CN117233636A - 锂电池的健康状态确定方法、装置、设备和存储介质 - Google Patents
锂电池的健康状态确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117233636A CN117233636A CN202311229203.3A CN202311229203A CN117233636A CN 117233636 A CN117233636 A CN 117233636A CN 202311229203 A CN202311229203 A CN 202311229203A CN 117233636 A CN117233636 A CN 117233636A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- charging
- sample
- battery
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 217
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 217
- 230000036541 health Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000007600 charging Methods 0.000 claims abstract description 126
- 239000011149 active material Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010277 constant-current charging Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 abstract description 87
- 230000007246 mechanism Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000001453 impedance spectrum Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000003575 carbonaceous material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009831 deintercalation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011980 disaster recovery test Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- -1 for example Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910003002 lithium salt Inorganic materials 0.000 description 1
- 159000000002 lithium salts Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003797 telogen phase Effects 0.000 description 1
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供了锂电池的健康状态确定方法、装置、设备和存储介质。该方法包括:获取锂电池在充电阶段的时域充电数据;从时域充电数据中提取分别与锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;将提取到的特征和时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到锂电池的健康状态数值,其中,健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。从而,得到了能够准确反映电池老化程度的电池健康状态。
Description
技术领域
本申请涉及锂电池领域,并且更具体地,涉及锂电池的健康状态确定方法、装置、设备和存储介质。
背景技术
锂离子电池,即锂电池,凭借其工作电压高、能量和功率密度大以及循环寿命长,在便携式电子设备、电动汽车、航天航空和智能电网等领域作为储能装置被广泛应用。为了更安全高效地使用锂电池,对电池管理系统(Battery Management System,BMS)的状态估计,如电荷状态(State of Charge,SOC)估计、健康状态(State of Health,SOH)估计、故障估计等提出了更为严格的精度和稳定性要求。电池健康状态作为电池老化程度的重要指标,对其准确估计对于BMS的精确、稳定、安全地运行具有重要意义。
传统方法中通常是基于电池容量的退化对电池健康状态进行估计的,然而,容量的退化只是电池健康状态下降的外部表征之一,实际上电池老化是由内部多种老化机制共同主导的,传统方法得到的电池健康状态难以准确反映电池老化程度。
发明内容
本申请提供了锂电池的健康状态确定方法、装置、设备和存储介质,以得到能够准确反映电池老化程度的电池健康状态。
第一方面,本申请提供了一种锂电池的健康状态确定方法,包括:
获取锂电池在充电阶段的时域充电数据;
从所述时域充电数据中提取分别与所述锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;
将提取到的特征和所述时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到所述锂电池的健康状态数值,其中,所述健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
在一种实现方式中,所述时域充电数据包括增量容量曲线、弛豫电压曲线、电池100%荷电状态内阻以及运行环境温度。
在一种实现方式中,所述锂电池的充电阶段包括恒流充电、恒压充电和弛豫静置三个子阶段;
所述获取锂电池在充电阶段的时域充电数据,包括:
在恒流充电子阶段获取恒流充电电压曲线,根据充电容量以及恒流充电电压曲线确定增量容量曲线;
在弛豫静置子阶段获取弛豫电压曲线;
基于充电完成后的放电瞬间的电压和电流,确定电池100%荷电状态内阻;
获取所述锂电池在充电阶段的运行环境温度。
在一种实现方式中,从所述时域信息中提取与锂电池的电导率损失相关的特征,包括:
将电池100%荷电状态内阻确定为与锂电池的电导率损失相关的特征。
在一种实现方式中,从所述时域信息中提取与锂电池的锂库存损失相关的特征,包括:
对所述增量容量曲线进行峰值检测,将第一电压区间内的峰值以及峰值对应的电压确定为与锂电池的锂库存损失相关的特征;以及,
基于所述弛豫电压曲线,确定充电完成后的预设时间段内的弛豫电压平均值,将所述弛豫电压平均值确定为与锂电池的锂库存损失相关的特征。
在一种实现方式中,从所述时域信息中提取与锂电池的活性物质损失相关的特征,包括:
采用动态时间规整算法确定所述增量容量曲线的第二电压区间内的片段与基准片段的相似度,将所述相似度确定为与锂电池的活性物质损失相关的特征,所述基准片段为所述锂电池第一次充放电循环的增量容量曲线中的所述第二电压区间内的片段。
在一种实现方式中,所述根据充电容量以及恒流充电电压曲线中的充电电压确定增量容量曲线之后,还包括:
采用一维高斯滤波算法对所述增量容量曲线进行滤波处理。
在一种实现方式中,还包括:
获取样本锂电池在充电阶段的样本充电数据;
从所述样本充电数据中提取分别与所述样本锂电池的电导率损失、锂库存损失和活性物质损失相关的样本特征;
基于所述样本锂电池的当前最大可用容量以及初始最大可用容量,确定所述样本锂电池的健康状态参照值;
将提取到的样本特征和所述样本充电数据中包含的样本锂电池的运行环境温度输入初始非线性回归模型中,基于模型输出的所述样本锂电池的健康状态数值,以及所述样本锂电池的健康状态参照值,对所述初始非线性回归模型的参数进行调整,以得到所述健康状态预测模型。
第二方面,本申请提供一种锂电池的健康状态确定装置,包括:
获取模块,用于获取锂电池在充电阶段的时域充电数据;
提取模块,用于从所述时域充电数据中提取分别与所述锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;
确定模块,用于将提取到的特征和所述时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到所述锂电池的健康状态数值,其中,所述健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
在一种实现方式中,所述时域充电数据包括增量容量曲线、弛豫电压曲线、电池100%荷电状态内阻以及运行环境温度。
在一种实现方式中,所述锂电池的充电阶段包括恒流充电、恒压充电和弛豫静置三个子阶段;
所述获取模块用于:
在恒流充电子阶段获取恒流充电电压曲线,根据充电容量以及恒流充电电压曲线确定增量容量曲线;
在弛豫静置子阶段获取弛豫电压曲线;
基于充电完成后的放电瞬间的电压和电流,确定电池100%荷电状态内阻;
获取所述锂电池在充电阶段的运行环境温度。
在一种实现方式中,所述提取模块用于:
将电池100%荷电状态内阻确定为与锂电池的电导率损失相关的特征。
在一种实现方式中,所述提取模块用于:
对所述增量容量曲线进行峰值检测,将第一电压区间内的峰值以及峰值对应的电压确定为与锂电池的锂库存损失相关的特征;以及,
基于所述弛豫电压曲线,确定充电完成后的预设时间段内的弛豫电压平均值,将所述弛豫电压平均值确定为与锂电池的锂库存损失相关的特征。
在一种实现方式中,所述提取模块用于:
采用动态时间规整算法确定所述增量容量曲线的第二电压区间内的片段与基准片段的相似度,将所述相似度确定为与锂电池的活性物质损失相关的特征,所述基准片段为所述锂电池第一次充放电循环的增量容量曲线中的所述第二电压区间内的片段。
在一种实现方式中,所述获取模块用于:
采用一维高斯滤波算法对所述增量容量曲线进行滤波处理。
在一种实现方式中,还包括:训练模块,用于:
获取样本锂电池在充电阶段的样本充电数据;
从所述样本充电数据中提取分别与所述样本锂电池的电导率损失、锂库存损失和活性物质损失相关的样本特征;
基于所述样本锂电池的当前最大可用容量以及初始最大可用容量,确定所述样本锂电池的健康状态参照值;
将提取到的样本特征和所述样本充电数据中包含的样本锂电池的运行环境温度输入初始非线性回归模型中,基于模型输出的所述样本锂电池的健康状态数值,以及所述样本锂电池的健康状态参照值,对所述初始非线性回归模型的参数进行调整,以得到所述健康状态预测模型。
第三方面,本申请提供一种电子设备,包括:存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行第一方面所述的方法。
第四方面,本申请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中存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如第一方面所述的方法。
在本申请提供的锂电池的健康状态确定方法、装置、设备和存储介质中,通过获取锂电池在充电阶段的时域充电数据,从锂电池内部的老化机制出发,从时域充电数据中提取与各种老化机制相关的特征,将这些特征和影响锂电池老化的运行环境温度共同作为健康状态预测模型的输入,得到更能准确反映电池老化程度的电池健康状态,从而能够为锂电池的使用和维护提供准确的理论指导,有助于更好地进行锂电池全寿命周期的电池管理。
附图说明
为了更清楚地说明本申请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做一简单介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种恒流充电电压曲线示意图;
图2是本申请实施例提供的一种增量容量曲线示意图;
图3是本申请实施例提供的一种弛豫电压曲线示意图;
图4是本申请实施例提供的一种滤波后的增量容量曲线示意图;
图5是本申请实施例提供的一种弛豫时间分布示意图;
图6是本申请实施例提供的一种锂电池的健康状态确定方法的流程示意图;
图7是本申请实施例提供的一种锂电池的健康状态确定装置的结构示意图;
图8是本申请实施例提供的电子设备的示意性框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
鉴于传统方法中基于电池容量的退化对电池健康状态进行估计难以准确反映电池老化程度,本申请实施例中提出了从锂电池内部的多种老化机制出发,选取与锂电池内部的多种老化机制相关的特征,以获取更能准确反映锂电池的老化程度的健康状态数据。
锂电池的增量容量(Incremental Capacity,IC)曲线和弛豫电压曲线包含有丰富的老化信息,其可以合理解释电池内部的多种老化机制,例如负极上固体电解质界面膜(Solid Electrolyte Interface,SEI)膜生长、锂电镀等导致锂库存损失(Loss ofLithium Inventory,LLI)和正负极材料发生相变、电解质分解等导致的活性物质损失(Loss of Active Material,LAM),例如不同类型的锂离子电池的正极活性物质可以是金属钴、氧化铝、氧化钛或锂盐等,负极活性物质可以是碳材料或非碳材料等,本申请实施例对此并不限定。因此,锂电池IC曲线和弛豫电压曲线是从老化机理角度监测电池健康状态的有效手段。伴随着锂电池健康状态的下降,锂电池内阻也呈现开始缓慢增长而后期急剧增长的趋势,因此,锂电池内阻也是与电池老化程度相关的重要指标。除此之外,运行环境温度对锂电池的老化也有着很大影响,特别地,在低温和高温下,锂电池的内部主导老化机制可能存在很大差异。因此,本申请实施例中基于锂电池IC曲线、弛豫电压曲线、锂电池内阻和运行环境温度这些时域充电数据,从锂电池的老化机制出发提取相关的老化特征,进而获取更能准确反映电池老化程度的电池健康状态。
对于如何获取上述的时域充电数据,以及如何从中提取特征以及提取哪些特征,以下做进一步说明。
实际应用情况下,锂电池在充电过程中一般满足固定充电策略,如恒流-恒压(CC-CV)、恒流(CC)的充电协议,相比于依赖操作要求和电池使用场景的放电工况而言,电池充电工况是更加稳定的。在充电状态的起始阶段,即锂电池刚进入充电状态时,以恒流充电模式充电,电池电压将快速抬升,当锂电池进入稳定状态后,充电状态的电池端电压随着荷电状态增加而缓慢增长。在电池电压到达一定电压阈值时,电池充电模式可能发生切换,例如在电池电压达到4.2V,锂电池将进入恒压充电模式,电池端电压稳定在4.2V,电池充电电流不断衰减。当电池充电电流降低至0.05C(0.175A)时,电池恒压充电阶段结束,进入弛豫静置阶段。在弛豫静置阶段,电池电压缓慢下降,逐渐达到平衡,这一阶段的电压曲线即为弛豫电压曲线。根据充电过程中阶段的不同,可以提取恒流充电电压曲线、恒压充电电流曲线和弛豫电压曲线,进一步选取恒流充电电压曲线,根据dQ/dV计算得到IC曲线,Q表示充电容量,V表示充电电压。如图1中示意了恒流充电电压曲线,图1中各曲线分别为不同充放电循环次数下的恒流充电电压曲线,如图2中示意了基于图1所示的恒流充电电压曲线得到的IC曲线,图2中各曲线分别为不同充放电循环次数下的IC曲线。图3中示意了弛豫电压曲线,图3中各曲线分别为不同充放电循环次数下的弛豫电压曲线。
IC曲线和弛豫电压曲线,再结合锂电池100%SOC内阻以及运行环境温度,这些充电阶段的时域充电数据将作为后续确定锂电池健康状态的数据基础。
从图2中可以看出IC曲线包含有大量噪声,这就导致其中的峰值、相位变化、区域面积等一些关键特征是难以被准确识别的,因此,可以考虑对IC曲线进行滤波处理后再进行特征提取,示例的,本申请实施例中可以选用一维高斯滤波算法对IC曲线进行平滑滤波处理。一维高斯滤波算法对于噪声能够有效地抑制,且由于高斯分布函数是对称的钟形,其可以很好地处理同样类似于钟形的峰值区域,利于峰值检测算法的识别出有效峰值。
假设锂电池第k次充放电循环下的IC曲线序列ICk如公式(1)所示:
ICk={ICk,1,ICk,2,ICk,3,...,,ICk,x,....,ICk,l} (1)
其中,l是IC曲线序列的总长度,ICk,x是序列中的第x个点的值。滤波算法的具体处理步骤如下:
首先,确定如公式(2)的一维高斯分布函数作为滤波的模板:
其中,σ为高斯分布的方差,模板的长度2h+1通过对4σ向上取整得到,模板值的计算如公式(3)所示:
之后,将模板值除以模板值之和以对模板作归一化处理,将归一化处理之后的模板与IC曲线序列ICk进行卷积,得到平滑滤波之后的IC曲线序列,如公式(4)所示,
IC'k={IC'k,1,IC'k,2,IC'k,3,...,,IC'k,x,....,IC'k,l} (4)
对图2所示的IC曲线进行平滑滤波之后得到的IC曲线如图4所示,可以看出,相比于图2中原始的IC曲线,图4中平滑滤波之后的IC曲线平滑度大大提升,有利于对曲线进行关键特征的提取。
IC曲线中的峰值特征是反映电池老化的关键特征之一,因此,采用峰值检测算法对滤波后的IC曲线进行检测,为了避免在峰值检测过程中由于微小扰动带来的误检,在峰值处采用多重判据的方法,即:
IC'k,x>IC'k,x-1,IC'k,x>IC'k,x+1&IC'k,x>IC'k,x-2,IC'k,x>IC'k,x+2
其中,IC'k,x-2、IC'k,x-1、IC'k,x、IC'k,x+1、IC'k,x+2分别是滤波后的IC曲线序列中第x-2个点到第x+2个点的值。
参照图4所示,不同充放电循环次数下的IC曲线的第一个峰值大致分布在3.65V-3.75V电压区间内,第二个峰值大致分布在3.75V-3.82V电压区间内,第三个峰值大致分布在3.95V-4.05V电压区间内。将第一个峰值Ppeak1和峰值对应电压Vpeak1作为老化特征F1和老化特征F2;将第二个峰值Ppeak1和峰值对应电压Vpeak1作为老化特征F3和老化特征F4;将第三个峰值Ppeak3和峰值对应电压Vpeak3作为老化特征F5和老化特征F6。经过上述步骤,可以完成F1~F6六个老化特征的构建。
在F1~F6六个老化特征之外,在研究中还发现,在一定的运行环境温度下,例如35℃和45℃的运行环境温度下,当充放电循环次数达到一定阈值后,IC曲线的第一个峰值和第二个峰值可能出现峰值消失现象,也就是说第一个峰值和第二个峰值对应的老化特征并非稳定的,为此,本申请实施例中进一步判定不同充放电循环次数下,第一个峰值和第二个峰值分布的电压区间,例如3.65V-3.82V之间的IC曲线片段的相似度作为稳定的老化特征F7。
示例的,相似度的计算采用动态时间规整(Dynamic Time Warping,DTW)算法,DTW算法是一种衡量两个长度不同的时间序列的相似度的方法,其本质是一个动态规划技术,它将问题分为一系列子问题,令每一个子问题最优,进一步计算累积距离。
首先,截取锂电池不同充放电循环下的3.65V-3.82V之间的IC曲线片段序列,如公式(5)所示,
sqk={sqk,1,sqk,2,sqk,3,…,sqk,y,sqk,m} (5)
其中,sqk为第k次充放电循环的IC曲线片段序列,sqk,y为IC曲线片段序列中的第y点的序列值,m为第k次充放电循环的IC曲线片段序列长度。
其次,选定第一次充放电循环的IC曲线片段序列sq1作为基准片段,即基准值,将sq1表示为{s1,s2,...,si,...,sn},序列长度为n;第k次充放电循环的IC曲线片段序列sqk表示为{p1,p2,…,pj,…,pm},序列长度为m。DTW算法过程是将一个序列sq1的时间轴扭曲到另一个序列sqk建立关联,将其定义为DTW(i,j),如公式(6)所示:
DTW(i,j)=d(si,pj)+min(DTW(i-1,j),DTW(i,j-1),DTW(i-1,j-1)) (6)
DTW算法中新的最小成本与在前一状态中的成本最小者有关,d(si,pj)表示si和pj之间的距离,例如可以定义为d(si,pj)=(si-pj)2,i=1,2,…,n,j=1,2,…,m,同时定义:
DTW(0,0)=0
DTW(i,0)=∞
DTW(0,j)=∞ (7)
DTW算法的目标是得到最小的总代价DTW(n,m),将这一总代价确定为第k次循环的IC曲线片段序列sqk与基准值sq1的相似度,将该相似度作为一个稳定的老化特征F7。
此外,根据图3中示意的弛豫电压曲线可以看出,在充电后的弛豫静置过程中,锂电池的弛豫电压逐渐下降至一个稳定值,可以选取锂电池充电完成后的一段时间内弛豫电压平均值作为老化特征。示例的,考虑到实际应用中快速性和稳定性的要求,尝试选取锂电池充电完成后的30s、60s、90s内弛豫电压平均值作为老化特征F8、F9、F10;
考虑时域中特定SOC下的瞬间内阻作为表征电池内阻的老化特征,例如,选取100%SOC时刻提取电池的瞬时内阻R100%soc,如公式(8)所示:
R100%soc=-(Vfull-Vdischarge1)/Idischarge1 (8)
其中,Vfull是电池在100%SOC时刻未放电的电压,Idischarge1是电池100%SOC时刻放电电流,Vdischarge1是电池100%SOC时刻开始放电的瞬间电压。在实际应用中,锂电池可能是随机SOC时刻开始放电,可以参照上述公式确定放电时刻的瞬时内阻,再基于电池内阻随SOC变化折算出100%SOC时刻的瞬时内阻。
将100%SOC时刻提取电池的瞬时内阻R100%soc作为老化特征F11,与前面提取出的10个老化特征共同完成基于电池充电数据的时域老化特征集合Feature={F1,F2,F3,F4,...,F11}的构建。
可选的,对已经构建的老化特征可以进一步进行筛选优化,基于不同充放电循环次数的电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)作正则化弛豫时间分布(DRT),选取(Distribution of Relaxation Times,DRT)关键指标来量化CL、LLI、LAM多种老化机制,进一步结合Pearson分析,筛选出更能够反映电池老化机理的老化特征。
EIS是一种在频域上对电池状态诊断的方法,通过对锂电池注入一个小幅度的正弦电流激励信号作为输入信号,锂电池将对激励信号产生一个幅度和相位偏移的正弦电压响应,利用正弦电流激励信号和正弦电压响应可计算出频域上电化学交流阻抗。相比于时域数据,EIS可以更详细地解释锂离子电池的老化行为,但由于电池内部多种副反应共存且相互耦合,直接从EIS中难以提取出准确描述内部行为的表征参数。因此,引入DRT来解耦锂电池内部行为,以更加合理地解释电池在循环使用中的多种老化机制信息。
DRT是将电化学系统看作无穷个RC回路相互串联,相应的弛豫时间常数在(0,+∞)之间。DRT函数与EIS阻抗数据之间的数学关系为:
其中,Z(f)为EIS阻抗数据中的阻抗值,Rohm为欧姆内阻,γ(τ)=τg(τ),y=lg(τ),f代表EIS阻抗数据对应的频率,τ为弛豫时间常数,g(τ)为极化电阻在时间常数域内的分布密度函数,且弛豫时间分布的分布密度函数g(τ)满足公式(10):
DRT的求解方法包括正则化、神经网络以及Hilbert变换等方法,相比于其他方法而言,正则化方法计算量相对较少,稳定性更好。因此,采用Tikhonov正则化方法进行电化学阻抗谱DRT计算。示例的,基于上述方法分别对25℃,35℃和45℃的电化学阻抗谱作DRT,以25℃温度下的DRT为例,结果如图5所示,图5中各曲线分别为不同充放电循环次数下的DRT。
电池老化过程中主要存在CL、LLI和LAM三种老化机制。CL主要取决于电池电子部件的降解,如集电极腐蚀或粘结剂分解,可以采用DRT中的欧姆内阻作为CL量化值;LLI则是归因于插接和脱嵌过程锂离子数量的变化,可以用DRT图中的第一个峰值、第二个峰值作为LLI量化,其中,第一个主要峰值主要与SEI膜生长的极化过程有关,第二个主要峰值与电荷转移的极化过程有关。LAM与活性物质的结构转变和电解质分解有关,可以用DRT图中最右侧的主要峰值作为LAM量化值,这一峰值主要与电解液和电极之间的低频扩散反应有关。
利用CL量化值、LLI量化值以及LAM量化值结合Pearson相关分析对前述构建的时域老化特征集合Feature中的11个老化特征进行筛选。
首先,电池的瞬时阻抗参数与CL存在很强的相关性,通过在25℃,35℃和45℃温度下进行测试得到,老化特征F11与CL量化值的Pearson相关系数分别为0.9845、0.9763和0.9523,可将其作为表征CL老化机制的关键时域指标;其次,IC曲线中第三个峰值与LLI有着很强相关性,在与前述同样的三个温度下,老化特征F5、F6与LLI量化值的Pearson相关系数分别为0.9804、0.9673、0.9764和-0.8968、-0.9498、-0.8240;除此之外,弛豫电压平均值与锂库存损失LLI也有着很强的相关性,以前述的锂电池充电完成后的30s、60s、90s内弛豫电压平均值作为老化特征F8、F9、F10为例,在与前述同样的三个温度下,老化特征F10与LLI量化值的Pearson相关系数分别为-0.9254、-0.9813和-0.9897;最后,尽管IC曲线中第一个峰值和第二个峰值与LAM相关性很高,但随着充放电循环次数的增加,第一个峰值和第二个峰值可能会出现消失的现象,导致其难以作为稳定的老化特征,因此进一步分析老化特征F7与LAM老化机制的相关性,在与前述同样的三个温度下,老化特征F7与LAM量化值的Pearson相关系数分别为0.9700、0.9283、和0.9018,这说明老化特征F7可以替代第一个峰值和第二个峰值特征作为表征LAM老化机制的关键特征。
经过以上推理,可以构建更具物理意义和反映电池老化机理的老化特征。其中,老化特征F11被用于表征CL老化机制信息;老化特征F5、F6以及F10用于表征LLI老化机制信息;老化特征F7用于表征LAM老化机制信息。利用上述五个特征与影响电池老化过程的重要因素运行环境温度T共同构建影响电池老化的健康因子的集合,记作HI={HI1,HI2,HI3,...,HI6}。
在确定了健康因子集合之后,构建LSSVR非线性回归模型作为锂电池的SOH预测模型,模型的输入为健康因子集合,输出为锂电池SOH。模型训练的样本数据可以通过对不同运行环境温度下的样本锂电池进行充放电循环得到,样本数据包括健康因子集合和锂电池SOH参照值,由于不同健康因子之间、健康因子与锂电池SOH的数量级可能存在较大差异,可能会影响机器学习算法对不同健康因子的权重分配效果。因此,可以对样本数据进行归一化处理,并进一步将归一化处理后的样本数据划分为训练样本和测试样本。
可选的,锂电池SOH参照值可以采用基于容量定义法计算得到的锂电池SOH,容量定义法如公式(11)所示:
其中,Cnow表示当前充放电循环的锂电池最大可用容量,Cnew表示锂电池刚出厂的最大可用容量,即初始最大可用容量,SOH表示当前充放电循环的电池健康状态。
选取高斯核K(xu,xv)=exp(‖xu-xv‖2/(2σ0 2))作为LSSVR的核函数,构建健康因子集合与锂电池SOH之间的映射关系,其中xu、xv表示不同的模型输入在Hilbert空间的高维特征向量,σ0为核参数,定义损失函数如公式(12)所示:
其中,w'为Hilbert空间的权重向量,P为规则化参数,ξu为SOH预测误差,即锂电池SOH参照值与模型输出值之间的误差,上述损失函数的等式约束如公式(13)所示:
S.t.yu-w′T·φ(xu)-b′=ξu,u=1,2,3…,r (13)
yu代表第u个训练样本的锂电池SOH参照值,xu代表第u个训练样本的健康因子集合HI构成的向量,φ表示一种到Hilbert空间的映射关系,b′为超平面方程的截距,r为训练样本的数量。
将训练样本中的健康因子集合作为模型输入,在定义的损失函数下训练LSSVR模型,通过调整规则化参数P和核参数σ0,得到训练样本上的最优回归模型。此外,还可以在测试样本上进行测试,验证模型预测效果。之后,即可采用训练完成的SOH预测模型来预估锂电池SOH,基于锂电池充放电循环过程中的实测数据确定各项健康因子,将健康因子集合输入SOH预测模型,即可得到模型输出的锂电池SOH数值。
结合上述对锂电池的老化机制以及特征提取等过程的介绍,本申请实施例提供一种锂电池的弛豫时间分布确定方法。
图6是本申请实施例提供的一种锂电池的健康状态确定方法的流程示意图。如图6所示,该方法包括:
S601、获取锂电池在充电阶段的时域充电数据。
锂电池在充电阶段的时域充电数据可以包括IC曲线、弛豫电压曲线、电池特定荷电状态内阻,例如电池100%SOC内阻,以及运行环境温度。
如前述介绍的,锂电池的充电阶段包括恒流充电、恒压充电和弛豫静置三个子阶段,在恒流充电子阶段获取恒流充电电压曲线,根据充电容量以及恒流充电电压曲线确定IC曲线;在弛豫静置子阶段获取弛豫电压曲线;此外,还可以基于充电完成后的放电瞬间的电压和电流,确定电池特定荷电状态内阻,例如电池100%SOC内阻;获取锂电池在充电阶段的运行环境温度。可选的,为了便于后续的特征处理,还可以对IC曲线进行滤波以消除噪声,例如采用一维高斯滤波算法对IC曲线进行滤波处理。
S602、从时域充电数据中提取分别与锂电池的电导率损失、锂库存损失和活性物质损失相关的特征。
时域充电数据中提取到的老化特征与锂电池的老化机制之前的关联在前文已经介绍,因此,在应用过程中,可以直接提取相应的特征来表征相应的老化机制。
示例的,将电池100%SOC内阻确定为与锂电池的电导率损失相关的特征,基于时域充电数据提取电池100%SOC内阻的方法可以参见前述实施例的说明。
示例的,对IC曲线进行峰值检测,将第一电压区间内的峰值以及峰值对应的电压确定为与锂电池的锂库存损失相关的特征,其中,第一电压区间是预先确定的增量容量曲线的第三个峰值所在的区间,第一电压区间内的峰值以及峰值对应的电压即前述的老化特征F5、F6,可以理解的是,由于随着充放电循环次数的增加,IC曲线可能出现峰值消失的现象,在这种情况下,第一电压区间内的峰值不再是IC曲线的第三个峰值,在提取峰值这个特征时,不是提取固定的第三个峰值,而是确定在第一电压区间内的峰值,从而避免峰值消失现象的影响。此外,基于弛豫电压曲线,确定充电完成后的预设时间段内的弛豫电压平均值,将弛豫电压平均值确定为与锂电池的锂库存损失相关的特征,例如前述的老化特征F10。
示例的,采用动态时间规整算法确定IC曲线的第二电压区间内的片段与基准片段的相似度,将相似度确定为与锂电池的活性物质损失相关的特征,即前述的老化特征F7,基准片段为锂电池第一次充电时的IC曲线中的第二电压区间内的片段。其中,第二电压区间是预先确定的IC曲线的第一个峰值和第二个峰值所在的区间,与前述类似的原因,由于随着充放电循环次数的增加,IC曲线可能出现峰值消失的现象,在这种情况下,第一电压区间内可能不再存在第一个峰值和第二个峰值,因此本申请实施例中不直接提取第一个峰值和第二个峰值,而是提取第二电压区间内IC曲线的片段与基准片段的相似度,该相似度的确定方法可以参见前述实施例的说明。
除了将上述提取到的特征作为健康因子外,还将时域充电数据中包含影响锂电池老化的运行环境温度作为健康因子,从而确定出健康因子集合。
S603、将提取到的特征和时域充电数据中包含的锂电池的运行环境温度输入SOH预测模型中,得到锂电池的SOH数值,其中,SOH预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
该SOH预测模型的输入为健康因子集合,输出为锂电池的健康状态,该SOH模型可以预先通过样本锂电池的数据进行训练得到。
示例的,SOH预测模型的训练方法包括:获取样本锂电池在充电阶段的样本充电数据;从样本充电数据中提取分别与样本锂电池的电导率损失、锂库存损失和活性物质损失相关的样本特征,将提取到的样本特征和样本充电数据中包含的样本锂电池的运行环境温度确定为样本健康因子;基于样本锂电池的当前最大可用容量以及初始最大可用容量,确定样本锂电池的健康状态参照值;将样本健康因子输入初始非线性回归模型中,基于模型输出的样本锂电池的健康状态数值,以及样本锂电池的健康状态参照值,对初始非线性回归模型的参数进行调整,以得到预先训练的非线性回归模型。模型的构建和损失函数等可以参见前述实施例的说明,此处不再赘述。
本申请实施例的方法,基于锂电池充电阶段实测数据提取与锂电池老化机制相关的特征,并且,针对增量容量曲线第一、二峰值消失的问题,采用动态时间规整算法判定第一、二峰值所在电压区间的增量容量曲线片段相似度,从而构建出更为稳定的老化特征,针对传统特征提取方法物理意义不明确、无法准确表征电池老化机理的问题,采用电化学阻抗谱量化CL、LLI、LAM三种老化机制,结合Pearson分析筛选优化出能够反映电池老化机理的老化特征,进而得到能够准确反映电池老化程度的电池SOH,可以显著提升SOH估计精度和鲁棒性,具有实际应用价值。
图7是本申请实施例提供的一种锂电池的健康状态确定装置的结构示意图。如图7所示,该锂电池的健康状态确定装置700包括:
获取模块701,用于获取锂电池在充电阶段的时域充电数据;
提取模块702,用于从时域充电数据中提取分别与锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;
确定模块703,用于将提取到的特征和时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到锂电池的健康状态数值,其中,健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
在一种实现方式中,时域充电数据包括增量容量曲线、弛豫电压曲线、电池100%荷电状态内阻以及运行环境温度。
在一种实现方式中,锂电池的充电阶段包括恒流充电、恒压充电和弛豫静置三个子阶段;
获取模块701用于:
在恒流充电子阶段获取恒流充电电压曲线,根据充电容量以及恒流充电电压曲线确定增量容量曲线;
在弛豫静置子阶段获取弛豫电压曲线;
基于充电完成后的放电瞬间的电压和电流,确定电池100%荷电状态内阻;
获取锂电池在充电阶段的运行环境温度。
在一种实现方式中,提取模块702用于:
将电池100%荷电状态内阻确定为与锂电池的电导率损失相关的特征。
在一种实现方式中,提取模块702用于:
对增量容量曲线进行峰值检测,将第一电压区间内的峰值以及峰值对应的电压确定为与锂电池的锂库存损失相关的特征;以及,
基于弛豫电压曲线,确定充电完成后的预设时间段内的弛豫电压平均值,将弛豫电压平均值确定为与锂电池的锂库存损失相关的特征。
在一种实现方式中,提取模块702用于:
采用动态时间规整算法确定增量容量曲线的第二电压区间内的片段与基准片段的相似度,将相似度确定为与锂电池的活性物质损失相关的特征,基准片段为锂电池第一次充放电循环的增量容量曲线中的第二电压区间内的片段。
在一种实现方式中,获取模块701用于:
采用一维高斯滤波算法对增量容量曲线进行滤波处理。
在一种实现方式中,还包括:训练模块,用于:
获取样本锂电池在充电阶段的样本充电数据;
从样本充电数据中提取分别与样本锂电池的电导率损失、锂库存损失和活性物质损失相关的样本特征;
基于样本锂电池的当前最大可用容量以及初始最大可用容量,确定样本锂电池的健康状态参照值;
将提取到的样本特征和样本充电数据中包含的样本锂电池的运行环境温度输入初始非线性回归模型中,基于模型输出的样本锂电池的健康状态数值,以及样本锂电池的健康状态参照值,对初始非线性回归模型的参数进行调整,以得到健康状态预测模型。
本申请实施例的装置用于实现前述实施例中的方法,其实现原理和技术效果类似,此处不再赘述。
图8是本申请实施例提供的电子设备的示意性框图。如图8所示,该电子设备800可以包括至少一个处理器801,用于实现本申请实施例提供的方法。
可选地,该电子设备800还包括至少一个存储器802,用于存储程序指令和/或数据。存储器802和处理器801耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电气耦合,机械耦合或其它的形式,用于装置、单元或模块之间的信息交互。处理器801可能和存储器802协同操作。处理器801可能执行存储器802中存储的程序指令。该至少一个存储器中的至少一个可以包括于处理器中。
可选地,该电子设备800还包括通信接口803,用于通过传输介质和其它设备进行通信,从而使得电子设备800可以和其它设备进行通信。该通信接口803例如可以是收发器、接口、总线、电路或者能够实现收发功能的装置。处理器801可利用通信接口803收发数据和/或信息,并用于实现本申请实施例提供的方法。具体参见前文实施例中的详细描述,此处不做赘述。
本申请实施例中不限定上述处理器801、存储器802以及通信接口803之间的具体连接介质。本申请实施例在图8中以处理器801、存储器802以及通信接口803之间通过总线808连接。总线808在图8中以粗线表示,其它部件之间的连接方式,仅是示意性说明,并不引以为限。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序(也可以称为代码,或指令)。当该计算机程序被运行时,使得计算机执行如前述任一实施例中的方法。
本说明书中使用的术语“单元”、“模块”等,可用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step),能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电气耦合,机械耦合或其它的形式。
该作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,各功能单元的功能可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令(程序)。在计算机上加载和执行该计算机程序指令(程序)时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid statedisk,SSD))等。
该功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
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 (10)
1.一种锂电池的健康状态确定方法,其特征在于,包括:
获取锂电池在充电阶段的时域充电数据;
从所述时域充电数据中提取分别与所述锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;
将提取到的特征和所述时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到所述锂电池的健康状态数值,其中,所述健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述时域充电数据包括增量容量曲线、弛豫电压曲线、电池100%荷电状态内阻以及运行环境温度。
3.根据权利要求2所述的方法,其特征在于,所述锂电池的充电阶段包括恒流充电、恒压充电和弛豫静置三个子阶段;
所述获取锂电池在充电阶段的时域充电数据,包括:
在恒流充电子阶段获取恒流充电电压曲线,根据充电容量以及恒流充电电压曲线确定增量容量曲线;
在弛豫静置子阶段获取弛豫电压曲线;
基于充电完成后的放电瞬间的电压和电流,确定电池100%荷电状态内阻;
获取所述锂电池在充电阶段的运行环境温度。
4.根据权利要求2所述的方法,其特征在于,从所述时域信息中提取与锂电池的电导率损失相关的特征,包括:
将电池100%荷电状态内阻确定为与锂电池的电导率损失相关的特征。
5.根据权利要求2所述的方法,其特征在于,从所述时域信息中提取与锂电池的锂库存损失相关的特征,包括:
对所述增量容量曲线进行峰值检测,将第一电压区间内的峰值以及峰值对应的电压确定为与锂电池的锂库存损失相关的特征;以及,
基于所述弛豫电压曲线,确定充电完成后的预设时间段内的弛豫电压平均值,将所述弛豫电压平均值确定为与锂电池的锂库存损失相关的特征。
6.根据权利要求2所述的方法,其特征在于,从所述时域信息中提取与锂电池的活性物质损失相关的特征,包括:
采用动态时间规整算法确定所述增量容量曲线的第二电压区间内的片段与基准片段的相似度,将所述相似度确定为与锂电池的活性物质损失相关的特征,所述基准片段为所述锂电池第一次充放电循环的增量容量曲线中的所述第二电压区间内的片段。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取样本锂电池在充电阶段的样本充电数据;
从所述样本充电数据中提取分别与所述样本锂电池的电导率损失、锂库存损失和活性物质损失相关的样本特征;
基于所述样本锂电池的当前最大可用容量以及初始最大可用容量,确定所述样本锂电池的健康状态参照值;
将提取到的样本特征和所述样本充电数据中包含的样本锂电池的运行环境温度输入初始非线性回归模型中,基于模型输出的所述样本锂电池的健康状态数值,以及所述样本锂电池的健康状态参照值,对所述初始非线性回归模型的参数进行调整,以得到所述健康状态预测模型。
8.一种锂电池的健康状态确定装置,其特征在于,包括:
获取模块,用于获取锂电池在充电阶段的时域充电数据;
提取模块,用于从所述时域充电数据中提取分别与所述锂电池的电导率损失、锂库存损失和活性物质损失相关的特征;
确定模块,用于将提取到的特征和所述时域充电数据中包含的锂电池的运行环境温度输入健康状态预测模型中,得到所述锂电池的健康状态数值,其中,所述健康状态预测模型是基于样本锂电池在充电阶段的样本充电数据进行训练得到的。
9.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器中存储的计算机程序,所述计算机程序运行时使得所述处理器执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229203.3A CN117233636A (zh) | 2023-09-21 | 2023-09-21 | 锂电池的健康状态确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229203.3A CN117233636A (zh) | 2023-09-21 | 2023-09-21 | 锂电池的健康状态确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117233636A true CN117233636A (zh) | 2023-12-15 |
Family
ID=89094424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229203.3A Pending CN117233636A (zh) | 2023-09-21 | 2023-09-21 | 锂电池的健康状态确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233636A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574788A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
CN117706403A (zh) * | 2023-12-16 | 2024-03-15 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
CN117930064A (zh) * | 2024-03-21 | 2024-04-26 | 四川新能源汽车创新中心有限公司 | 一种无损检测析锂的方法、系统、计算设备及介质 |
-
2023
- 2023-09-21 CN CN202311229203.3A patent/CN117233636A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706403A (zh) * | 2023-12-16 | 2024-03-15 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
CN117706403B (zh) * | 2023-12-16 | 2024-05-24 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
CN117574788A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
CN117574788B (zh) * | 2024-01-17 | 2024-05-14 | 中国第一汽车股份有限公司 | 一种基于多尺度建模的电池健康度预测方法及装置 |
CN117930064A (zh) * | 2024-03-21 | 2024-04-26 | 四川新能源汽车创新中心有限公司 | 一种无损检测析锂的方法、系统、计算设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A comparative study of different features extracted from electrochemical impedance spectroscopy in state of health estimation for lithium-ion batteries | |
Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
CN117233636A (zh) | 锂电池的健康状态确定方法、装置、设备和存储介质 | |
Effat et al. | Bayesian and hierarchical bayesian based regularization for deconvolving the distribution of relaxation times from electrochemical impedance spectroscopy data | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN113065283A (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN108663619B (zh) | 确定电池工作电压曲线的方法、装置和设备 | |
Guo et al. | State-of-health estimation for lithium-ion batteries based on historical dependency of charging data and ensemble SVR | |
Takyi-Aninakwa et al. | A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures | |
CN113884935A (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
Chehade et al. | A multi-output convolved Gaussian process model for capacity estimation of electric vehicle Li-ion battery cells | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
He et al. | SOH estimation for lithium-ion batteries: an improved GPR optimization method based on the developed feature extraction | |
CN114184972A (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN116774051B (zh) | 考虑时频域多维数据特征的电池容量快速估计方法 | |
Meng et al. | Multi-segment state of health estimation of lithium-ion batteries considering short partial charging | |
Santoni et al. | A guide to equivalent circuit fitting for impedance analysis and battery state estimation | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
CN116893349A (zh) | 一种基于高斯过程回归的电池健康状态预测方法和系统 |
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 |