CN117420448B - 在线评估电芯化成一致性的方法及系统 - Google Patents
在线评估电芯化成一致性的方法及系统 Download PDFInfo
- Publication number
- CN117420448B CN117420448B CN202311749332.5A CN202311749332A CN117420448B CN 117420448 B CN117420448 B CN 117420448B CN 202311749332 A CN202311749332 A CN 202311749332A CN 117420448 B CN117420448 B CN 117420448B
- Authority
- CN
- China
- Prior art keywords
- current signals
- consistency
- module
- alpha
- direct current
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 title claims description 21
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000007599 discharging Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000000306 recurrent effect Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 21
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims 8
- 230000007704 transition Effects 0.000 claims 4
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000005284 excitation Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000003487 electrochemical reaction Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000000627 alternating current impedance spectroscopy Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000006276 transfer reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种在线评估电芯化成一致性的方法及系统,解决交流激励带来的电感干扰,同时降低硬件成本,实现在生产端的化成阶段对电芯进行大规模的一致性全检。该方法包括对电芯进行充放电、进行直流信号的采集、对直流信号进行卡尔曼滤波、将滤波后的直流信号转换成低电感交流信号、对交流信号进行傅里叶变换、分别提取高中低频的相角、利用非线性规划算法获取不同频率相角的最佳比例系数并计算电芯的一致性指数、结合循环神经网络模块对一致性指数进行深度学习与训练以获取梯次的规格线、根据梯次的规格线对电芯进行分级,并梯次筛选一致性较差的电芯等步骤;该系统包括充放电设备、信号处理模块、计算模块、训练模块和筛选模块。
Description
技术领域
本发明涉及锂电池检测技术领域,特别是指一种在线评估电芯化成一致性的方法及系统。
背景技术
化成阶段是激活电芯、形成SEI膜的过程,如果电芯制备过程中有任何缺陷,都可以在这一阶段的电化学信号得到反馈。但是目前在化成阶段仅通过电芯开路电压来初步评估化成好坏,存在评估精度低、评估效果较差的弊端。对于极耳断裂、黑斑析锂、电解液进水进油等失效原因,仅靠开路电压的初步评估无法有效识别,而目前是采用随机拆解电芯、人工肉眼观察的方式进行二次评估,如果拆解发现不良电芯,则同一批次电芯均需要报废。因此,目前的检测手段对不良品的检出效率低、费时费力,检出效果较差,浪费严重,且极易造成不良品流入市场,使得电池模组因为电芯一致性差而发声容量跳水,甚至产生热失控的风险。
在实验室端,经常使用电化学交流阻抗谱(EIS)对电芯进行安全诊断。但是交流设备存在价格昂贵、算法复杂等缺陷,并且对于大容量电芯(动力电池、储能电池等)而言,由于其电阻小、卷绕层数多等原因,交流激励对大容量电芯容易造成极大的电感,从而造成阻抗结果波动较大,因此传统方式不仅难以对大容量电芯进行有效的分析,其昂贵的价格也不适合生产线或者售后市场(如充电桩、4S店、二手车评估、电车保险评估等)的大规模应用。
现有的相关技术中,如专利CN113369177A公开了《一种锂电池一致性的筛选方法》,通过对串联电池组进行充放电,并监控动态温度分布,经过三次剔除后可以保证电芯的一致性。但是其也存在较多的弊端:①需要额外进行高温搁置,能耗较大;②高温搁置时间较长,需要40~60h,不仅测试时间长,而且容易造成电芯的加速老化;③监控温度分布的过程中需要放置大量热电偶,成本高;④需要进行三次反复剔除操作,步骤繁琐。
发明内容
本发明的目的在于提供一种在线评估电芯化成一致性的方法及系统,解决交流激励带来的电感干扰,同时降低硬件成本,实现在生产端的化成阶段对电芯进行大规模的一致性全检。
为了达成上述目的,本发明的解决方案之一是:
一种在线评估电芯化成一致性的方法,包括以下步骤:
S1、对电芯进行直流充电或放电,并进行直流信号的采集,直流信号包括电流信号和电压信号;
S2、通过卡尔曼滤波消除直流信号中的异常跳点;
S3、将滤波后的直流信号转换成低电感交流信号,交流信号包括不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;再分别利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
,其中X(f)为实部、Y(f)为虚部;
不同频率的相角为
;
S4、以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到单个电芯的一致性指数为
;
S5、结合循环神经网络模型,对一批次电芯的一致性指数进行深度学习与训练(其中n为电芯序号),获取不同梯次的上、下规格线,再利用不同梯次的上、下规格线进行筛查不良品。
所述步骤S2中,卡尔曼滤波公式如下:
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;和/>分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差。
所述步骤S4中,非线性规划算法的形式如下:
其中N为常数,取值为10~50;a、b、c为可变的比例系数,并且a在0~0.1内以0.001~0.01的步进进行迭代,b在0.1~0.3内以0.001~0.01的步进进行迭代,c在0.6~0.8内以0.001~0.01的步进进行迭代;通过在以上限制条件内以穷举的方式不断步进式地寻找最佳的a、b、c三个系数,最终满足/>值最小。
优选地,所述步骤S4中,N的取值为30,比例系数a、b、c在进行迭代时的步进值均为0.001。
所述步骤S5中,通过循环神经网络模型确认不同梯次的上、下规格线,若落于内,则为优品电芯,若/>落于/>到/>之间,则为良品电芯,若/>落于以外,则为差品电芯,其中/>为当前已输入循环神经网络模型的/>均值。
本发明的解决方案之二是:
一种在线评估电芯化成一致性的系统,包括充放电设备、信号处理模块、计算模块、训练模块和筛选模块;所述充放电设备对待测电芯进行直流充电或放电;所述信号处理模块对待测电芯进行直流信号的采集,并通过卡尔曼滤波消除直流信号中的异常跳点,再将滤波后的直流信号转换成低电感交流信号;所述计算模块对所述信号处理模块得出的交流信号进行傅里叶变换以计算不同频率的阻抗,最后分别提取高、中、低三种频率段的相角后利用非线性规划算法计算高、中、低三种频率段相角分别对应的最佳比例系数a、b、c,计算得到待测电芯的一致性指数为/>;所述训练模块包含有循环神经网络模型,对一批次电芯的一致性指数/>进行深度学习与训练,其中n为电芯序号,获取不同梯次的上、下规格线;所述筛选模块利用所述训练模块获取的不同梯次的上、下规格线进行筛查不良品。
所述信号处理模块中,卡尔曼滤波公式如下:
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;和/>分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差。
所述信号处理模块所采集的直流信号包括电流信号和电压信号,并将采集的电流信号、电压信号转换为不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;所述计算模块利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
,其中X(f)为实部、Y(f)为虚部;
不同频率的相角为
;
所述计算模块以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到待测电芯的一致性指数为。
进一步地,所述计算模块中非线性规划算法的形式如下:
其中N为常数,取值为10~50;a、b、c为可变的比例系数,并且a在0~0.1内以0.001~0.01的步进进行迭代、b在0.1~0.3内以0.001~0.01的步进进行迭代、c在0.6~0.8内以0.001~0.01的步进进行迭代,通过在以上限制条件内以穷举的方式不断步进式地寻找最佳的a、b、c三个系数,最终满足/>值最小。
所述训练模块中,通过循环神经网络模型确认不同梯次的上、下规格线:若落于内,则为优品电芯;若/>落于/>到/>之间,则为良品电芯;若/>落于以外,则为差品电芯;其中/>为当前已输入循环神经网络模型的/>均值。
采用上述技术方案后,本发明具有以下技术效果:
①利用电路调制,直接将直流信号转换成不同频率段的交流信号,并在分析过程中自带滤波,可降低高频电感对分析结果的干扰,因此更加适用于多层卷绕的大容量电芯(动力电池、储能电池等);
②本发明结合了卡尔曼滤波、非线性规划算法、循环神经网络模型的深度学习与大数据可视化分析模型,实时、在线地对化成阶段的电芯进行综合分析(综合了高、中、低频区不同时间常数的电化学反应),从而更快地对电芯品质进行筛查,在电芯化成结束即可得出一致性分析结果,并且确保全部电芯均可被监测到,检出概率高,最终智能筛选出差品电芯,保证出货电芯的品质;
③本发明的诊断信号来源是直流信号,来源广泛,如化成柜、实验室用充放电仪器、充电桩、换电站或者电池使用过程中BMS采集的直流信号等,因此适用性较广,不仅可以诊断化成过程中电芯的一致性,也可以对电池模组内成百上千颗电芯的一致性进行评估,适应场景也可拓宽到电芯诊断市场或者售后市场端(例如,充电桩,4S店、二手车评估、电车保险评估等);
④本发明无需改变现有的电芯化成流程,也不对电芯额外施加任何的电流/电压信号,确保对电芯无任何影响;
⑤一致性评估考虑了不同时间常数(高、中、低频)的电化学反应,因此结果更能综合反映出电芯的各类失效原因,从而保证检测结果更加全面且准确。
附图说明
图1为本发明具体实施例的流程示意图;
图2为本发明具体实施例的100颗电芯的一致性系数分布情况示意图;
图3为本发明具体实施例的模块连接示意图;
附图标号说明:
1----充放电设备;2----信号处理模块;3----计算模块;4----训练模块;5----筛选模块。
具体实施方式
为了进一步解释本发明的技术方案,下面通过具体实施例来对本发明进行详细阐述。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明实施例的详细描述并非旨在限制本发明要保护的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明所要保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要理解的是,指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,仅是为了便于描述本发明的实施例而简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”、“相连”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
此外,本发明提供了各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
参考图1所示,本发明公开了一种在线评估电芯化成一致性的方法,包括以下步骤:
S1、对电芯进行直流充电或放电,并进行直流信号的采集,直流信号包括电流信号和电压信号。
S2、通过卡尔曼滤波消除直流信号中的异常跳点。
由于不同的充放电设备在调制输出电流时,有时会出现异常增大或缩小的情况,此时在电压曲线上会反映出或大或小的跳点,为保证本发明的方法适用于每一款充放电设备,不受充放电设备的限制,因此需要添加滤波算法保证信号稳定,使得原始数据更加平滑,并保证原始数据的稳定性。
S3、将滤波后的直流信号转换成低电感交流信号,交流信号包括不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;再分别利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
;
该阻抗Z(f)为复数,可简写成,其中X(f)为实部、Y(f)为虚部,那么不同频率的相角/>为
。
S4、以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到单个电芯的一致性指数为
。
选择高(2000~100Hz)、中(100~1Hz)、低(1~0.05Hz)三种频率段的相角θ进行综合评估,可以较为全面地反映出电芯化成成膜、电荷转移反应和离子扩散等信息,保证一致性筛选的条件足够全面且可靠,并提高了一致性筛选的准确性;此外,高、中、低三种频率段的相角变化对坏品的影响占比不同,因此需结合非线性规划算法计算不同频率段相角的最佳比例系数,从而得到更为精确、适用的电芯一致性指数,并确保该一致性指数/>能够更加准确全面地反映出电芯的一致性信息。
S5、结合循环神经网络(RNN)模型,对一批次电芯的一致性指数进行深度学习与训练(其中n为电芯序号),获取不同梯次的上、下规格线,再利用不同梯次的上、下规格线进行筛查不良品。
以下示出了上述方法的具体实施方式:
上述步骤S2中,卡尔曼滤波公式如下:
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;和/>分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差。
上述步骤S4中,非线性规划算法(即最优解问题)的形式如下:
其中N为常数,与电芯的化学体系、结构等有关,为经验值,一般取值为10~50,优选为30;a、b、c为可变的比例系数,且,并满足/>、、/>。由于高频区更多的与电子电导相关,中低频区更多的与离子电导相关,而化成不良与锂离子的传输、电荷转移相关性更强,因而高频区的比例系数a占比较小,在0~0.1内以0.001~0.01的步进进行迭代即可;中频区与锂离子传输相关,一般新鲜电池内电解液充沛,这一方面的化成不良占比较低,因而中频区的比例系数b在0.1~0.3内以0.001~0.01的步进进行迭代即可;低频区与锂离子的电化学反应相关,化成不良导致的电流密度分布不均也会直接与电化学反应程度相关,因而低频区的比例系数c占比较高,需要在0.6~0.8内以0.001~0.01的步进进行迭代。通过在以上限制条件内不断步进式地寻找最佳的a、b、c三个系数,最终满足/>值最小即可。
进一步地,上述步骤S4中,N的取值为30,比例系数a、b、c在进行迭代时的步进值均为0.001,为最优选。
同时,上述迭代的实现方式是业内技术人员能够知道的——从物理实现上,有很多成熟的计算模块(工业软件芯片)可采购使用;从数学原理上,上述迭代方式是穷举法,即在a+b+c=1、a在0~0.1内、b在0.1~0.3内、c在0.6~0.8内的前提条件下,通过穷举的方式计算出所有f(x)的取值并取最小值,例如可以进行以下步骤:
①设定c的初始值(如取0.6),设定a、b、c的步进值均为0.001;
②保持c不变、ab进行变化:先是a取最小值、b取最大值,计算f(x);然后是a步进0.001、b步进0.001,计算f(x);再是a继续步进0.001、b继续步进0.001,计算f(x),以此类推通过穷举的方式计算出c不变时所有a、b取值下的f(x);
③c步进0.001,如c未超出取值范围则返回步骤②,如c超出取值范围则结束计算,并从所有f(x)的计算结果中取最小值。
上述步骤S5中,循环神经网络模型包括输入层、隐藏层和输出层;可将一批次电芯的前10颗电芯作为初始数据集,并通过循环神经网络模型初步确认不同梯次的上、下规格线:若落于/>内,则为优品电芯;若/>落于/>到/>之间,则为良品电芯;若/>落于/>以外,则为差品电芯;其中/>为当前已输入循环神经网络模型的/>均值。随着检测电芯的不断增多,循环神经网络模型的训练集也会随之增多,标准差/>值也会不断地被大数据所训练,因此能够保证电芯一致性筛查的准确性与可靠性。
参考图2所示,上述方法在具体实验时统计了100颗电芯的一致性系数的分布情况,并结合循环神经网络模型的深度学习,自动地给出不同梯次的上、下规格线。电芯处于不同的梯次规格线内,则电芯的品级不同,从而达到对电芯的分类与一致性筛选。若/>落于内(上下两条虚线之间),则为优品电芯;若/>落于/>到/>之间(上方虚线与上方点段线、下方虚线与下方点段线之间),则为良品电芯;若/>落于/>以外(上方点段线以上、下方点段线以下),则为差品电芯。从图中可以看出,100颗电芯在化成后,存在4颗电芯的/>值在上下两条点段线以外,因此可以判定这4颗电芯为差品电芯,应立即拦截并做进一步的失效分析。
参考图3所示,本发明还公开了一种在线评估电芯化成一致性的系统,包括充放电设备1、信号处理模块2、计算模块3、训练模块4和筛选模块5;
充放电设备1对待测电芯进行直流充电或放电;
信号处理模块2对待测电芯进行直流信号的采集,并通过卡尔曼滤波消除直流信号中的异常跳点,再将滤波后的直流信号转换成低电感交流信号;
计算模块3对信号处理模块2得出的交流信号进行傅里叶变换以计算不同频率的阻抗,最后分别提取高、中、低三种频率段的相角后利用非线性规划算法计算高、中、低三种频率段相角分别对应的最佳比例系数a、b、c,计算得到待测电芯的一致性指数为;
训练模块4包含有循环神经网络(RNN)模型,对一批次电芯的一致性指数进行深度学习与训练(其中n为电芯序号),获取不同梯次的上、下规格线;
筛选模块5利用训练模块4获取的不同梯次的上、下规格线进行筛查不良品。
以下示出了上述系统的具体实施方式:
上述信号处理模块2中,卡尔曼滤波公式如下:
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;和/>分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差。
上述信号处理模块2所采集的直流信号包括电流信号和电压信号,并将采集的电流信号、电压信号转换为不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;计算模块3利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
;
其中X(f)为实部、Y(f)为虚部,则不同频率的相角为
;
计算模块3以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到待测电芯的一致性指数为。
进一步地,上述计算模块3中非线性规划算法的形式如下:
其中N为常数,取值为10~50;a、b、c为可变的比例系数,并且a在0~0.1内以0.001~0.01的步进进行迭代、b在0.1~0.3内以0.001~0.01的步进进行迭代、c在0.6~0.8内以0.001~0.01的步进进行迭代,通过在以上限制条件内以穷举的方式不断步进式地寻找最佳的a、b、c三个系数,最终满足/>值最小。
上述训练模块4中,通过循环神经网络模型确认不同梯次的上、下规格线:若落于/>内,则为优品电芯;若/>落于/>到/>之间,则为良品电芯;若/>落于以外,则为差品电芯;其中/>为当前已输入循环神经网络模型的/>均值。
通过上述方案,本发明利用电路调制,直接将直流信号转换成不同频率段的交流信号,并在分析过程中自带滤波,可降低高频电感对分析结果的干扰,因此更加适用于多层卷绕的大容量电芯(动力电池、储能电池等);本发明结合了卡尔曼滤波、非线性规划算法、循环神经网络模型的深度学习与大数据可视化分析模型,实时、在线地对化成阶段的电芯进行综合分析(综合了高、中、低频区不同时间常数的电化学反应),从而更快地对电芯品质进行筛查,在电芯化成结束即可得出一致性分析结果,并且确保全部电芯均可被监测到,检出概率高,最终智能筛选出差品电芯,保证出货电芯的品质;本发明的诊断信号来源是直流信号,来源广泛,如化成柜、实验室用充放电仪器、充电桩、换电站或者电池使用过程中BMS采集的直流信号等,因此适用性较广,不仅可以诊断化成过程中电芯的一致性,也可以对电池模组内成百上千颗电芯的一致性进行评估,适应场景也可拓宽到电芯诊断市场或者售后市场端(例如,充电桩,4S店、二手车评估、电车保险评估等);本发明无需改变现有的电芯化成流程,也不对电芯额外施加任何的电流/电压信号,确保对电芯无任何影响;一致性评估考虑了不同时间常数(高、中、低频)的电化学反应,因此结果更能综合反映出电芯的各类失效原因,从而保证检测结果更加全面且准确。
上述实施例和图式并非限定本发明的产品形态和式样,任何所属技术领域的普通技术人员对其所做的适当变化或修饰,皆应视为不脱离本发明的专利范畴。
Claims (8)
1.一种在线评估电芯化成一致性的方法,其特征在于包括以下步骤:
S1、对电芯进行直流充电或放电,并进行直流信号的采集,直流信号包括电流信号和电压信号;
S2、通过卡尔曼滤波消除直流信号中的异常跳点;
S3、将滤波后的直流信号转换成低电感交流信号,交流信号包括不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;再分别利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
其中X(f)为实部、Y(f)为虚部;
不同频率的相角θ为
S4、以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到单个电芯的一致性指数α为α=a*θ(高频)+b*θ(中频)+c*θ(低频);
S5、结合循环神经网络模型,对一批次电芯的一致性指数αn进行深度学习与训练(其中n为电芯序号),获取不同梯次的上、下规格线,再利用不同梯次的上、下规格线进行筛查不良品;
所述步骤S4中,非线性规划算法的形式如下
minxf(x)
f(x)=a*θ(高频)+b*θ(中频)+c*θ(低频)-N
其中N为常数,取值为10~50;a、b、c为可变的比例系数,a+b+c=1并且a在0~0.1内以0.001~0.01的步进进行迭代,b在0.1~0.3内以0.001~0.01的步进进行迭代,c在0.6~0.8内以0.001~0.01的步进进行迭代;通过在以上限制条件内以穷举的方式不断步进式地寻找最佳的a、b、c三个系数,最终满足f(x)值最小。
2.如权利要求1所述的一种在线评估电芯化成一致性的方法,其特征在于:
所述步骤S2中,卡尔曼滤波公式如下
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;/>和Pk-1分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差,A代表状态转移矩阵,B代表输入矩阵,uk-1代表k-1时刻的输入,AT为矩阵A的转置矩阵,Q为状态转移协方差矩阵。
3.如权利要求1所述的一种在线评估电芯化成一致性的方法,其特征在于:
所述步骤S4中,N的取值为30,比例系数a、b、c在进行迭代时的步进值均为0.001。
4.如权利要求1所述的一种在线评估电芯化成一致性的方法,其特征在于:
所述步骤S5中,通过循环神经网络模型确认不同梯次的上、下规格线,若αn落于内,则为优品电芯,若αn落于/>到/>之间,则为良品电芯,若αn落于/>以外,则为差品电芯,其中/>为当前已输入循环神经网络模型的αn均值,其中σ为标准差。
5.一种在线评估电芯化成一致性的系统,其特征在于:
包括充放电设备、信号处理模块、计算模块、训练模块和筛选模块;
所述充放电设备对待测电芯进行直流充电或放电;
所述信号处理模块对待测电芯进行直流信号的采集,并通过卡尔曼滤波消除直流信号中的异常跳点,再将滤波后的直流信号转换成低电感交流信号;
所述计算模块对所述信号处理模块得出的交流信号进行傅里叶变换以计算不同频率的阻抗,以[2000,100)、[100,1]、(1,0.05]分别为高、中、低三种频率段的取值区间,提取高、中、低三种频率段的相角,利用非线性规划算法计算高、中、低频率段相角分别对应的最佳比例系数a、b、c,计算得到待测电芯的一致性指数α为α=a*θ(高频)+b*θ(中频)+c*θ(低频);所述计算模块中非线性规划算法的形式如下
minxf(x)
f(x)=a*θ(高频)+b*θ(中频)+c*θ(低频)-N
其中N为常数,取值为10~50;a、b、c为可变的比例系数,a+b+c=1并且a在0~0.1内以0.001~0.01的步进进行迭代、b在0.1~0.3内以0.001~0.01的步进进行迭代、c在0.6~0.8内以0.001~0.01的步进进行迭代,通过在以上限制条件内以穷举的方式不断步进式地寻找最佳的a、b、c三个系数,最终满足f(x)值最小;
所述训练模块包含有循环神经网络模型,对一批次电芯的一致性指数αn进行深度学习与训练,其中n为电芯序号,获取不同梯次的上、下规格线;
所述筛选模块利用所述训练模块获取的不同梯次的上、下规格线进行筛查不良品。
6.如权利要求5所述的一种在线评估电芯化成一致性的系统,其特征在于:
所述信号处理模块中,卡尔曼滤波公式如下
其中,和/>分别表示k时刻的先验状态估计值和k-1时刻的后验状态估计值;/>和Pk-1分别表示k时刻的先验估计协方差和k-1时刻的后验估计协方差,A代表状态转移矩阵,B代表输入矩阵,uk-1代表k-1时刻的输入,AT为矩阵A的转置矩阵,Q为状态转移协方差矩阵。
7.如权利要求5所述的一种在线评估电芯化成一致性的系统,其特征在于:
所述信号处理模块所采集的直流信号包括电流信号和电压信号,并将采集的电流信号、电压信号转换为不同频率的电流信号i(t,f)和不同频率的电压信号u(t,f),其中t代表时间、f代表频率;所述计算模块利用傅里叶变换得到不同频率的电流信号、电压信号的傅里叶级数I(ω,f)和U(ω,f),则不同频率的阻抗Z为
其中X(f)为实部、Y(f)为虚部;
不同频率的相角θ为
8.如权利要求5所述的一种在线评估电芯化成一致性的系统,其特征在于:
所述训练模块中,通过循环神经网络模型确认不同梯次的上、下规格线:若αn落于内,则为优品电芯;若αn落于/>到/>之间,则为良品电芯;若αn落于/>以外,则为差品电芯;其中/>为当前已输入循环神经网络模型的αn均值,其中σ为标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311749332.5A CN117420448B (zh) | 2023-12-19 | 2023-12-19 | 在线评估电芯化成一致性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311749332.5A CN117420448B (zh) | 2023-12-19 | 2023-12-19 | 在线评估电芯化成一致性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117420448A CN117420448A (zh) | 2024-01-19 |
CN117420448B true CN117420448B (zh) | 2024-03-15 |
Family
ID=89532955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311749332.5A Active CN117420448B (zh) | 2023-12-19 | 2023-12-19 | 在线评估电芯化成一致性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420448B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093125A (zh) * | 2015-07-30 | 2015-11-25 | 国家电网公司 | 镍氢电池单体一致性评测系统与方法 |
CN109581237A (zh) * | 2018-11-15 | 2019-04-05 | 山东金人电气有限公司 | 一种动力电池动态内阻检测方法,设备及计算机可读存储介质 |
CN111580003A (zh) * | 2020-04-08 | 2020-08-25 | 国电南瑞科技股份有限公司 | 一种基于阻抗谱的二次电池不一致性鉴别方法及装置 |
CN112686380A (zh) * | 2020-12-28 | 2021-04-20 | 江苏宝航能源技术有限公司 | 基于神经网络的梯次动力电芯一致性评估方法和系统 |
CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电芯一致性的评估方法、装置及服务器 |
CN115201687A (zh) * | 2022-07-13 | 2022-10-18 | 西南交通大学 | 基于在线宽频带阻抗的电池模型参数和SoC联合估计方法 |
CN116068433A (zh) * | 2023-03-06 | 2023-05-05 | 合肥国轩高科动力能源有限公司 | 一种评估电池容量一致性的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257457A (zh) * | 2022-07-27 | 2022-11-01 | 浙江极氪智能科技有限公司 | 车辆电池单体一致性评估方法、装置、设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311749332.5A patent/CN117420448B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093125A (zh) * | 2015-07-30 | 2015-11-25 | 国家电网公司 | 镍氢电池单体一致性评测系统与方法 |
CN109581237A (zh) * | 2018-11-15 | 2019-04-05 | 山东金人电气有限公司 | 一种动力电池动态内阻检测方法,设备及计算机可读存储介质 |
CN111580003A (zh) * | 2020-04-08 | 2020-08-25 | 国电南瑞科技股份有限公司 | 一种基于阻抗谱的二次电池不一致性鉴别方法及装置 |
CN112686380A (zh) * | 2020-12-28 | 2021-04-20 | 江苏宝航能源技术有限公司 | 基于神经网络的梯次动力电芯一致性评估方法和系统 |
CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 电芯一致性的评估方法、装置及服务器 |
CN115201687A (zh) * | 2022-07-13 | 2022-10-18 | 西南交通大学 | 基于在线宽频带阻抗的电池模型参数和SoC联合估计方法 |
CN116068433A (zh) * | 2023-03-06 | 2023-05-05 | 合肥国轩高科动力能源有限公司 | 一种评估电池容量一致性的方法及系统 |
Non-Patent Citations (2)
Title |
---|
Discrete Wavelet Transform-Based Feature Extraction of Experimental Voltage Signal for Li-Ion Cell Consistency;Jonghoon Kim;IEEE Transactions on Vehicular Technology;20160331;第65卷(第3期);1150 - 1161 * |
基于阻抗谱的锂离子电池一致性筛选系统研究;刘通;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20230215;C042-115 * |
Also Published As
Publication number | Publication date |
---|---|
CN117420448A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network | |
Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
JP7153196B2 (ja) | 電池特性評価装置、および電池特性評価方法 | |
WO2020090143A1 (ja) | 電流パルス法による電池診断装置及び電池診断方法 | |
Stock et al. | Early quality classification and prediction of battery cycle life in production using machine learning | |
JP7157908B2 (ja) | 電池容量の推定方法および電池容量の推定装置 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
Yang et al. | A voltage reconstruction model based on partial charging curve for state-of-health estimation of lithium-ion batteries | |
Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
Liu et al. | Characterization of aging mechanisms and state of health for second-life 21700 ternary lithium-ion battery | |
JP2003197274A (ja) | インピダンススペクトルのパターンマッチング技法を用いた単位電池分類方法 | |
US11366168B2 (en) | Battery information processing system, battery information processing method, and battery assembly and method of manufacturing battery assembly | |
Rüther et al. | Detection of inhomogeneities in serially connected lithium-ion batteries | |
Rashid et al. | Dataset for rapid state of health estimation of lithium batteries using EIS and machine learning: Training and validation | |
CN117420448B (zh) | 在线评估电芯化成一致性的方法及系统 | |
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 | |
US20220397611A1 (en) | Battery capacity estimation method and battery capacity estimation system | |
JP7380654B2 (ja) | 評価装置、評価システム、評価方法及びそのプログラム | |
Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data | |
Anekal et al. | Wide-ranging parameter extraction of Lithium-ion Batteries to Estimate State of Health using Electrochemical Impedance Spectroscopy | |
Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator | |
JP7334275B2 (ja) | 製造設備品質に対する定量化診断法 |
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 |