirical calendar ageing model for electric vehicles and energy storage systems batteries | |
Li et al. | Control-oriented modeling of all-solid-state batteries using physics-based equivalent circuits | |
Shi et al. | Physics-based fractional-order model and parameters identification of liquid metal battery | |
Wang et al. | Parameter sensitivity analysis and parameter identifiability analysis of electrochemical model under wide discharge rate | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
CN114707391A (zh) | 电池包寿命预测方法、存储介质以及电子设备 | |
Choi et al. | Parameter identification and identifiability analysis of lithium‐ion batteries | |
Yu et al. | Lithium-ion battery multi-scale modeling coupled with simplified electrochemical model and kinetic Monte Carlo model | |
CN116663371A (zh) | 一种锂离子电池老化仿真方法、系统及存储介质 |
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 |