CN117709126B - 预测电池性能的方法、装置、电子设备和存储介质 - Google Patents
预测电池性能的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117709126B CN117709126B CN202410144475.1A CN202410144475A CN117709126B CN 117709126 B CN117709126 B CN 117709126B CN 202410144475 A CN202410144475 A CN 202410144475A CN 117709126 B CN117709126 B CN 117709126B
- Authority
- CN
- China
- Prior art keywords
- capacity
- loss
- curve
- battery performance
- thermodynamic
- 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 60
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000011149 active material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 19
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 18
- 229910052744 lithium Inorganic materials 0.000 claims description 18
- 230000032683 aging Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 description 10
- 238000004299 exfoliation Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 239000006183 anode active material Substances 0.000 description 6
- 239000003792 electrolyte Substances 0.000 description 6
- 239000007773 negative electrode material Substances 0.000 description 6
- 239000007774 positive electrode material Substances 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 239000013543 active substance Substances 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000009830 intercalation Methods 0.000 description 4
- 230000002687 intercalation Effects 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- QSNQXZYQEIKDPU-UHFFFAOYSA-N [Li].[Fe] Chemical compound [Li].[Fe] QSNQXZYQEIKDPU-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000006258 conductive agent Substances 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 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
- Secondary Cells (AREA)
Abstract
本发明公开了一种预测电池性能的方法、装置、电子设备和存储介质，所述预测电池性能的方法包括以下步骤：对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；基于仿真模型，确定至少一个损失因素的容量损失‑时间曲线；基于容量损失‑时间曲线，确定电池的热力学容量‑时间曲线；基于热力学容量‑时间曲线，预测不同倍率工况下的电池性能。该方法能够在较少的仿真循环的基础上，准确预测电池不同倍率工况下的性能，提高电池性能预测的效率。
Description
技术领域
本发明涉及电池仿真领域，尤其涉及预测电池性能的方法、装置、电子设备和存储介质。
背景技术
电池是生活中常用的能源存储设备，其性能直接影响着设备的正常使用。因此，对电池性能的预测显得尤为重量。现有电池性能预测方法的主要步骤包括：先对电池的倍率性能进行对标，确定仿真模型的热力学参数、动力学参数和老化参数，最后再利用确定了各参数后的仿真模型对电池进行完整循环仿真。在完整循环仿真的过程中，持续利用仿真数据进行容量损失的计算，以预测电池不同老化阶段的性能。现有电池性能预测方法需要对电池进行完整循环仿真，该过程耗时长，伴随整个仿真过程中还需要进行大量的计算，获取各损失因素不同时刻的容量损失，消耗大量的人力、物力成本。
发明内容
为了克服现有技术中的缺陷，本发明实施例提供了一种预测电池性能的方法、装置、电子设备和存储介质，该方法能够在较少的仿真循环的基础上，准确预测电池不同倍率工况下的性能，提高电池性能预测的效率。
为达到上述目的，本发明采用的技术方案是：
第一方面，一种预测电池性能的方法，包括以下步骤：
对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；
基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
基于容量损失-时间曲线，确定电池的热力学容量-时间曲线；
基于热力学容量-时间曲线，预测不同倍率工况下的电池性能。
现有预测电池性能的方法主要步骤包括：先对未使用过的电池的倍率性能进行对标，确定仿真模型的热力学参数、动力学参数和老化参数，最后再利用确定了各参数后的仿真模型对电池进行完整循环仿真。在完整循环仿真的过程中，持续利用仿真数据进行容量损失的计算，以预测电池不同老化阶段的性能。现有电池性能预测方法需要对电池进行完整循环仿真，该过程耗时长，伴随整个仿真过程中还需要进行大量的计算，获取各损失因素不同时刻的容量损失，消耗大量的人力、物力成本。
本申请利用仿真模型，确定容量损失-时间曲线，由容量损失-时间曲线得到用于预测电池性能的热力学容量-时间曲线。其中，容量损失-时间曲线可在进行少量循环圈数的情况下得到。因此，该过程不需要对电池进行完整循环仿真，节约大量仿真时间，减少了仿真过程中的计算，提高电池性能预测的效率。
上述对标过程中使用的电池主要是未使用过的电池。对于使用过一段时间的电池内部因老化带来的变化，会影响参数的确定，进而无法基于当前状态进行后续老化情况的预测。但是，如果已知该电池在未使用状态时的设计信息、倍率新能曲线，则同样可通过上述方法进行对标，确定仿真模型。
进一步的，所述对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型，包括：
获取基于实验方式在不同倍率下充电和/或放电的第一曲线；
利用初始模型获取与第一曲线对应的第二曲线，并调整初始模型的电池参数，使所述第二曲线与所述第一曲线间的误差小于第一预设值，得到中间模型，所述电池参数包括热力学参数、动力学参数中的至少一个；
获取基于实验方式在第一预设循环圈数下的第一容量衰减曲线；
利用中间模型，在小于等于第一预设循环圈数下获取与所述第一容量衰减曲线相对应的第二容量衰减曲线，并调整中间模型的老化参数，使第二容量衰减曲线与第一容量衰减曲线间的误差小于第二预设值，得到仿真模型，所述老化参数包括SEI成膜反应速率常数及活化能、析锂反应速率常数及活化能、产气可逆度、活性材料剥落速率。
其中，所述第一曲线和所述第二曲线为电池充电曲线或电池放电曲线。所述第二曲线的获取条件与所述第一曲线的获取条件相同。即在初始模型中，选用与实验测量相同性能的电池，设置相同的工况，进行相同倍率的充电和/或放电。在仿真得到与所述第一曲线相对应的第二曲线后，将所述第二曲线与所述第一曲线相比较，如果比较得到的两者间的误差大于等于第一预设值，则通过手动或优化等方法调整所述初始模型中的电池参数。在调整后重新获取与第一曲线对应的第二曲线，再进行比较，直到第二曲线与第一曲线之间的误差小于第一预设值。对电池参数的调整方法可以通过经验判断进行调整，也可通过设置算法进行优化。所述第一预设值的大小可根据对模型精度的要求进行调整。如可设置所述第一预设值为第二曲线与第一曲线间的均方根误差值5%。在对模型精度要求较高的情况下，可将第一预设值调整为均方根误差值3%。所述初始模型可选用现有电池模型，根据经验对模型中的参数设置常规值，再在对标过程中不断调整参数，得到最终的仿真模型。
所述电池参数包括热力学参数、动力学参数。所述热力学参数包括但不限于熵热系数、电池比热容、电池的热导率等。所述动力学参数包括但不限于正负极活性物质电导率、导电剂的电导率、电解液的电导率、正负极活性物质的锂离子扩散系数、电解液锂离子扩散系数、正负极电化学反应速率常数等。可根据电池模型精度的要求，选择需要调整的参数的种类和数量。在对模型精度要求较高的情况下，可同时选用多个热力学参数和多个动力学参数，从多个角度修正模型。
同样的，可采用第二曲线与第一曲线的比较方法，比较第二容量衰减曲线和第一容量衰减曲线，调整模型的老化参数。所述第二预设值也可设为第二容量衰减曲线与第一容量衰减曲线的均方根误差值5%。
进一步的，所述基于仿真模型，确定至少一个损失因素的容量损失-时间曲线，包括：
利用仿真模型，进行第二预设循环圈数的仿真，在仿真过程中计算至少一个损失因素的容量损失，确定容量损失-时间曲线，所述损失因素包括SEI膜生成因素、析锂因素、产气因素、活性材料剥落因素。
进一步的，所述第一预设循环圈数、所述第二预设循环圈数均小于五分之一的电池寿命完整循环圈数。
对于储能用的铁锂体系电池而言，完整循环的总圈数一般为8000-10000圈。对于三元体系的电池而言，完整循环的总圈数一般为3000-4000圈。本申请中所述第一预设循环圈数是指小于电池完整循环的总圈数。在通常情况下，所述第一预设循环圈数、第二循环圈数是指小于电池完整循环的总圈数。在通常情况下，所述第一预设循环圈数、第二预设循环圈数可设置为500-1000圈。可以理解的是，为了提高模型的精度，可适当增加循环圈数。但是，如果循环圈数过多，计算所需的时间过长。如果循环圈数过少，无法看出容量衰减曲线的线形，衰减率的误差较大。将循环圈数设置在500-1000圈是较为合适的范围。
在进行第二预设循环圈数的仿真过程中，计算各损失因素的容量损失，其中，包括：
计算SEI膜生成因素导致的容量损失，包括如下步骤：
（1）根据电解液生成SEI膜的化学反应方程式，得到SEI膜的反应速率计算公式，其中/>为法拉第常数，/>为反应速率常数，/>为溶剂浓度，/>为反应的对称系数，通常取0.5，/>为普适气体常数。
（2）计算SEI膜生成因素导致的容量损失，其中/>为比表面积，/>为有效电极涂层体积。
计算析锂因素导致的容量损失与上述计算SEI膜生成因素导致的容量损失相似。
计算产气因素导致的容量损失，包括如下步骤：
计算产气因素导致的容量损失，其中/>为嵌锂量，/>为嵌锂区间下限，/>为最大嵌锂量，/>，/>为初始活性物质的体积分数，/>为气体体积变化率，/>为气体的摩尔质量，/>为气体密度，/>为总孔隙体积。
计算活性材料剥落因素导致的容量损失，包括如下步骤：
计算活性材料剥落因素导致的容量损失，其中/>，/>为活性材料损失剥落速率，/>为电流密度。
通过上述步骤，利用仿真中的数据代入各公式中相应的参数，计算不同时刻，各损失因素的容量损失，由此，绘制各损失因素的容量损失-时间曲线。
作为进一步的改进，所述基于容量损失-时间曲线，确定电池的热力学容量-时间曲线，包括：
基于容量损失-时间曲线，确定对应损失因素的损失表达式；
基于所述损失表达式预测对应损失因素在不同时刻的容量损失量，将对应时刻的所有容量损失量相加得总热力学容量损失量；
由初始热力学容量减总热力学容量损失量，得热力学容量，并确定热力学容量-时间曲线。
通过损失表达式可预测对应损失因素在不同时刻的容量损失量，再将各损失因素的容量损失量相加可直接得到总热力学容量损失量。不需要再进行后续的仿真及计算，大大缩短了仿真过程。
所述初始热力学容量由电池属性确定，可在用户提供电池时直接获取。
作为进一步的改进，所述基于容量损失-时间曲线，确定对应损失因素的损失表达式，采用的方法包括机器学习、曲线拟合、自回归模型、高斯过程回归中的至少一种。其中，机器学习包括但不限于随机森林、持向量机、神经网络等方法。
对于SEI膜生成因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数，/>为大于0小于1的数，/>为时间或者仿真圈数。
对于析锂因素导致的容量损失可以通过从多个老化仿真案列中收集的析锂导致的容量损失曲线对神经网络进行训练，神经网络可以使用RNN、LSTM等。
对于产气因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数，/>为大于1的数，/>为时间或者仿真圈数。
对于活性材料剥落因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数。
作为进一步的改进，所述基于热力学容量-时间曲线，预测不同倍率工况下的电池性能，包括：
基于热力学容量-时间曲线，利用训练得到的神经网络预测不同倍率工况下的电池性能。
所述电池性能指电池某一个老化过程后，不同圈数时，不同倍率工况下电池能够发挥的容量。所述神经网络可选用已知的一些网络结构，如RNN、LSTM等具有时序记忆的网络结构。在确定了网络结构后，可自行选用数据库对神经网络进行训练。例如：设定正负极孔隙率范围为[0.1,0.7]，负极活性物质颗粒直径范围为[1,30]微米，正极活性物质为铁锂时活性物质颗粒直径范围为[0.1,10]微米，正极活性物质为三元时活性物质颗粒直径范围为[0.01,1]微米，通过遍历参数组合生成容量损失数据库。使用生成的该容量损失数据库对选定的神经网络进行训练。训练后的神经网络可基于热力学容量-时间曲线预测不同倍率工况下的电池性能。具体预测过程包括：将正负极材料、正负极孔隙率、正负极活性物质颗粒直径、热力学容量保持率曲线及当前圈的热力学容量保持率作为作为神经网络的输入。由神经网络根据输入的信息对应输出当前圈各个倍率下的容量保持率，由容量保持率计算得到不同倍率工况下电池能够发挥的容量。在完整循环中从第一圈到最后一圈可按顺序依次重复用神经网络进行推理，分别得到对应的容量保持率。
第二方面，一种用于上述预测电池性能的方法的装置，包括：
模型确定单元，用于对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；
生成容量损失-时间曲线单元，用于基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
计算热力学容量-时间曲线单元，用于基于容量损失-时间曲线，确定电池的热力学容量-时间曲线；
电池性能预测单元，用于基于热力学容量-时间曲线，预测不同倍率工况下的电池性能。
第三方面，一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如上述的预测电池性能的方法。
第四方面，一种计算机存储介质，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如上述的预测电池性能的方法。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
1.原有总热力学容量损失量需要对电池进行完整仿真，在一圈圈的仿真过程中计算总热力学容量损失量。本申请通过在较少的仿真圈数中获取各损失因素的容量损失-时间曲线，拟合得到各损失因素的损失表达式，由损失表达式预测不同时刻的容量损失，相加得到总热力学容量损失量。该过程不需要对电池进行完整循环仿真，节约大量仿真时间，减少了仿真过程中的计算。
2.原有某一老化阶段后，不同圈数时，不同倍率工况下的电池性能需要通过仿真计算得到，改进后能够利用神经网络基于热力学容量-时间曲线直接预测不同圈数，不同倍率工况下电池能够发挥的容量，不需要再在不同倍率下进行仿真计算，提高预测效率。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
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获得其他的附图。
图1是本发明实施例一中预测电池性能的方法的流程示意图。
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，都属于本发明保护的范围。
实施例一：参见图1所示，一种预测电池性能的方法，包括以下步骤：
S1：对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；
上述步骤具体包括：
S101：用户通过实验测量的方式获取未使使用过的电池在不同倍率下的第一充电曲线和第一放电曲线。将第一充电曲线和第一放电曲线输入至用于该预测电池性能的方法的装置中，可供装置在预测时进行获取。
S102：利用初始模型，设置与实验测量相同的工况，相同倍率进行充放电仿真，得到与第一充电曲线对应的第二充电曲线，与第一放电曲线对应的第二放电曲线。将相对应的第一充电曲线和第二充电曲线比较，将相对应的第一放电曲线和第二放电曲线比较，得到两者间的误差值。通过调整初始模型中的热力学参数和动力学参数，使第二充电曲线与第一充电曲线及第二放电曲线与第一放电曲线之间的均方根误差小于3%，得到中间模型。其中热力学参数包括熵热系数、电池比热容、电池的热导率。动力学参数包括正负极活性物质电导率、导电剂的电导率、电解液的电导率、正负极活性物质的锂离子扩散系数、电解液锂离子扩散系数、正负极电化学反应速率常数。
S103：获取用户输入的通过实验测得的1000循环圈数下的第一容量衰减曲线。
S104：利用中间模型，设置于实验测量相同的工况，同样在1000循环圈数下，获取与所述第一容量衰减曲线相对应的第二容量衰减曲线。将第二容量衰减曲线与第一容量衰减曲线进行比较，计算两者间的均方根误差。在均方根误差大于3%时，调整中间模型的老化参数，重新获取与所述第一容量衰减曲线相对应的第二容量衰减曲线，直至所述第二容量衰减曲线与所述第一容量衰减曲线间的均方根误差小于3%，得到仿真模型。所述老化参数包括SEI成膜反应速率常数及活化能、析锂反应速率常数及活化能、产气可逆度、活性材料剥落速率。
S2：基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
上述步骤具体包括：
S201：利用仿真模型，进行1000循环圈数下的仿真，在仿真过程中计算多个损失因素的损失容量。所述损失因素包括SEI膜生成因素、析锂因素、产气因素、活性材料剥落因素。
计算SEI膜生成因素导致的容量损失，包括如下步骤：
（1）根据电解液生成SEI膜的化学反应方程式，得到SEI膜的反应速率计算公式，其中/>为法拉第常数，/>为反应速率常数，/>为溶剂浓度，/>为反应的对称系数，通常取0.5，/>为普适气体常数。
（2）计算SEI膜生成因素导致的容量损失，其中/>为比表面积，/>为有效电极涂层体积。
计算析锂因素导致的容量损失与上述计算SEI膜生成因素导致的容量损失相似。
计算产气因素导致的容量损失，包括如下步骤：
计算产气因素导致的容量损失，其中/>为嵌锂量，/>为嵌锂区间下限，/>为最大嵌锂量，/>，/>为初始活性物质的体积分数，/>为气体体积变化率，/>为气体的摩尔质量，/>为气体密度，/>为总孔隙体积。
计算活性材料剥落因素导致的容量损失，包括如下步骤：
计算活性材料剥落因素导致的容量损失，其中/>，/>为活性材料损失剥落速率，/>为电流密度。
将仿真中的数据代入各公式中相应的参数，计算不同时刻，各损失因素的容量损失。
S202：利用上述计算得到的各损失因素的容量损失，绘制各损失因素的容量损失-时间曲线。
S3：基于容量损失-时间曲线，确定电池的热力学容量-时间曲线；
上述步骤具体包括：
S301：基于容量损失-时间曲线，确定对应损失因素的损失表达式。
对于SEI膜生成因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数，/>为大于0小于1的数，/>为时间或者仿真圈数。通过利用仿真过程中的数据计算确定/>的值，从而确定SEI膜生成因素导致的容量损失的损失表达式。
对于析锂因素导致的容量损失可以通过从多个老化仿真案列中收集的析锂导致的容量损失曲线对神经网络进行训练，神经网络可以使用RNN、LSTM等。
对于产气因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数，/>为大于1的数，/>为时间或者仿真圈数。通过利用仿真过程中的数据计算确定/>的值，从而确定产气因素导致的容量损失的损失表达式。
对于活性材料剥落因素导致的容量损失可设置损失表达式为，对其容量损失-时间曲线进行拟合。其中，/>为大于零的正数。通过利用仿真过程中的数据计算确定/>的值，从而确定活性材料剥落因素导致的容量损失的损失表达式。
S302：基于上述得到损失表达式预测对应损失因素在不同时刻的容量损失量，将对应时刻的所有容量损失量相加得总热力学容量损失量。
S303：由初始热力学容量减总热力学容量损失量，得热力学容量，并确定热力学容量-时间曲线。所述初始热力学容量由电池属性确定，可在用户提供电池时直接获取。
S4：基于热力学容量-时间曲线，预测不同倍率工况下的电池性能；
上述步骤具体包括：
确定神经网络及容量损失数据库，利用容量损失数据库对神经网络进行训练，由训练后的神经网络基于热力学容量-时间曲线预测不同倍率工况下的电池性能。
设定正负极孔隙率范围为[0.1,0.7]，负极活性物质颗粒直径范围为[1,30]微米，正极活性物质为铁锂时活性物质颗粒直径范围为[0.1,10]微米，正极活性物质为三元时活性物质颗粒直径范围为[0.01,1]微米，通过遍历参数组合生成容量损失数据库。
具体预测过程包括：将正负极材料、正负极孔隙率、正负极活性物质颗粒直径、热力学容量保持率曲线及当前圈的热力学容量保持率作为作为神经网络的输入。由神经网络根据输入的信息对应输出当前圈各个倍率下的容量保持率，由容量保持率计算得到不同倍率工况下电池能够发挥的容量。在完整循环中从第一圈到最后一圈可按顺序依次重复用神经网络进行推理，分别得到对应的容量保持率。
一种用于上述预测电池性能的方法的装置，包括：
模型确定单元，用于对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；
生成容量损失-时间曲线单元，用于基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
计算热力学容量-时间曲线单元，用于基于容量损失-时间曲线，确定电池的热力学容量-时间曲线；
电池性能预测单元，用于基于热力学容量-时间曲线，预测不同倍率工况下的电池性能。
一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如上述的预测电池性能的方法。
一种计算机存储介质，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如上述的预测电池性能的方法。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种预测电池性能的方法，其特征在于，包括以下步骤：
获取基于实验方式在不同倍率下充电和/或放电的第一曲线；
利用初始模型获取与第一曲线对应的第二曲线，并调整初始模型的电池参数，使所述第二曲线与所述第一曲线间的误差小于第一预设值，得到中间模型，所述电池参数包括热力学参数、动力学参数中的至少一个；
获取基于实验方式在第一预设循环圈数下的第一容量衰减曲线；
利用中间模型，在小于等于第一预设循环圈数下获取与所述第一容量衰减曲线相对应的第二容量衰减曲线，并调整中间模型的老化参数，使第二容量衰减曲线与第一容量衰减曲线间的误差小于第二预设值，得到仿真模型，所述老化参数包括SEI成膜反应速率常数及活化能、析锂反应速率常数及活化能、产气可逆度、活性材料剥落速率；
基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
基于容量损失-时间曲线，确定对应损失因素的损失表达式；
基于所述损失表达式预测对应损失因素在不同时刻的容量损失量，将对应时刻的所有容量损失量相加得总热力学容量损失量；
由初始热力学容量减总热力学容量损失量，得热力学容量，并确定热力学容量-时间曲线；
基于热力学容量-时间曲线，预测不同倍率工况下的电池性能。
2.根据权利要求1所述的预测电池性能的方法，其特征在于，所述基于仿真模型，确定至少一个损失因素的容量损失-时间曲线，包括：
利用仿真模型，进行第二预设循环圈数的仿真，在仿真过程中计算至少一个损失因素的容量损失，确定容量损失-时间曲线，所述损失因素包括SEI膜生成因素、析锂因素、产气因素、活性材料剥落因素。
3.根据权利要求2所述的预测电池性能的方法，其特征在于，所述第一预设循环圈数、所述第二预设循环圈数均小于五分之一的电池寿命完整循环圈数。
4.根据权利要求1所述的预测电池性能的方法，其特征在于，所述基于容量损失-时间曲线，确定对应损失因素的损失表达式，采用的方法包括机器学习、曲线拟合、自回归模型、高斯过程回归中的至少一种。
5.根据权利要求1所述的预测电池性能的方法，其特征在于，所述基于热力学容量-时间曲线，预测不同倍率工况下的电池性能，包括：
基于热力学容量-时间曲线，利用训练得到的神经网络预测不同倍率工况下的电池性能。
6.一种用于如权利要求1-5任意一项所述的预测电池性能的方法的装置，其特征在于，包括：
模型确定单元，用于对电池在同等测试下的实验数据和仿真数据进行对标，确定仿真模型；
生成容量损失-时间曲线单元，用于基于仿真模型，确定至少一个损失因素的容量损失-时间曲线；
计算热力学容量-时间曲线单元，用于基于容量损失-时间曲线，确定电池的热力学容量-时间曲线；
电池性能预测单元，用于基于热力学容量-时间曲线，预测不同倍率工况下的电池性能。
7.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1～5任一项所述的预测电池性能的方法。
8.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如权利要求1～5任一项所述的预测电池性能的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410144475.1A CN117709126B (zh) | 2024-02-01 | 2024-02-01 | 预测电池性能的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410144475.1A CN117709126B (zh) | 2024-02-01 | 2024-02-01 | 预测电池性能的方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709126A CN117709126A (zh) | 2024-03-15 |
| CN117709126B true CN117709126B (zh) | 2024-05-07 |
Family
ID=90155611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410144475.1A Active CN117709126B (zh) | 2024-02-01 | 2024-02-01 | 预测电池性能的方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709126B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
| CN115077622A (zh) * | 2022-07-14 | 2022-09-20 | 厦门海辰新能源科技有限公司 | 预测电池循环寿命及膨胀力的方法及其用途 |
| CN115236528A (zh) * | 2022-07-20 | 2022-10-25 | 合肥国轩高科动力能源有限公司 | 锂离子电池循环寿命预测方法 |
| CN115792642A (zh) * | 2023-02-02 | 2023-03-14 | 中创新航科技股份有限公司 | 一种动力电池寿命的估算方法及装置 |
| CN115840142A (zh) * | 2022-09-19 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 电池寿命预测参数确定方法、电池寿命预测方法和装置 |
| CN117269814A (zh) * | 2023-09-22 | 2023-12-22 | 西安交通大学 | 一种基于负极锂损失过程的锂电池存储衰减寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230258733A1 (en) * | 2022-02-17 | 2023-08-17 | Battelle Energy Alliance, Llc | Predicting aging of batteries |
-
2024
- 2024-02-01 CN CN202410144475.1A patent/CN117709126B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
| CN115077622A (zh) * | 2022-07-14 | 2022-09-20 | 厦门海辰新能源科技有限公司 | 预测电池循环寿命及膨胀力的方法及其用途 |
| CN115236528A (zh) * | 2022-07-20 | 2022-10-25 | 合肥国轩高科动力能源有限公司 | 锂离子电池循环寿命预测方法 |
| CN115840142A (zh) * | 2022-09-19 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 电池寿命预测参数确定方法、电池寿命预测方法和装置 |
| CN115792642A (zh) * | 2023-02-02 | 2023-03-14 | 中创新航科技股份有限公司 | 一种动力电池寿命的估算方法及装置 |
| CN117269814A (zh) * | 2023-09-22 | 2023-12-22 | 西安交通大学 | 一种基于负极锂损失过程的锂电池存储衰减寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑综合影响的氢镍电池改进模型研究;胡京;李培强;李欣然;;电源技术;20160420(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709126A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A comprehensive single-particle-degradation model for battery state-of-health prediction | |
| Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
| Kang et al. | Comparison of comprehensive properties of Ni-MH (nickel-metal hydride) and Li-ion (lithium-ion) batteries in terms of energy efficiency | |
| CN111062137B (zh) | 一种锂离子电池性能预测模型及其构建方法和应用 | |
| US10371753B1 (en) | Methods for online estimation of battery capacity and state of health | |
| CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
| CN106646252B (zh) | 铅酸电池应用寿命预测方法 | |
| CN107066713B (zh) | 一种预测锂离子电池材料电化学性能的仿真方法 | |
| CN111438077A (zh) | 一种退役三元软包电池的梯次利用性能快速筛选及检测的方法 | |
| CN111722120B (zh) | 一种锂离子电池可逆锂消耗量的评价方法及系统 | |
| CN108267693B (zh) | 一种锂电池正极材料高温存储性能的快速评价方法 | |
| Kang et al. | How electrode thicknesses influence performance of cylindrical lithium-ion batteries | |
| CN113933714A (zh) | 基于简化电化学模型和灰色预测联合的电池容量预测方法 | |
| CN114217238A (zh) | 一种锂离子电池循环寿命的预测方法 | |
| CN112067999A (zh) | 一种锂离子电池正极开路电势曲线非破坏获取系统及方法 | |
| Wang et al. | Lithium-ion battery security guaranteeing method study based on the state of charge estimation | |
| CN109164397B (zh) | 考虑充电速率和环境温度的锂电池寿命损耗评估方法 | |
| CN117709126B (zh) | 预测电池性能的方法、装置、电子设备和存储介质 | |
| CN116663371A (zh) | 一种锂离子电池老化仿真方法、系统及存储介质 | |
| R-Smith et al. | Advanced self-discharge measurements of lithium-ion cells and comparison to modeling | |
| CN116184246A (zh) | 一种全钒液流电池的soc与soh联合估计方法、装置及终端设备 | |
| Tang et al. | Simulating the distribution of electrochemical characteristics: a case study of 4.35 V LiCoO2/graphite pouch cell | |
| Su et al. | Electrochemical modeling of calendar capacity loss of nickel-manganese-cobalt (NMC)-graphite lithium ion batteries | |
| Ma et al. | LiFePO4 battery characteristic analysis and capacity loss prediction for constant current cycling | |
| Li et al. | A single particle-based battery degradation model including chemical and mechanical degradation physics |
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 |