CN116680506A - 自适应间隔优化的增量容量曲线数点统计方法及装置 - Google Patents
自适应间隔优化的增量容量曲线数点统计方法及装置 Download PDFInfo
- Publication number
- CN116680506A CN116680506A CN202310929845.8A CN202310929845A CN116680506A CN 116680506 A CN116680506 A CN 116680506A CN 202310929845 A CN202310929845 A CN 202310929845A CN 116680506 A CN116680506 A CN 116680506A
- Authority
- CN
- China
- Prior art keywords
- point
- incremental capacity
- capacity curve
- curve
- voltage
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000007619 statistical method Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 97
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 49
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 13
- 229910001416 lithium ion Inorganic materials 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910002804 graphite Inorganic materials 0.000 description 4
- 239000010439 graphite Substances 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003411 electrode reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 229910018058 Ni-Co-Al Inorganic materials 0.000 description 1
- 229910018144 Ni—Co—Al Inorganic materials 0.000 description 1
- QXZUUHYBWMWJHK-UHFFFAOYSA-N [Co].[Ni] Chemical compound [Co].[Ni] QXZUUHYBWMWJHK-UHFFFAOYSA-N 0.000 description 1
- YZSKZXUDGLALTQ-UHFFFAOYSA-N [Li][C] Chemical class [Li][C] YZSKZXUDGLALTQ-UHFFFAOYSA-N 0.000 description 1
- 239000006183 anode active material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007770 graphite material Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种自适应间隔优化的增量容量曲线数点统计方法及装置,该方法包括:采用数点统计法得到增量容量曲线中各个点的实际观测值;基于增量容量曲线中各个点的实际观测值进行曲线拟合,得到符合物理机理的真实曲线;以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的偏差最小为目标进行迭代优化,得到最优电压间隔,再得到优化后的增量容量曲线。本发明应用于电池管理领域,能够快速判断电池数据合适的电压间隔,解决了实际应用中难以合理选取数点统计法电压间隔的问题,在保持数点统计法计算量小的前提下,提高数点统计法得到增量容量曲线结果的一致性,具有较大的应用价值。
Description
技术领域
本发明涉及电池管理技术领域,具体是一种自适应间隔优化的增量容量曲线数点统计方法及装置。
背景技术
随着锂离子电池的使用,其自身的使用工况以及外部环境均会导致电池功率性能和可用容量的降低,即电池的老化。作为一个复杂的电化学系统,锂离子电池内部发生的副反应复杂,定性以及定量计算电池内部发生的副反应,及时准确掌握导致电池老化模式,对于防止电池发生热失控等安全事故的发生十分有必要。
锂离子电池内部机理研究的相关方法有侵入式诊断法以及原位诊断法。侵入式诊断法包括:还原滴定法、核磁共振技术等,观察结果直观但需要拆解电池。原位诊断法主要利用电池电压、电流、温度等外部特征数据进行分析。目前,相关学者证明电池的开路电压数据能够反映电池内部的相变反应,但是由于开路电压曲线的平台不易观察,提出了增量容量分析法,将电压平台转化为易于分辨的峰。
增量容量分析法凭借无需拆解电池、计算量小等优势,在锂离子电池老化机理诊断领域有较好应用前景。但目前,增量容量曲线的准确获取是该方法的一大短板。由于测量仪器的不敏感,电池管理系统采样精度受限,增量容量分析法直接对原始数据进行求导后得到的增量容量曲线中存在大量噪声,使得特征参数被噪声淹没。为了更加准确地获得增量容量曲线并尽可能减小计算量,需要发展一种增量容量曲线的获取方法。
目前,增量容量曲线的获取技术包括移动平均平滑法、数点统计法、支持向量回归、最小二乘法、神经网络等。其中,移动平均平滑法的计算量较小,但是原始数据求导过程中存在大量无穷大的异常数据,该方法获得的曲线不够平滑且存在较大误差。尽管支持向量回归、最小二乘法、神经网络等方法获得的曲线光滑,但计算复杂度大于,远大于移动平均平滑法以及数点统计法,且容易发生过拟合。数点统计法的计算量小,并且获得的曲线真实可靠,但不同研究者在使用时选择的电压间隔不同,可能导致曲线的高度以及峰的数量存在差异,使得结果的一致性不好。
发明内容
针对上述现有技术中的不足,本发明提供一种自适应间隔优化的增量容量曲线数点统计方法及装置,能够快速判断电池数据合适的电压间隔,进而得到一致性良好的增量容量曲线,且计算量小。
为实现上述目的,本发明提供一种自适应间隔优化的增量容量曲线数点统计方法,包括如下步骤:
步骤1,在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
步骤2,基于每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
步骤3,基于数点统计法获得的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式进行曲线拟合,得到增量容量曲线函数方程式中各个未知参数的值;
步骤4,以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的拟合优度最小为目标进行迭代优化,得到最优的电压间隔;
步骤5,基于每一采样点的采样数据与最优的电压间隔,采用数点统计法得到优化后的增量容量曲线。
在其中一个实施例,步骤4的过程具体为:
步骤4.1,设定数点统计法中电压间隔、设定增量容量曲线中各个点的实际观测值与拟合曲线间的偏差/>,其中,/>表示电压间隔的初始值,/>表示无穷大;
步骤4.2,基于电压间隔为的数点统计法,得到增量容量曲线中各个点的实际观测值;
步骤4.3,基于步骤4.2中增量容量曲线各个点的实际观测值进行曲线拟合,得到增量容量曲线函数方程式中未知参数的值;
步骤4.4,基于步骤4.2中增量容量曲线各个点的实际观测值与步骤4.3中拟合得到的增量容量曲线,得到当前增量容量曲线中各个点的实际观测值与拟合曲线间的偏差;
步骤4.5,判断是否成立:
若是,则令、/>后,返回步骤4.2,其中,/>为大于1的任意实数;
否则,将当前的作为最优的电压间隔,并输出。
在其中一个实施例,步骤4.1中,,其中,/>表示电池的截止电压上限,/>表示电池的截止电压下限。
在其中一个实施例,步骤4.3中,采用最小二乘法进行曲线拟合,得到增量容量曲线函数方程式中未知参数的值。
在其中一个实施例,步骤4.5中,。
在其中一个实施例,步骤4.4中,采用均方根误差衡量增量容量曲线中各个点的实际观测值与拟合曲线间的偏差,即:
;
其中,表示增量容量曲线中点的数量,/>表示增量容量曲线中第/>个点对应的电压值,/>表示数点统计法计算得到的增量容量曲线中第/>个点的实际观测值值,/>表示拟合曲线中电压/>对应的增量容量值。
为实现上述目的,本发明还提供一种自适应间隔优化的增量容量曲线数点统计装置,采用上述的方法计算电池的增量容量曲线,所述增量容量曲线数点统计装置包括:
数据采集单元,用于在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
数点统计单元,用于根据每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
曲线拟合单元,用于根据增量容量曲线中各个点的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式进行曲线拟合,得到增量容量曲线函数方程式中的未知参数;
电压间隔优化单元,用于以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的拟合优度最小为目标进行迭代优化,得到最优的电压间隔。
与现有技术相比,本发明的具有如下有益技术效果:
本发明所提供的一种自适应间隔优化的增量容量曲线数点统计方法及装置中,能够快速判断电池数据合适的电压间隔,解决了实际应用中难以合理选取数点统计法电压间隔的问题,在保持数点统计法计算量小的前提下,提高数点统计法得到增量容量曲线结果的一致性,具有较大的应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例中自适应间隔优化的增量容量曲线数点统计方法的流程图;
图2为本发明实施例中电压间隔的优化流程图;
图3为本发明实施例中石墨负极增量容量曲线示意图;
图4为本发明实施例中数点统计法的增量容量曲线示意图,其中:(a)为取0.06V的增量容量曲线示意图,(b)为/>取0.015V的增量容量曲线示意图,(c)为/>取0.005V的增量容量曲线示意图;
图5为本发明实施例中最优电压间隔的增量容量曲线示意图,其中:(a)为数点统计法获得增量容量曲线的示意图,(b)为数点统计法与拟合增量容量曲线结果对比示意图;
图6为本发明实施例中自适应间隔优化的增量容量曲线数点统计装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示为本实施例公开的一种自适应间隔优化的增量容量曲线数点统计方法,其主要包括如下步骤:
步骤1,在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
步骤2,基于每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
步骤3,基于增量容量曲线中各个点的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式采用最小二乘法进行曲线拟合,得到增量容量曲线函数方程式中未知参数的值;
步骤4,以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的偏差最小为目标进行迭代优化,得到最优的电压间隔,参考图2,其具体实施过程为:
步骤4.1,设定数点统计法中电压间隔、设定增量容量曲线中各个点的实际观测值与拟合曲线间的偏差/>,其中,/>表示电压间隔的初始值,/>表示无穷大;
步骤4.2,基于电压间隔为的数点统计法,得到增量容量曲线中各个点的实际观测值;
步骤4.3,基于步骤4.2中增量容量曲线各个点的实际观测值进行曲线拟合,得到增量容量曲线函数方程式中未知参数的值;
步骤4.4,基于步骤4.2中增量容量曲线各个点的实际观测值与步骤4.3中拟合得到的增量容量曲线,得到当前增量容量曲线中各个点的实际观测值与拟合曲线间的偏差;
步骤4.5,判断是否成立:
若是,则令、/>后,返回步骤4.2,其中,/>为大于1的任意实数,优选为/>;
否则,将当前的作为最优的电压间隔,并输出;
步骤5,基于每一采样点的采样数据与最优的电压间隔,采用数点统计法得到优化后的增量容量曲线。
本实施例中,在步骤4.1中设定电压间隔的初始值,其中,表示电池的截止电压上限,/>表示电池的截止电压下限。
在具体实施过程中,采用均方根误差衡量增量容量曲线的实际观测值与拟合曲线之间的偏差,即:
;
其中,表示增量容量曲线中点的数量,/>表示增量容量曲线中第/>个点对应的电压值,/>表示数点统计法计算得到的增量容量曲线中第/>个点的实际观测值,/>表示拟合曲线中电压/>对应的增量容量值。
该自适应间隔优化问题可表示为:
;
下面结合具体的示例对本实施例中的自适应间隔优化的增量容量曲线数点统计方法作出进一步的说明。
增量容量分析法所需的开路电压曲线要求通过小电流恒流充/放电获取相应数据,采样频率是固定的,这使得采样点与采样点之间的容量变化/>也是固定的。由于测量仪器的采样精度受限,可能存在相邻采样点的电压发生轻微变化但并未被仪器检测到,此时的/>为0。增量容量曲线的纵坐标为/>,当/>以及/>足够小时,有。按照一定的电压间隔/>计算,能够防止/>出现∞,此时的为该电压间隔内电池容量变化,表示为:
(1)
其中,表示电池充/放电过程中的恒定电流大小,/>表示电池数据采样频率,/>表示电压由/>变为/>过程中采样点的数量,因此该方法也被称为数点统计法。
使用数点统计法计算的增量容量曲线表达式,即本实施例步骤2所定义的增量容量曲线中各个点的实际观测值为:
(2)
由于增量容量曲线能够表示锂离子电池正负极发生的相变反应,因此峰的数量以及峰的位置与锂离子电池正负极材料密切相关。图3所示为石墨负极的增量容量曲线示意图,不同正极材料对应的增量容量曲线表现出不同的特性,峰的数量以及位置有所不同。目前,锂离子电池的负极材料以石墨材料为主,正负电极增量容量曲线按照一定的匹配关系能够计算得到全电池的增量容量曲线。充电时锂离子穿过正负极之间的隔膜进入负极,与石墨电极结合并生成相应的锂碳化合物,该反应过程生成的化合物通常分为五个阶段,随着负极锂离子的不断增多,石墨颗粒中结合的锂离子增多,负极活性材料中的化合物的变化如图3所示:。
图4展示了镍钴铝酸(Ni-Co-Al,NCA)电池选取不同的电压间隔时,使用数点统计法获得的增量容量曲线。图4(a)中选取的电压间隔为0.06V,将电压进行15等分,由于数点的电压间隔过大,在对应的曲线中仅能观察到两个峰,某些不明显的峰值信息与其他峰融合。图4(b)中选取的/>为0.015V,获得了较为明显的峰以及平滑的增量容量曲线,与之相比图4(c)的曲线中出现了较多小噪声形成的峰,影响基于算法寻峰的效果。通过图4能够得出结论:电压间隔/>越大,则增量容量曲线失去的信息越多,但增量容量曲线中的噪声更少;电压间隔/>过小,则可能导致有效信息被噪声掩盖,因此使用数点统计法获取锂离子电池增量容量曲线时,电压间隔的合理选取十分重要。
锂离子电池的充/放电循环过程中,正负极分别发生对应的氧化还原反应,由于能斯特方程是用来定量描述某种离子在两体系间形成的扩散电位的方程表达式,因此可以使用该方程用来表示电极在第个化学反应过程中的表达式,为:
(3)
其中,表示电极实际电动势;/>表示电极的标准电动势,即标准态时测得的电极电位;/>为热力学温度,/>;/>是热力学常数,/>;是法拉第常数,/>;/>为反应中的得失电子数;/>表示电极反应产物浓度;/>表示参与电极反应所有物质浓度。
每一个化学反应的能斯特方程式,都代表了开路电压曲线中的一个电压平台,增量容量曲线分析法通过对开路电压曲线进行微分处理,放大电压平台的变化,因此对能斯特方程求导,可得到:
(4)
其中,表示相应第/>个电极反应的标准电动势,/>、/>为需要进行计算的未知参数。
增量容量曲线通过对开路电压曲线进行微分处理获得了多峰曲线,可以使用式(4)表示增量容量曲线中的每一个峰,增量容量曲线的表达式通过各个峰相加获得,为:
(5)
将图4所示直方图所有矩形顶部的中点相连,可以得到数点统计法计算获取的增量容量曲线,显然该曲线中存在大量噪声且不平滑。使用式(5)作为增量容量曲线的函数形式对相应数据进行拟合,得到符合电池内部机理的增量容量曲线,可以认为拟合得到的曲线为不包含噪声的真实增量容量曲线。显然,当数点统计法获得增量容量曲线中的实际观测值与拟合曲线之间偏差最小时,选取的电压间隔为最优,因此本实施例采用均方根误差对该偏差值进行衡量,其表达式为:
(6)
对数据中的异常值较为敏感,当实际观测值与拟合曲线完全重合时RMSE为0,该值越大,误差越大。
当电压间隔选取截止电压上限与截止电压下限之差时,仅计算得到一个点,随着电压间隔的减少,通过数点统计法得到的数据点逐渐增加,获得的增量容量曲线展现出的信息(如:峰数量)增多。因此本实施例在步骤4对电压间隔进行迭代寻优的过程中,将电压间隔的取值按照一定的比例逐渐减小,并计算使用数点统计法得到的增量容量曲线以及实际数据拟合式(5)获得的增量容量曲线之间的,/>最小时对应的/>则为该数据集中应选择的最佳值。
拟合增量容量曲线时采用最小二乘法,即求得数据点实际观测值到拟合曲线的距离的平方和最小,表示为:
(7)
最小二乘法即通过最小化式(7)的值来获得最佳拟合参数。
由于最小二乘法拟合增量容量曲线的计算量远小于遗传算法以及粒子群算法等优化方法,且经过验证能够得到较好拟合效果,更加适用于快速确定电池电压间隔。
通过本实施例提出的自适应间隔优化的增量容量曲线数点统计方法能够在获得任意电池数据时,迅速获取该电池最合适的电压间隔。使用该方法计算,得出如图4中电池选取的最优电压间隔为0.012V,得到图5所示结论。由此可见,本实施例提出的自适应间隔优化的增量容量曲线数点统计方法能够快速判断电池数据合适的电压间隔,解决了实际应用中难以合理选取数点统计法电压间隔的问题,在保持数点统计法计算量小的前提下,提高数点统计法得到增量容量曲线结果的一致性,具有较大的应用价值。
实施例2
基于实施例1中自适应间隔优化的增量容量曲线数点统计方法,本实施例公开了一种自适应间隔优化的增量容量曲线数点统计装置。参考图6,该增量容量曲线数点统计装置包括数据采集单元、数点统计单元、曲线拟合单元与电压间隔优化单元。该增量容量曲线数点统计装置用于执行实施例1中自适应间隔优化的增量容量曲线数点统计方法的部分或全部步骤,进而实现增量容量曲线数点统计。具体地:
数据采集单元,用于在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
数点统计单元,用于根据每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
曲线拟合单元,用于根据增量容量曲线中各个点的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式进行曲线拟合,得到增量容量曲线函数方程式中的未知参数;
电压间隔优化单元,用于以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的拟合优度最小为目标进行迭代优化,得到最优的电压间隔。
本实施例中数据采集单元、数点统计单元、曲线拟合单元与电压间隔优化单元的具体工作过程以及工作原理均与实施例1中的方法相同,因此本实施例中不再对其进行赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (7)
1.一种自适应间隔优化的增量容量曲线数点统计方法,其特征在于,包括如下步骤:
步骤1,在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
步骤2,基于每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
步骤3,基于数点统计法获得的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式进行曲线拟合,得到增量容量曲线函数方程式中各个未知参数的值;
步骤4,以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的偏差最小为目标进行迭代优化,得到最优的电压间隔;
步骤5,基于每一采样点的采样数据与最优的电压间隔,采用数点统计法得到优化后的增量容量曲线。
2.根据权利要求1所述的自适应间隔优化的增量容量曲线数点统计方法,其特征在于,步骤4的过程具体为:
步骤4.1,设定数点统计法中电压间隔、设定增量容量曲线中各个点的实际观测值与拟合曲线间的偏差/>,其中,/>表示电压间隔的初始值,/>表示无穷大;
步骤4.2,基于电压间隔为的数点统计法,得到增量容量曲线中各个点的实际观测值;
步骤4.3,基于步骤4.2中增量容量曲线各个点的实际观测值进行曲线拟合,得到增量容量曲线函数方程式中未知参数的值;
步骤4.4,基于步骤4.2中增量容量曲线各个点的实际观测值与步骤4.3中拟合得到的增量容量曲线,得到当前增量容量曲线中各个点的实际观测值与拟合曲线间的偏差;
步骤4.5,判断是否成立:
若是,则令、/>后,返回步骤4.2,其中,/>为大于1的任意实数;
否则,将当前的作为最优的电压间隔,并输出。
3.根据权利要求2所述的自适应间隔优化的增量容量曲线数点统计方法,其特征在于,步骤4.1中,,其中,/>表示电池的截止电压上限,/>表示电池的截止电压下限。
4.根据权利要求2所述的自适应间隔优化的增量容量曲线数点统计方法,其特征在于,步骤4.3中,采用最小二乘法进行曲线拟合,得到符合物理机理且无噪声影响的真实增量容量曲线。
5.根据权利要求2所述的自适应间隔优化的增量容量曲线数点统计方法,其特征在于,步骤4.5中,。
6.根据权利要求2至5任一项所述的自适应间隔优化的增量容量曲线数点统计方法,其特征在于,步骤4.4中,采用均方根误差衡量增量容量曲线中各个点的实际观测值与拟合曲线间的偏差,即:
;
其中,表示增量容量曲线中点的数量,/>表示增量容量曲线中第/>个点对应的电压值,表示数点统计法计算得到的增量容量曲线中第/>个点的实际观测值值,/>表示拟合曲线中电压/>对应的增量容量值。
7.一种自适应间隔优化的增量容量曲线数点统计装置,其特征在于,采用权利要求1至6任一项所述的方法计算电池的增量容量曲线,所述增量容量曲线数点统计装置包括:
数据采集单元,用于在对电池进行恒流充/放电过程中,以固定采样频率进行数据采样,其中,每一采样点的采样数据包括电流与电压;
数点统计单元,用于根据每一采样点的采样数据,采用数点统计法得到增量容量曲线中各个点的实际观测值;
曲线拟合单元,用于根据增量容量曲线中各个点的实际观测值以及能斯特方程推导得到的增量容量曲线函数方程式进行曲线拟合,得到增量容量曲线函数方程式中的未知参数;
电压间隔优化单元,用于以数点统计法中的电压间隔为设计变量、以增量容量曲线中各个点的实际观测值与拟合曲线间的拟合优度最小为目标进行迭代优化,得到最优的电压间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929845.8A CN116680506B (zh) | 2023-07-27 | 2023-07-27 | 自适应间隔优化的增量容量曲线数点统计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929845.8A CN116680506B (zh) | 2023-07-27 | 2023-07-27 | 自适应间隔优化的增量容量曲线数点统计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680506A true CN116680506A (zh) | 2023-09-01 |
CN116680506B CN116680506B (zh) | 2023-10-20 |
Family
ID=87785793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310929845.8A Active CN116680506B (zh) | 2023-07-27 | 2023-07-27 | 自适应间隔优化的增量容量曲线数点统计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680506B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1020003A (ja) * | 1996-07-01 | 1998-01-23 | Kyushu Denki Seizo Kk | モデルベース電池残存容量計 |
US20090282381A1 (en) * | 2008-05-07 | 2009-11-12 | Lsi Corporation | Electronic design automation tool and method for optimizing the placement of process monitors in an integrated circuit |
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
CN109870655A (zh) * | 2019-03-26 | 2019-06-11 | 上海工程技术大学 | 一种用于锂电池soc的估算方法 |
CN111142036A (zh) * | 2019-12-18 | 2020-05-12 | 同济大学 | 基于容量增量分析的锂离子电池在线快速容量估计方法 |
CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
CN112924884A (zh) * | 2021-01-29 | 2021-06-08 | 同济大学 | 基于增量容量曲线峰值面积的电池内短路定量诊断方法 |
KR20210127074A (ko) * | 2020-04-13 | 2021-10-21 | 삼성전자주식회사 | 배터리 전극의 활성 물질 함량 결정하는 배터리 관리 시스템 및 방법 |
CN113884912A (zh) * | 2021-10-18 | 2022-01-04 | 苏州元启动力科技有限公司 | 基于模拟退火算法的插值拟合锂电池dQ/dV曲线方法及装置 |
CN115015789A (zh) * | 2022-04-02 | 2022-09-06 | 中国人民解放军国防科技大学 | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 |
US20220308115A1 (en) * | 2021-03-24 | 2022-09-29 | Honda Motor Co., Ltd. | Capacity degradation prediction method and prediction system |
CN115684941A (zh) * | 2022-10-28 | 2023-02-03 | 重庆长安汽车股份有限公司 | 一种锂离子电池组容量估计方法和系统 |
JP2023051292A (ja) * | 2021-09-30 | 2023-04-11 | 横河電機株式会社 | 診断装置、診断方法及び診断プログラム |
-
2023
- 2023-07-27 CN CN202310929845.8A patent/CN116680506B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1020003A (ja) * | 1996-07-01 | 1998-01-23 | Kyushu Denki Seizo Kk | モデルベース電池残存容量計 |
US20090282381A1 (en) * | 2008-05-07 | 2009-11-12 | Lsi Corporation | Electronic design automation tool and method for optimizing the placement of process monitors in an integrated circuit |
US20150066406A1 (en) * | 2013-08-27 | 2015-03-05 | The Regents Of The University Of Michigan | On-board state of health monitoring of batteries using incremental capacity analysis |
CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
CN108732508A (zh) * | 2018-05-23 | 2018-11-02 | 北京航空航天大学 | 一种锂离子电池容量的实时估计方法 |
CN109870655A (zh) * | 2019-03-26 | 2019-06-11 | 上海工程技术大学 | 一种用于锂电池soc的估算方法 |
CN111142036A (zh) * | 2019-12-18 | 2020-05-12 | 同济大学 | 基于容量增量分析的锂离子电池在线快速容量估计方法 |
CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
KR20210127074A (ko) * | 2020-04-13 | 2021-10-21 | 삼성전자주식회사 | 배터리 전극의 활성 물질 함량 결정하는 배터리 관리 시스템 및 방법 |
CN112924884A (zh) * | 2021-01-29 | 2021-06-08 | 同济大学 | 基于增量容量曲线峰值面积的电池内短路定量诊断方法 |
US20220308115A1 (en) * | 2021-03-24 | 2022-09-29 | Honda Motor Co., Ltd. | Capacity degradation prediction method and prediction system |
JP2023051292A (ja) * | 2021-09-30 | 2023-04-11 | 横河電機株式会社 | 診断装置、診断方法及び診断プログラム |
CN113884912A (zh) * | 2021-10-18 | 2022-01-04 | 苏州元启动力科技有限公司 | 基于模拟退火算法的插值拟合锂电池dQ/dV曲线方法及装置 |
CN115015789A (zh) * | 2022-04-02 | 2022-09-06 | 中国人民解放军国防科技大学 | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 |
CN115684941A (zh) * | 2022-10-28 | 2023-02-03 | 重庆长安汽车股份有限公司 | 一种锂离子电池组容量估计方法和系统 |
Non-Patent Citations (4)
Title |
---|
RUIXI WANG; XING ZHOU; YAJIE LIU; YU WANG; MENGDA CAO; TAO ZHANG: "Analysis of the Aging Mechanism of Lithium-ion Batteries Based on the Incremental Capacity Curve Peak Decomposition Method", 《2023 THE 6TH INTERNATIONAL CONFERENCE ON ENERGY, ELECTRICAL AND POWER ENGINEERING》, pages 1632 - 1637 * |
曹孟达,张涛,王羽,张亚军,刘亚杰: "基于深度学习的锂离子电池剩余寿命估计", 《无线电工程》, vol. 51, no. 7, pages 641 - 648 * |
郭琦沛;张彩萍;高洋;姜久春;姜研;: "基于容量增量曲线的三元锂离子电池健康状态估计方法", 全球能源互联网, no. 02 * |
马泽宇;姜久春;王占国;时玮;郑林锋;张言茹;: "基于容量增量分析的石墨负极磷酸铁锂电池SOC估算方法研究", 汽车工程, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN116680506B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A generalizable, data-driven online approach to forecast capacity degradation trajectory of lithium batteries | |
CN103675702B (zh) | 一种实时评估电池健康状态的方法 | |
CN112834945B (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN111175662B (zh) | 锂离子电池评价方法与锂离子电池检测系统 | |
CN103869256B (zh) | 一种基于交流阻抗测试动力锂离子电池soh的估算方法 | |
Schmitt et al. | Determination of degradation modes of lithium-ion batteries considering aging-induced changes in the half-cell open-circuit potential curve of silicon–graphite | |
US20220146591A1 (en) | On-line estimation method of battery state of health in wide temperature range based on "standardized temperature" | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN110442901A (zh) | 一种锂离子电池电化学简化模型及其参数的获取方法 | |
CN114865117A (zh) | 锂离子电池电极嵌锂量检测方法、装置及电池管理系统 | |
Wang et al. | State of health estimation of lithium-ion battery in wide temperature range via temperature-aging coupling mechanism analysis | |
CN116754971A (zh) | 电池析锂检测的方法、设备及存储介质 | |
Xin et al. | A novel state of charge estimation method for ternary lithium batteries based on system function and extended kalman filter | |
Sun et al. | Aging mechanism analysis and capacity estimation of lithium-ion battery pack based on electric vehicle charging data | |
CN110716141A (zh) | 一种基于扩展卡尔曼滤波的电池荷电状态估计方法 | |
Li et al. | Optimal charging for lithium-ion batteries to avoid lithium plating based on ultrasound-assisted diagnosis and model predictive control | |
CN116680506B (zh) | 自适应间隔优化的增量容量曲线数点统计方法及装置 | |
CN114252795A (zh) | 一种预测锂离子电池循环寿命的方法 | |
CN106599333A (zh) | 一种电源soh的估算方法 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
CN116559757B (zh) | 电池析锂电位预测准确性的验证方法、装置和电子设备 | |
CN104499001A (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
CN117074953A (zh) | 一种电池循环寿命的预测方法及装置、计算机存储介质 | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 | |
CN112649735A (zh) | 一种快速得到电池包总容量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |