CN117436287B - 电池组寿命预测方法、装置及存储介质 - Google Patents
电池组寿命预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117436287B CN117436287B CN202311757054.8A CN202311757054A CN117436287B CN 117436287 B CN117436287 B CN 117436287B CN 202311757054 A CN202311757054 A CN 202311757054A CN 117436287 B CN117436287 B CN 117436287B
- Authority
- CN
- China
- Prior art keywords
- life
- battery pack
- battery
- cell
- cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 3
- 238000002948 stochastic simulation Methods 0.000 claims 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 20
- 229910052744 lithium Inorganic materials 0.000 description 20
- 238000005259 measurement Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000014759 maintenance of location Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000022131 cell cycle Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- QSNQXZYQEIKDPU-UHFFFAOYSA-N [Li].[Fe] Chemical compound [Li].[Fe] QSNQXZYQEIKDPU-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007784 solid electrolyte Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池组寿命预测方法、装置及存储介质,所述方法包括:建立电池组中单体电芯的寿命衰减模型,执行寿命预测操作:确定各单体电芯的实际工作温度范围。基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值。基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命。基于若干个循环寿命确定所述电池组的寿命,也即可以根据电池组中单体电芯的排列方式以及每个单体电芯的循环寿命确定整体电池组的寿命,以达到对电池组寿命进行测试的目的。采用本申请的电池组寿命预测方法可以显著缩短电池组寿命测试周期,寿命测试结果准确度较高,测试能源消耗较少,缓解测试设备资源紧张的压力。
Description
技术领域
本申请涉及锂电池技术领域,尤其涉及一种电池组寿命预测方法、装置及存储介质。
背景技术
随着资源与环境双重压力的持续增大,发展新能源电动汽车已成为未来汽车工业的重要方向。锂电池具有比能量高、 循环寿命长、自放电小、无污染、无记忆效应的特点,锂电池组已成为新能源电动汽车的主要驱动电源。锂电池组的使用寿命直接决定了新能源电动汽车的续航里程及安全性能。通过对锂电池组的使用寿命预测,可以及时了解电池所处寿命阶段是否存在安全隐患,避免安全事故的发生。目前,对于锂电池组的寿命预测,通常是将电池组整体作为预测对象,导致寿命预测周期长、能源耗费高。
发明内容
有鉴于此,本申请的目的在于提出一种电池组寿命预测方法、装置及存储介质,以解决锂电池组寿命预测周期长、能源耗费高的问题。
本申请的第一方面提供了一种电池组寿命预测方法,包括:
建立电池组中单体电芯的寿命衰减模型,并执行如下寿命预测操作:
确定所述电池组中单体电芯的实际工作温度范围;
基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值;
基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命;
基于若干个循环寿命确定所述电池组的寿命。
可选的,所述基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值,包括:
基于所述实际工作温度范围,确定用于描述正态分布的第一均值和第一方差;
基于所述第一均值和所述第一方差,采用蒙特卡罗算法随机生成若干个模拟电芯温度值;其中,所述电池组中的各单体电芯的实际工作温度服从正态分布。
可选的,所述基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,包括:
在预设环境温度下,对所述单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述第一参数和阿伦尼乌斯方程,通过计算确定所述阿伦尼乌斯方程中的第二参数;
基于若干个模拟电芯温度值、所述阿伦尼乌斯方程和所述第二参数,计算得到每个模拟电芯温度值对应的循环寿命。
可选的,所述基于若干个循环寿命确定所述电池组的寿命,包括:
响应于所述电池组为串联电池组,将若干个循环寿命中的最小寿命作为所述电池组的寿命。
可选的,所述确定所述电池组中单体电芯的实际工作温度范围,包括:
对所述电池组进行充放电测试,记录充放电测试过程中所述电池组内单体电芯的实际工作温度范围。
可选的,所述方法还包括:
按照预设的预测次数,重复所述寿命预测操作,以得到所述电池组的寿命分布。
可选的,所述方法还包括:
在预设环境温度下,对所述单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率;
基于所述寿命衰减模型、所述第一参数和若干个模拟电芯容量衰减率,确定在所述预设环境温度下所述电池组的寿命数据。
可选的,所述基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率,包括:
基于所述电池组中各单体电芯之间的初始容量差异,以及预设的单体电芯容量衰减阈值,确定用于描述正态分布的第二均值和第二方差;其中,所述电池组中的各单体电芯的初始容量服从正态分布;
基于所述第二均值和所述第二方差,采用蒙特卡罗算法随机生成若干个模拟电芯容量衰减率。
本申请的第二方面提供了一种电池组寿命预测装置,包括:
建立模块,被配置为建立电池组中单体电芯的寿命衰减模型;
预测模块,包括第一确定单元、模拟单元、计算单元和第二确定单元;
所述第一确定单元,被配置为确定所述电池组中单体电芯的实际工作温度范围;
所述模拟单元,被配置为基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值;
所述计算单元,被配置为基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命;
所述第二确定单元,被配置为基于若干个循环寿命确定所述电池组的寿命。
本申请的第三方面还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出,本申请提供的电池组寿命预测方法、装置及存储介质,所述方法包括:建立电池组中单体电芯的寿命衰减模型,寿命衰减模型能够描述单体电芯容量的衰减与循环时间之间的关系。建立寿命衰减模型后,执行寿命预测操作:由于电池组中单体电芯的实际工作温度存在差异,而实际工作温度对单体电芯的容量衰减存在影响,因此需要确定各单体电芯的实际工作温度范围。基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值,实现了无需对电池组中的每个电芯进行实际工作温度测量即可得到若干个模拟电芯温度值的目的,减少测量时间以及测量成本的消耗。基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,无需针对整个电池组进行实际循环寿命测试,有效减少循环寿命测试时间,降低测试能源消耗,降低测试成本。基于若干个循环寿命确定所述电池组的寿命,也即可以根据电池组中单体电芯的排列方式以及每个单体电芯的循环寿命确定整体电池组的寿命,以达到对电池组寿命进行测试的目的。采用本申请的电池组寿命预测方法可以显著缩短电池组寿命测试周期,寿命测试结果准确度较高,测试能源消耗较少,缓解测试设备资源紧张的压力。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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为本申请实施例的电池组寿命预测方法的流程示意图;
图2为本申请实施例的模拟电芯温度值的分布示意图;
图3为本申请实施例的循环寿命计算方法的流程示意图;
图4为本申请实施例的25℃时单体电芯的寿命测试数据示意图;
图5为本申请实施例的45℃时单体电芯的寿命测试数据示意图;
图6为本申请实施例的电池组的寿命分布示意图;
图7为本申请实施例的电池组寿命预测装置的结构示意图;
图8为本申请实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
相关技术中,对于锂电池组的寿命预测,通常是将锂电池组整体作为研究对象,基于遗传算法对锂电池组进行循环寿命曲线拟合,得到锂电池组循环寿命的预测模型。但是,锂电池组寿命预测方法测试周期比较长、电池组测试设备资源紧张、耗费的能源较高。有鉴于此,本申请提出了一种电池组寿命预测方法,在确保测试准确率的前提下,能够提高电池组寿命预测效率,确保电池组运行安全,并有效缓解电池组测试设备紧张的问题,本申请的电池组寿命预测方法适应于串联锂电池组。
以下结合附图来详细说明本申请的实施例。
本申请提供了一种电池组寿命预测方法,参考图1,包括以下步骤:
步骤102、建立电池组中单体电芯的寿命衰减模型。
具体的,寿命衰减模型是用于描述单体电芯寿命衰减规律的模型。单体电芯容量衰减的主要原因是SEI(Solid electrolyte interphase,固体电解质界面)增长副反应造成的活性锂损失。SEI增长在电池寿命期间持续发生,导致活性锂的消耗和电解质的分解。活性锂的消耗导致电极阻抗增加,电池容量和功率衰减。在本实施例中,基于上述容量衰减理论建立单体电芯寿命衰减模型。寿命衰减模型表达式见式(1),
(1)
其中,表示单体电芯的容量损失率,/>表示循环时间(循环次数),/>表示指前加速因子,/>表示时间加速因子。在寿命衰减模型中,电芯容量的衰减与循环时间关系符合幂率方程。循环时间越长,电芯容量衰减量越大。不同环境温度下的寿命衰减模型中的参数a和参数z数值不同。通过建立寿命衰减模型,可以对单体电芯的循环寿命进行预测,进而确定电池组的寿命。
对电池组寿命进行预测时,执行如下寿命预测操作:
步骤104、确定所述电池组中单体电芯的实际工作温度范围。
具体的,由于电池组中单体电芯分布位置不同,导致单体电芯在使用过程中的工作温度不同。在电池组中,初始容量大且工作温度低的单体电芯循环寿命较长,初始容量小且工作温度高的单体电芯循环寿命较低。单体电芯在不同工作温度下对应的容量损失不同,容量损失不同导致单体电芯的循环寿命存在差异。因此,在确定电池组的寿命时,需要考虑各个单体电芯由于实际工作温度不同带来的容量损失差异。
温度与电芯容量的关系符合阿伦尼乌斯方程。阿伦尼乌斯方程是描述化学反应速率与温度之间关系的方程,它是热力学和动力学的基础之一。阿伦尼乌斯方程的表达式见式(2),
(2)
其中,表示单体电芯的容量损失率,/>表示活化能,/>表示理想气体常数,/>表示循环时间(循环次数),/>表示指前因子,/>表示时间加速因子,/>表示温度。
在测量实际工作温度范围时,可以对每个单体电芯的实际工作温度进行测量。为了减少温度测量的工作量,还可以在电池组中选取多个适当的温度测量点,采集每个温度测量点处的温度值,作为电池组中单体电芯的典型性温度值。将采集到的所有温度值中的上限值和下限值之间形成的温度区间作为实际工作温度范围。
步骤106、基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值。
具体的,在确定了实际工作温度范围的基础上,通过模拟算法随机生成若干个模拟电芯温度值,例如,随机生成10000个模拟电芯温度值,每个模拟电芯温度值均包含在实际工作温度范围内。通过模拟算法生成多个模拟电芯温度值,可以避免对电池组中每个单体电芯进行工作温度的实际测量,减少实际测量时间和测量成本。例如,本实施例中的电池组型号为202Ah1P48S,单体电芯容量为202Ah,电池组是组成方式为1P48S的方形电池,一个电池包中包括48个串联的电芯,电芯材质为铁锂体系,下述实施例将沿用此条件。电池组中包括48个串联的单体电芯,在测量实际工作温度范围时,可以在电池组中选取合适的10个测量点。示例性的,可以将10个测量点均匀布设在电芯的正极附近、负极附近以及电芯的侧面位置,以分别采集不同位置电芯的工作温度。测量点数量设置越多,确定的实际工作温度范围越准确。在合理的范围内,可以尽可能多的设置热电偶测量点。采集测量点的温度以确定实际工作温度范围,基于实际工作温度范围可以通过随机模拟算法生成10000个模拟电芯温度值,有效减少实际工作温度测量的工作量,提高测量效率。
步骤108、基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命。
具体的,确定了每个模拟电芯温度值和寿命衰减模型后,可以计算得到每个模拟电芯温度对应的循环寿命,也即可以确定组成电池组的每个模拟电芯的循环寿命。通常,将单体电芯容量下降20%时,对应的已循环次数作为单体电芯的循环寿命。
步骤110、基于若干个循环寿命确定所述电池组的寿命。
由于本实施例适用于串联锂电池组,电池组的有效容量C=min(、/>、…、/>),i=(1、2、3…n),n为电池组中单体电芯的数量,/>为剩余电量为100%时,第i个单体电芯的容量。串联锂电池组中,每个单体电芯的容量是相互独立的,串联锂电池组的寿命取决于容量最小的单体电芯。因此,若干个循环寿命中的最小寿命即为电池组的寿命。
基于上述步骤102至步骤110,本实施例提供了一种电池组寿命预测方法,所述方法包括:建立电池组中单体电芯的寿命衰减模型,寿命衰减模型能够描述单体电芯容量的衰减与循环时间之间的关系。建立寿命衰减模型后,执行寿命预测操作:由于电池组中单体电芯的实际工作温度存在差异,而实际工作温度对单体电芯的容量衰减存在影响,因此需要确定各单体电芯的实际工作温度范围。基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值,实现了无需对电池组中的每个电芯进行实际工作温度测量即可得到若干个模拟电芯温度值的目的,减少测量时间以及测量成本的消耗。基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,无需针对整个电池组进行实际循环寿命测试,有效减少循环寿命测试时间,降低测试能源消耗,降低测试成本。基于若干个循环寿命确定所述电池组的寿命,也即可以根据电池组中单体电芯的排列方式以及每个单体电芯的循环寿命确定整体电池组的寿命,以达到对电池组寿命进行测试的目的。采用本申请的电池组寿命预测方法可以显著缩短电池组寿命测试周期,寿命测试结果准确度较高,测试能源消耗较少,缓解测试设备资源紧张的压力。
在一些实施例中,所述基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值,包括:
基于所述实际工作温度范围,确定用于描述正态分布的第一均值和第一方差;
基于所述第一均值和所述第一方差,采用蒙特卡罗算法随机生成若干个模拟电芯温度值;其中,所述电池组中的各单体电芯的实际工作温度服从正态分布。
具体的,在通过批量处理单体电芯数据的过程中发现,单体电芯的电压、内阻、温度和容量均符合正态分布。正态分布可以由式(3)描述,
(3)
其中,式(3)中的随机变量x服从一个均值为、方差为/>的正态分布。根据实际工作温度范围可以确定第一均值/>和第一方差/>。第一均值/>和第一方差/>服从式(3)描述的正态分布。示例性的,若实际工作温度范围为(28.5℃,37℃),则
根据第一均值和第一方差描述的正态分布,采用蒙特卡罗算法随机生成若干个模拟电芯温度值。示例性的,若干个的数量可以为10000个。图2示出了采用蒙特卡罗算法随机生成10000个模拟电芯温度值的示意图。横坐标为温度,纵坐标为频数。从图2中可以看出,温度在34℃的模拟电芯数量大约为1100个。10000个模拟电芯温度值服从正态分布。其中,蒙特卡罗算法又称统计模拟法、随机抽样技术,是一种随机模拟方法,以概率和统计理论方法为基础的一种计算方法,是使用随机数(或伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系,用电子计算机实现统计模拟或抽样,以获得问题的近似解。采用蒙特卡罗算法随机生成的每个模拟电芯温度值均满足均值为第一均值、方差为第一方差的正态分布。通过本实施例的方法生成若干个模拟电芯温度值,可以避免对每个单体电芯的工作温度进行测量,降低测量时间成本和能耗成本。同时,生成的模拟电芯温度值均在单体电芯的正常工作温度范围之内,确保后续对于电池组寿命预测的准确性。
需要说明的是,为了提升电池组寿命的预测速率,可以从10000个模拟电芯温度值抽取部分模拟电芯温度值,进行后续电池组寿命的预测计算。例如,从10000个模拟电芯温度值中随机抽取48个模拟电芯温度值,用于后续电池组寿命的预测计算。
在一些实施例中,参考图3,所述基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,包括以下步骤:
步骤202、在预设环境温度下,对单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据。
具体的,电池组所处的环境温度对电池组的寿命存在一定的影响。在本领域电池组寿命测试过程中,通常在25℃和45℃两种环境温度下,对电池组的寿命进行测试。25℃作为较低的环境温度,45℃作为较高的环境温度。较高的环境温度将会加速电池组的寿命衰减。在本步骤中,预设环境温度分别为25℃和45℃,预设循环次数可以为1000次。在本实施例中,进行寿命测试的电池组型号为202Ah1P48S,表示单体电芯容量为202Ah,电池组是组成方式为1P48S的方形电池,一个电池包中包括48个串联的电芯,其中,电芯材质为铁锂体系。在每次循环(包括一次充电过程和一次放电过程)之后,记录单体电芯的容量保持率。图4示出了环境温度为25℃时,单体电芯的寿命测试数据。横坐标表示循环次数,纵坐标表示容量保持率。图4中直线的加粗线段为寿命测试数据。如图4所示,当单体电芯循环次数达到1000次时,单体电芯的容量保持率在95%左右。图5示出了环境温度为45℃时,单体电芯的寿命测试数据。横坐标表示循环次数,纵坐标表示容量保持率。图5中直线的加粗线段为寿命测试数据。如图5所示,单体电芯循环次数达到1000次时,单体电芯的容量保持率在90%左右。由此可以发现,环境温度升高,单体电芯的寿命衰减更快。
步骤204、基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数。
通过步骤202确定了寿命测试数据后,可以采用拟合算法在寿命测试数据的基础上进行拟合,以得到单体电芯完整的寿命测试数据,如图4和图5中的直线(包括加粗部分和虚线部分,加粗部分为实测数据,虚线部分为拟合数据)。示例性的,拟合算法可以通过MATLAB软件实现。如图4所示,通过MATLAB软件拟合后,拟合优度,当容量保持率达到80%时,单体电芯的循环次数为4450次。如图5所示,通过MATLAB软件拟合后,拟合优度/>,当容量保持率达到80%时,单体电芯的循环次数为2872次。通常,当单体电芯的容量保持率衰减20%时,认为单体电芯寿命终止,此时已循环次数作为单体电芯的循环寿命。寿命衰减模型中的第一参数包括参数a和参数z,为了便于区分。在25℃时,参数a和参数z分别记作a1和z1。在45℃时,参数a和参数z分别记作a2和z2。通过如图4和图5的拟合后,可以得到在25℃时,寿命衰减模型中的参数a1=7.78*10-5,z1=0.9374;在45℃时,寿命衰减模型中的参数a2=1.402*10-3,z2=0.6249。
步骤206、基于所述第一参数和阿伦尼乌斯方程,通过计算确定所述阿伦尼乌斯方程中的第二参数。
通过步骤204确定的不同环境温度下的第一参数,结合式(2)中的阿伦尼乌斯方程,可以计算得到活化能、指前因子/>和时间加速因子/>,其中,第二参数包括活化能/>、指前因子/>和时间加速因子/>。结合式(1)和式(2)可知,式(1)中的参数a等于式(2)中的,在环境温度为25℃时,
7.78*10-5(4)
在环境温度为45℃时,
1.402*10-3(5)
由式(4)-(5)计算得到,,/>。时间加速因子/>等于/>和/>的平均值,/>=(0.9374+0.6249)/2≈0.8。在式(2)中代入第二参数后,可得式(6),
(6)
步骤208、基于若干个模拟电芯温度值、所述阿伦尼乌斯方程和所述第二参数,计算得到每个模拟电芯温度值对应的循环寿命。
具体的,将若干个模拟电芯温度值作为温度集合,记作,例如,温度集合/>中包括10000个模拟电芯温度。将集合/>中的每个模拟电芯温度代入式(6)中变量T后,可得到对应的循环寿命t,将若干个循环寿命t合并为循环寿命集合/>。若有10000个模拟电芯温度,则对应可以得到包含10000个循环寿命的集合/>。其中,/>。
基于上述步骤202至步骤208,计算得到每个模拟电芯温度值对应的循环寿命,无需对电池组中每个单体电芯进行实际的循环寿命测量,降低测量时间成本,进而提升电池组寿命预测效率。
在一些实施例中,所述确定所述电池组中单体电芯的实际工作温度范围,包括:对所述电池组进行充放电测试,记录充放电测试过程中所述电池组内单体电芯的实际工作温度范围。
具体的,测试单体电芯的实际工作温度时,在电池组中不同位置上预先布置热电偶。对电池组进行充电和放电,采集充放电过程中热电偶的温度值作为单体电芯的实际工作温度。其中,热电偶的布置数量可以根据实际情况进行选择。如果电池组中单体电芯数量较多,则布置的热电偶数量相应增加,如果电池组中单体电芯数量较少,则布置的热电偶数量相应减少即可。例如,在型号为202Ah1P48S的电池组中设置10个热电偶,在型号为202Ah1P39S的电池组中设置8个热电偶。其中,热电偶的分布需要能够检测到电池组中不同位置的温度,例如电芯正极附近、电芯负极附近以及电芯侧面等区域的温度。示例性的,在本实施例中,在型号为202Ah1P48S的电池组中平均布设10只热电偶,对202Ah1P48S电池组进行充放电测试,并记录测试过程中各热电偶采集到的温度。表1中列出了充电过程中各热电偶的最高温度。表2列出了放电过程中各热电偶的最高温度。表3列出了充电过程中各热电偶的最低温度。表4列出了放电过程中各热电偶的最低温度。通过对表1至表4中各测量温度进行处理,得到电池组在运行过程中各单体电芯的实际工作温度范围,实际工作温度范围确定为(28.5℃,37℃)。测量得到的各个实际工作温度服从正态分布。
表1充电过程中各热电偶的最高温度
表2放电过程中各热电偶的最高温度
表3充电过程中各热电偶的最低温度
表4放电过程中各热电偶的最低温度
需要说明的是,在表1至表4中,超过40℃以上的温度值较为离散,作为异常数据剔除,不参与后续电池组寿命的预测。充放电次数也可以按照需求进行选择,若进行多次充放电,则可以选择数据质量较好(离散温度较少)的一组温度值确定实际工作温度范围。通过本实施例的方法可以快速确定电池组中单体电芯的实际工作温度范围,准确率较高,测试速度较快。
通过前述实施例,可以模拟得到一组电池组的寿命。但是,该电池组的寿命具有一定的随机性。如果想要评估较为准确的电池组的寿命,则需要确定电池组的寿命分布,也即确定电池组寿命的分布概率。下面通过具体实施例描述电池组寿命分布的确定方法。
在一些实施例中,所述方法还包括:按照预设的预测次数,重复所述寿命预测操作,以得到所述电池组的寿命分布。
通过前述实施例可知,执行一次寿命预测操作,可以得到一组电池组的寿命数据。若想得到电池组的寿命分布,则可以多次重复寿命预测操作,以得到多组寿命数据。图6示出了10000组电池组的寿命分布,横坐标表示电池组的寿命(循环次数),纵坐标表示电池组的频数。从图6中可以看出,电池组的寿命分布服从正态分布,其中,循环次数为2886次的电池组的数量为1000个。由图6还可进一步获知,循环次数超过2800次的电池组的概率大约为80%。通过电池组的寿命分布可以较为准确的估算电池组的剩余寿命,在剩余寿命较少时,及时提醒用户更换锂电池组,可以确保电池组的安全运行,为电池组的维护工作提供数据分析基础。
本申请中除了可以预设电池的寿命之外,还可以确定在某一环境温度下,电池组的寿命数据,也即可以预测电池组循环次数与容量衰减率的对应关系。在循环次数接近电池组的循环寿命时,可以提前更换电池组,避免电池组性能下降进而影响用电设备正常运行。
在一些实施例中,所述方法还包括以下步骤:
步骤302、在预设环境温度下,对单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据。
步骤304、基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数。
步骤306、基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率;
步骤308、基于所述寿命衰减模型、所述第一参数和若干个模拟电芯容量衰减率,确定在所述预设环境温度下所述电池组的寿命分布。
具体的,本实施例中的步骤302与步骤304与前述实施例中的步骤202和步骤204相同,此处不再赘述。通常,在电池组中,各个单体电芯的初始容量是不同的,各个单体电芯的初始容量服从正态分布,各个单体电芯之间的初始容量差异为1%。电池组中的各单体电芯符合3sigma分布原则,由此利用随机模拟算法可以生成若干个模拟电芯容量衰减率,将若干个模拟电芯容量衰减率合并为集合,记为。例如,将10000个模拟电芯容量衰减率合并作为集合/>。将/>中的每个模拟电芯容量衰减率代入式(1)中的/>,计算得到每个模拟电芯容量衰减率对应的循环次数t,将若干个循环次数t合并记为集合/>,以得到容量衰减率与循环次数的对应关系。若有10000个模拟电芯容量衰减率,则对应可以得到包含10000个循环次数t的集合/>。
示例性的,在25℃时,寿命衰减模型中的参数a1=7.78*10-5,z1=0.9374,得到寿命衰减模型为
(7)
在25℃时,通过式(7)得到的集合为25℃下电池组的寿命数据。在45℃时,寿命衰减模型中的参数a2=1.402*10-3,z2=0.6249,得到寿命衰减模型为
(8)
在45℃时,通过式(8)得到的集合为45℃下电池组的寿命数据。通过本实施例的方法可以确定在一固定环境温度下,电池组的循环次数与容量衰减率的对应关系。便于对固定环境温度下的电池组的寿命进行合理预估,保证电池组的正常运行。
需要说明的是,本实施例可以在执行寿命预测操作后执行,也可以在执行寿命预测操作之前执行。寿命预测操作预测的是电池组在正常环境温度范围(包括环境温度的变化)内的电池组的寿命,而本实施例预测的是固定环境温度下的电池组的寿命。
在一些实施例中,所述基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率,包括:
基于所述电池组中各单体电芯之间的初始容量差异,以及预设的单体电芯容量衰减阈值,确定用于描述正态分布的第二均值和第二方差;其中,所述电池组中的各单体电芯的初始容量服从正态分布;
基于所述第二均值和所述第二方差,采用蒙特卡罗算法随机生成若干个模拟电芯容量衰减率。
具体的,初始容量差异为1%,预设的单体电芯容量衰减阈值为20%,第二均值,第二方差/>。根据第二均值和第二方差描述的正态分布,采用蒙特卡罗算法随机生成若干个模拟电芯容量衰减率。示例性的,若干个数量可以为10000个。采用蒙特卡罗算法随机生成的每个模拟电芯容量衰减率均满足均值为第二均值、方差为第二方差的正态分布。通过随机生成的模拟电芯容量衰减率,充分考虑了单体电芯初始容量的差异对寿命的影响,使得计算得到的电池组寿命更加准确。同时,无需对每个单体电芯的初始容量进行测试,提升了电池组寿命测试的速率。
需要说明的是,为了提升寿命计算速率,可以从随机生成10000个模拟电芯容量衰减率中抽取部分模拟电芯容量衰减率,进行后续电池组寿命的计算。示例性的,部分模拟电芯容量衰减率的数量可以为48个。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电池组寿命预测装置。
参考图7,所述电池组寿命预测装置,包括:
建立模块40,被配置为建立电池组中单体电芯的寿命衰减模型;
预测模块42,包括第一确定单元422、模拟单元424、计算单元426和第二确定单元428;
所述第一确定单元422,被配置为确定所述电池组中单体电芯的实际工作温度范围;
所述模拟单元424,被配置为基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值;
所述计算单元426,被配置为基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命;
所述第二确定单元428,被配置为基于若干个循环寿命确定所述电池组的寿命。
在一些实施例中,所述模拟单元424,还被配置为基于所述实际工作温度范围,确定用于描述正态分布的第一均值和第一方差;
基于所述第一均值和所述第一方差,采用蒙特卡罗算法随机生成若干个模拟电芯温度值;其中,所述电池组中的各单体电芯的实际工作温度服从正态分布。
在一些实施例中,所述计算单元426,还被配置为在预设环境温度下,对单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述第一参数和阿伦尼乌斯方程,通过计算确定所述阿伦尼乌斯方程中的第二参数;
基于若干个模拟电芯温度值、所述阿伦尼乌斯方程和所述第二参数,计算得到每个模拟电芯温度值对应的循环寿命。
在一些实施例中,所述第二确定单元428,还被配置为响应于所述电池组为串联电池组,将若干个循环寿命中的最小寿命作为所述电池组的寿命。
在一些实施例中,所述第一确定单元422,还被配置为对所述电池组进行充放电测试,记录充放电测试过程中所述电池组内单体电芯的实际工作温度范围。
在一些实施例中,所述预测模块42,还被配置为按照预设的预测次数,重复所述寿命预测操作,以得到所述电池组的寿命分布。
在一些实施例中,所述寿命预测操作还包括,所述预测模块42,还被配置为在预设环境温度下,对单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率;
基于所述寿命衰减模型、所述第一参数和若干个模拟电芯容量衰减率,确定在所述预设环境温度下所述电池组的寿命数据。
在一些实施例中,所述预测模块42,还被配置为基于所述电池组中各单体电芯之间的初始容量差异,以及预设的单体电芯容量衰减阈值,确定用于描述正态分布的第二均值和第二方差;其中,所述电池组中的各单体电芯的初始容量服从正态分布;基于所述第二均值和所述第二方差,采用蒙特卡罗算法随机生成若干个模拟电芯容量衰减率。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的电池组寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的电池组寿命预测方法。
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图, 该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的电池组寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的电池组寿命预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的电池组寿命预测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种电池组寿命预测方法,其特征在于,包括:
建立电池组中单体电芯的寿命衰减模型,并执行如下寿命预测操作:
确定所述电池组中单体电芯的实际工作温度范围;
基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值;
基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,包括:
在预设环境温度下,对所述单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述第一参数和阿伦尼乌斯方程,通过计算确定所述阿伦尼乌斯方程中的第二参数;
基于若干个模拟电芯温度值、所述阿伦尼乌斯方程和所述第二参数,计算得到每个模拟电芯温度值对应的循环寿命;
基于若干个循环寿命确定所述电池组的寿命。
2.根据权利要求1所述的方法,其特征在于,所述基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值,包括:
基于所述实际工作温度范围,确定用于描述正态分布的第一均值和第一方差;
基于所述第一均值和所述第一方差,采用蒙特卡罗算法随机生成若干个模拟电芯温度值;其中,所述电池组中的各单体电芯的实际工作温度服从正态分布。
3.根据权利要求1所述的方法,其特征在于,所述基于若干个循环寿命确定所述电池组的寿命,包括:
响应于所述电池组为串联电池组,将若干个循环寿命中的最小寿命作为所述电池组的寿命。
4.根据权利要求1所述的方法,其特征在于,所述确定所述电池组中单体电芯的实际工作温度范围,包括:
对所述电池组进行充放电测试,记录充放电测试过程中所述电池组内单体电芯的实际工作温度范围。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设的预测次数,重复所述寿命预测操作,以得到所述电池组的寿命分布。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在预设环境温度下,对所述单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率;
基于所述寿命衰减模型、所述第一参数和若干个模拟电芯容量衰减率,确定在所述预设环境温度下所述电池组的寿命数据。
7.根据权利要求6所述的方法,其特征在于,所述基于所述电池组中各单体电芯之间的初始容量差异,采用随机模拟算法生成若干个模拟电芯容量衰减率,包括:
基于所述电池组中各单体电芯之间的初始容量差异,以及预设的单体电芯容量衰减阈值,确定用于描述正态分布的第二均值和第二方差;其中,所述电池组中的各单体电芯的初始容量服从正态分布;
基于所述第二均值和所述第二方差,采用蒙特卡罗算法随机生成若干个模拟电芯容量衰减率。
8.一种电池组寿命预测装置,其特征在于,包括:
建立模块,被配置为建立电池组中单体电芯的寿命衰减模型;
预测模块,包括第一确定单元、模拟单元、计算单元和第二确定单元;
所述第一确定单元,被配置为确定所述电池组中单体电芯的实际工作温度范围;
所述模拟单元,被配置为基于所述实际工作温度范围,采用随机模拟算法生成若干个模拟电芯温度值;
所述计算单元,被配置为基于若干个模拟电芯温度值和所述寿命衰减模型,计算得到每个模拟电芯温度值对应的循环寿命,包括:
在预设环境温度下,对所述单体电芯进行预设循环次数的循环寿命测试,得到寿命测试数据;
基于所述寿命衰减模型和所述寿命测试数据,通过拟合算法确定所述寿命衰减模型中的第一参数;
基于所述第一参数和阿伦尼乌斯方程,通过计算确定所述阿伦尼乌斯方程中的第二参数;
基于若干个模拟电芯温度值、所述阿伦尼乌斯方程和所述第二参数,计算得到每个模拟电芯温度值对应的循环寿命;
所述第二确定单元,被配置为基于若干个循环寿命确定所述电池组的寿命。
9.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757054.8A CN117436287B (zh) | 2023-12-20 | 2023-12-20 | 电池组寿命预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757054.8A CN117436287B (zh) | 2023-12-20 | 2023-12-20 | 电池组寿命预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436287A CN117436287A (zh) | 2024-01-23 |
CN117436287B true CN117436287B (zh) | 2024-04-19 |
Family
ID=89553884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311757054.8A Active CN117436287B (zh) | 2023-12-20 | 2023-12-20 | 电池组寿命预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436287B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388074A (zh) * | 2018-09-20 | 2019-02-26 | 深圳大学 | 一种电池组仿真方法及系统、bms标定系统 |
CN111717072A (zh) * | 2020-05-26 | 2020-09-29 | 国网天津市电力公司 | 电动汽车电池智能充电优化方法 |
CN112364486A (zh) * | 2020-10-23 | 2021-02-12 | 昆山宝创新能源科技有限公司 | 预测锂电池循环寿命的方法及其用途 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
CN113687236A (zh) * | 2021-08-03 | 2021-11-23 | 天津市捷威动力工业有限公司 | 一种动力电池半经验循环寿命预测评估方法 |
CN115291131A (zh) * | 2022-07-28 | 2022-11-04 | 欣旺达电子股份有限公司 | 锂离子电池的循环寿命和使用温度预测方法及系统 |
CN116482541A (zh) * | 2023-04-19 | 2023-07-25 | 湖北亿纬动力有限公司 | 预测电池循环寿命的方法、装置及计算机可读存储介质 |
CN116699445A (zh) * | 2023-08-07 | 2023-09-05 | 江苏天合储能有限公司 | 一种电池储能系统的容量预测方法及其系统 |
-
2023
- 2023-12-20 CN CN202311757054.8A patent/CN117436287B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388074A (zh) * | 2018-09-20 | 2019-02-26 | 深圳大学 | 一种电池组仿真方法及系统、bms标定系统 |
WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
CN111717072A (zh) * | 2020-05-26 | 2020-09-29 | 国网天津市电力公司 | 电动汽车电池智能充电优化方法 |
CN112364486A (zh) * | 2020-10-23 | 2021-02-12 | 昆山宝创新能源科技有限公司 | 预测锂电池循环寿命的方法及其用途 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113687236A (zh) * | 2021-08-03 | 2021-11-23 | 天津市捷威动力工业有限公司 | 一种动力电池半经验循环寿命预测评估方法 |
CN115291131A (zh) * | 2022-07-28 | 2022-11-04 | 欣旺达电子股份有限公司 | 锂离子电池的循环寿命和使用温度预测方法及系统 |
CN116482541A (zh) * | 2023-04-19 | 2023-07-25 | 湖北亿纬动力有限公司 | 预测电池循环寿命的方法、装置及计算机可读存储介质 |
CN116699445A (zh) * | 2023-08-07 | 2023-09-05 | 江苏天合储能有限公司 | 一种电池储能系统的容量预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117436287A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Health prognosis for electric vehicle battery packs: A data-driven approach | |
Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
KR20120075754A (ko) | 2차 전지의 잔존용량 연산 방법 및 장치 | |
CN111426960A (zh) | 储能锂电池荷电状态监控方法与装置 | |
WO2018012151A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
Sun et al. | State-of-health estimation of retired lithium-ion battery module aged at 1C-rate | |
CN116466236A (zh) | 电池剩余寿命预测方法、装置、设备及可读存储介质 | |
CN114184964B (zh) | 一种电芯内部温度分布的评估方法及装置 | |
CN112108400B (zh) | 一种预测软包电池循环性能的测试方法 | |
CN117436287B (zh) | 电池组寿命预测方法、装置及存储介质 | |
CN112421141A (zh) | 一种锂电池温度监控方法及系统 | |
CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 | |
CN113646947A (zh) | 开发支援装置、开发支援方法以及计算机程序 | |
CN113625183B (zh) | 一种电池包寿命预测方法及电池包模拟系统 | |
CN111650527B (zh) | 电池寿命预测方法、电子装置以及存储介质 | |
CN115128465A (zh) | 电池热仿真系统、方法及电子设备 | |
Zhou et al. | A review of state-of-health estimation of lithiumion batteries: Experiments and data | |
Xu et al. | Analysis of electro-chemical impedance and state of health based on permanent expansion for prismatic batteries | |
WO2012091432A2 (ko) | 2차 전지의 잔존수명 연산 방법 및 장치 | |
CN116381512B (zh) | 电池电压计算方法、装置、电子设备及可读存储介质 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN112014756B (zh) | 确定电池循环寿命的方法、装置、存储介质及电子设备 | |
Rao et al. | Performance Analysis of Lithium-Ion Battery Considering Round Trip Efficiency |
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 |