CN117783887B - 一种锂离子电池电芯配组筛选方法 - Google Patents
一种锂离子电池电芯配组筛选方法 Download PDFInfo
- Publication number
- CN117783887B CN117783887B CN202410222379.4A CN202410222379A CN117783887B CN 117783887 B CN117783887 B CN 117783887B CN 202410222379 A CN202410222379 A CN 202410222379A CN 117783887 B CN117783887 B CN 117783887B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- battery cell
- charge
- screening
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 308
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 114
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 82
- 210000004027 cell Anatomy 0.000 claims abstract description 550
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 88
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 239000013078 crystal Substances 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000002441 X-ray diffraction Methods 0.000 claims abstract description 16
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 7
- 210000003850 cellular structure Anatomy 0.000 claims abstract description 7
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 7
- 238000007431 microscopic evaluation Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 55
- 238000001514 detection method Methods 0.000 claims description 50
- 238000007599 discharging Methods 0.000 claims description 37
- 239000000178 monomer Substances 0.000 claims description 29
- 125000004122 cyclic group Chemical group 0.000 claims description 28
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000012800 visualization Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002484 cyclic voltammetry Methods 0.000 claims description 6
- 230000003746 surface roughness Effects 0.000 claims description 6
- 238000001075 voltammogram Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000004439 roughness measurement Methods 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 6
- 239000011162 core material Substances 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007794 visualization technique Methods 0.000 description 5
- 238000004630 atomic force microscopy Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000005211 surface analysis Methods 0.000 description 3
- 238000004833 X-ray photoelectron spectroscopy Methods 0.000 description 2
- 238000000026 X-ray photoelectron spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 229910052729 chemical element Inorganic materials 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012306 spectroscopic technique Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000004627 transmission electron microscopy Methods 0.000 description 1
- 238000004876 x-ray fluorescence 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
本发明涉及电池选配技术领域,尤其涉及一种锂离子电池电芯配组筛选方法。所述方法包括以下步骤:获取电池表面元素分布数据;根据电池表面元素分布数据对锂离子电池进行电池电芯成分微观分析,生成电池成分分析数据和电池微观结构特征数据;根据电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像。本发明通过建立电池电芯电荷性能筛选模型和荷电状态差异预测模型,并对不同容量电池电芯进行不同的测试和均值化处理,同时采用了多次筛选的方法,提高了电池配组的质量和可靠性。
Description
技术领域
本发明涉及电池选配技术领域,尤其涉及一种锂离子电池电芯配组筛选方法。
背景技术
最初,电芯配组筛选主要依赖于单体电池的容量和内阻测试。然而,这种基于单体性能的筛选方法并不能充分考虑电池在组装后的实际工作状态,导致电池组装后性能波动较大。随着技术的进步,出现了一系列更精确的配组筛选方法。其中之一是基于电池的电化学特性进行评估,例如采用循环伏安法、恒流充放电测试和阻抗谱分析等。这些方法能够更准确地评估电池在实际工作条件下的性能,提高了配组的精度和准确性。通过收集大量电池生产和工作数据,并利用算法分析这些数据,可以建立模型预测不同电池的性能和寿命。这种基于数据驱动的方法大大提高了配组的效率和准确性,有助于更精细地匹配电池,以提高整体电池组的性能和稳定性。然而目前对于锂离子电池电芯筛选通常只侧重于单体性能评估和单一筛选途径,导致电池配组的质量和可靠性不高。
发明内容
基于此,有必要提供一种锂离子电池电芯配组筛选方法,以解决至少一个上述技术问题。
为实现上述目的,一种锂离子电池电芯配组筛选方法,包括以下步骤:
步骤S1:获取电池表面元素分布数据;根据电池表面元素分布数据对锂离子电池进行电池电芯成分微观分析,生成电池成分分析数据和电池微观结构特征数据;根据电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像;
步骤S2:对电池表面电荷密度图像进行电池单体性能评估,生成电池单体性能评估数据;根据电池单体性能评估数据对锂离子电池进行三维模型构建,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组;
步骤S3:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;根据电池组荷电状态差异数据进行模型训练,生成荷电状态差异预测模型;将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;基于荷电状态差异预测数据对第一次电池电芯筛选配组进行第二次筛选,生成大容量电池电芯筛选配组和小容量电池电芯筛选配组;
步骤S4:对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据;
步骤S5:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;通过可视化技术对第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,生成锂离子电池电芯配组筛选报告。
本发明通过使用适当的表面分析技术(例如扫描电子显微镜-能谱分析,X射线光电子能谱分析等),在锂离子电池表面获取元素分布的数据。这可以提供电池表面的化学元素的相对丰度和分布情况。基于元素分布数据,进行电池电芯的微观成分分析,了解不同区域的元素组成。这可能涉及使用能谱技术、荧光光谱等方法,以获取更详细的成分信息。结合元素分布和微观成分分析数据,生成电池的成分分析数据和微观结构特征数据。这些数据可用于进一步的分析和研究。利用X射线衍射技术,对电池微观结构进行分析,获得晶体的取向数据。这有助于了解电池内部晶体结构的有关信息,如晶体尺寸、取向等。通过电池表面电荷密度图像进行性能评估,可以更精确地了解电池的内部结构对性能的影响。利用三维模型和电荷性能筛选模型,可以更系统地分析电池的整体性能。第一次筛选和配组可以帮助确定有潜力的电池组合,从而在进一步的研究和开发中提高效率和性能。通过荷电状态差异预测,可以更好地理解电池组成员之间的差异,有助于优化电池组合。第二次筛选可以进一步提高电池组的性能,使其更符合特定的容量和功率要求。通过预测模型,可以更有效地选择和设计电池组,以满足不同应用场景的需求。通过长周期循环测试和低温高速循环测试,可以模拟电池在不同使用场景下的性能表现。寿命均值化有助于理解电池组成员的整体寿命特性,为电池组的设计和优化提供依据。生成的寿命检测指标数据可以用于制定电池管理策略,提高电池组的可靠性和耐久性。第三次电芯寿命配组的精确选择有助于确保组装的电池组具有良好的性能和长寿命。可视化技术的应用使得复杂的数据变得更易理解,促使更明智的决策。锂离子电池电芯配组筛选报告为团队提供了对整个电池组装过程的综合认识,为后续步骤提供了指导和决策支持。因此,本发明通过建立电池电芯电荷性能筛选模型和荷电状态差异预测模型,并对不同容量电池电芯进行不同的测试和均值化处理,同时采用了多次筛选的方法,提高了电池配组的质量和可靠性。
本发明的有益效果在于通过这一系列的微观分析,可以深入了解电池的成分、结构和表面电荷分布。这有助于理解电池的基本性质和潜在特征。通过电池单体性能评估和三维模型构建,建立了电池电芯的性能筛选模型。第一次筛选基于电荷性能模型,有望提高电池组装的整体性能。通过荷电状态分析和差异预测模型,对电池组的荷电状态进行预测。第二次筛选则基于这些预测,有助于更精准地选择大容量和小容量电池组成员。通过长周期测试和低温高速循环测试,得到了大容量和小容量电池的性能数据。寿命均值化有助于更全面地理解电池组成员的寿命特性。第三次电芯寿命配组筛选基于更全面的数据和寿命检测指标。通过可视化技术,将第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,提供了对整个过程的直观理解。最终,通过电池电芯配组筛选报告,向相关团队和决策者传达了有关电池组装策略和性能的重要信息。提高了对锂离子电池电芯的理解和控制,通过综合的分析和筛选,有望优化电池组的性能和寿命。可视化技术和报告使得复杂的数据更易于理解,促进了团队之间的沟通和决策制定。因此,本发明通过建立电池电芯电荷性能筛选模型和荷电状态差异预测模型,并对不同容量电池电芯进行不同的测试和均值化处理,同时采用了多次筛选的方法,提高了电池配组的质量和可靠性。
附图说明
图1为一种锂离子电池电芯配组筛选方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图2中步骤S31的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,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。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种锂离子电池电芯配组筛选方法,所述方法包括以下步骤:
步骤S1:获取电池表面元素分布数据;根据电池表面元素分布数据对锂离子电池进行电池电芯成分微观分析,生成电池成分分析数据和电池微观结构特征数据;根据电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像;
步骤S2:对电池表面电荷密度图像进行电池单体性能评估,生成电池单体性能评估数据;根据电池单体性能评估数据对锂离子电池进行三维模型构建,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组;
步骤S3:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;根据电池组荷电状态差异数据进行模型训练,生成荷电状态差异预测模型;将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;基于荷电状态差异预测数据对第一次电池电芯筛选配组进行第二次筛选,生成大容量电池电芯筛选配组和小容量电池电芯筛选配组;
步骤S4:对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据;
步骤S5:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;通过可视化技术对第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,生成锂离子电池电芯配组筛选报告。
本发明通过使用适当的表面分析技术(例如扫描电子显微镜-能谱分析,X射线光电子能谱分析等),在锂离子电池表面获取元素分布的数据。这可以提供电池表面的化学元素的相对丰度和分布情况。基于元素分布数据,进行电池电芯的微观成分分析,了解不同区域的元素组成。这可能涉及使用能谱技术、荧光光谱等方法,以获取更详细的成分信息。结合元素分布和微观成分分析数据,生成电池的成分分析数据和微观结构特征数据。这些数据可用于进一步的分析和研究。利用X射线衍射技术,对电池微观结构进行分析,获得晶体的取向数据。这有助于了解电池内部晶体结构的有关信息,如晶体尺寸、取向等。通过电池表面电荷密度图像进行性能评估,可以更精确地了解电池的内部结构对性能的影响。利用三维模型和电荷性能筛选模型,可以更系统地分析电池的整体性能。第一次筛选和配组可以帮助确定有潜力的电池组合,从而在进一步的研究和开发中提高效率和性能。通过荷电状态差异预测,可以更好地理解电池组成员之间的差异,有助于优化电池组合。第二次筛选可以进一步提高电池组的性能,使其更符合特定的容量和功率要求。通过预测模型,可以更有效地选择和设计电池组,以满足不同应用场景的需求。通过长周期循环测试和低温高速循环测试,可以模拟电池在不同使用场景下的性能表现。寿命均值化有助于理解电池组成员的整体寿命特性,为电池组的设计和优化提供依据。生成的寿命检测指标数据可以用于制定电池管理策略,提高电池组的可靠性和耐久性。第三次电芯寿命配组的精确选择有助于确保组装的电池组具有良好的性能和长寿命。可视化技术的应用使得复杂的数据变得更易理解,促使更明智的决策。锂离子电池电芯配组筛选报告为团队提供了对整个电池组装过程的综合认识,为后续步骤提供了指导和决策支持。因此,本发明通过建立电池电芯电荷性能筛选模型和荷电状态差异预测模型,并对不同容量电池电芯进行不同的测试和均值化处理,同时采用了多次筛选的方法,提高了电池配组的质量和可靠性。
本发明实施例中,参考图1所述,为本发明一种锂离子电池电芯配组筛选方法的步骤流程示意图,在本实例中,所述一种锂离子电池电芯配组筛选方法包括以下步骤:
步骤S1:获取电池表面元素分布数据;根据电池表面元素分布数据对锂离子电池进行电池电芯成分微观分析,生成电池成分分析数据和电池微观结构特征数据;根据电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像;
本发明实施例中,通过使用表面分析技术,如扫描电子显微镜(SEM)联通能谱分析(EDS)或X射线光电子能谱(XPS),以获取电池表面的元素分布数据。这可以通过将电池表面放入分析仪器并记录分析结果来完成。利用电子显微镜(SEM)等技术对电池截面进行观察,以获取电池电芯的微观结构图像。使用能谱分析(EDS)确定各个区域的元素分布,从而生成电池成分分析数据。对电池微观结构进行X射线衍射分析,这有助于了解电池中晶体的取向和结构。这可以通过X射线衍射仪器进行,记录衍射图谱,然后分析晶体结构。基于X射线衍射数据,计算和提取电池中晶体的取向信息。这可以使用相关的计算方法和软件来实现,例如基于傅里叶变换的晶体学软件。利用电池电芯表面的电荷分布测定技术,例如原子力显微镜(AFM)或电势探针技术。这将提供电池表面的电荷密度分布信息。结合电荷分布测定结果和其他微观结构数据,使用图像处理和数据分析软件生成电池表面的电荷密度图像。这可以是一个二维图像,反映电荷在电池表面的分布情况。
步骤S2:对电池表面电荷密度图像进行电池单体性能评估,生成电池单体性能评估数据;根据电池单体性能评估数据对锂离子电池进行三维模型构建,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组;
本发明实施例中,通过利用电池表面电荷密度图像进行电池单体性能评估。这可能包括但不限于:电池容量分析: 基于电荷密度分布,评估电池的容量,即电池能够存储的电荷量。电池循环寿命评估: 考虑电荷密度分布对电池的循环寿命的影响,以预测电池的寿命。电池内阻分析: 通过考虑电荷密度在电池内的分布,评估电池内阻,这对电池的性能至关重要。利用电池单体性能评估数据,构建锂离子电池的三维模型。这可以通过数值建模软件来实现,考虑电池的几何形状、材料特性、电池结构等因素。基于三维模型和电池单体性能评估数据,建立电池电芯电荷性能筛选模型。这可能涉及到机器学习、数值模拟或其他建模技术,以预测电池电芯的性能。利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选。这可以是根据特定的性能指标,如容量、循环寿命、内阻等,对候选电池进行排序和选择。根据第一次筛选的结果,得到电池电芯的第一次筛选配组。这是一组在性能方面被认为是较优秀的电池电芯,可以进入下一轮更深入的研究或优化。
步骤S3:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;根据电池组荷电状态差异数据进行模型训练,生成荷电状态差异预测模型;将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;基于荷电状态差异预测数据对第一次电池电芯筛选配组进行第二次筛选,生成大容量电池电芯筛选配组和小容量电池电芯筛选配组;
本发明实施例中,通过对第一次电池电芯筛选配组中的各个电池单体进行荷电状态分析。这可能包括记录电池的电压、电流、温度等参数,以获取电池在不同荷电状态下的性能数据。通过分析第一次电池电芯筛选配组中电池单体的荷电状态数据,生成电池组荷电状态差异数据。这可以是荷电状态的差异分布、统计指标等,用于后续的建模和预测。利用电池组荷电状态差异数据,进行机器学习或其他建模技术的训练,以生成荷电状态差异预测模型。这个模型应能够预测电池组在不同工作条件下的荷电状态差异。将电池组荷电状态差异预测模型应用于新的电池组,通过导入电池组荷电状态数据,得到荷电状态差异预测数据。这有助于了解电池组在不同工况下的荷电状态分布。基于荷电状态差异预测数据,对第一次电池电芯筛选配组进行第二次筛选。可以根据电池的荷电状态差异,选择具有较小荷电状态差异的电池单体,形成大容量电池电芯筛选配组和小容量电池电芯筛选配组。
步骤S4:对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据;
本发明实施例中,通过安排大容量电池电芯筛选配组进行长周期循环测试。这可能包括充放电循环,记录每个循环的电流、电压、温度等参数。测试周期可能取决于特定应用的需求,例如几百次或几千次循环。将小容量电池电芯筛选配组置于低温环境中,并进行高速循环测试。这个测试可能包括在低温条件下进行快速充放电循环,记录关键参数如电流、电压、温度等。低温条件模拟电池在寒冷环境下的性能。对大容量电芯的充电长周期数据进行分析和处理。可能需要提取关键特征,如充电容量、电压衰减率等,以便后续的寿命评估。对小容量电池电芯的充电周期数据进行类似的分析和处理。这可以包括提取充电循环的特征,如充电容量、循环效率等。将大容量电芯和小容量电芯的寿命数据进行均值化处理。这可能包括计算均值、标准差等统计指标,以便更好地了解电池组的寿命分布情况。根据均值化后的数据,生成电池电芯寿命检测指标数据。这些指标可能包括平均寿命、寿命分布情况、循环衰减趋势等,以评估电池在不同条件下的寿命表现。
步骤S5:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;通过可视化技术对第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,生成锂离子电池电芯配组筛选报告。
本发明实施例中,通过基于电池电芯寿命检测指标数据,采用合适的算法或策略对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选。这可能包括考虑寿命均值、寿命分布、循环衰减趋势等因素,以确定最佳的电芯组合。使用可视化技术,比如数据图表、热力图、散点图等,对第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组以及电池电芯寿命检测指标数据进行可视化。这有助于直观地理解各组之间的关系、趋势和差异。利用可视化工具,将电芯配组的选择方案以直观的方式呈现。可以使用图表、图形和表格来展示每个配组的关键参数,如寿命数据、性能指标等。这有助于决策者和利益相关者更好地理解每个配组的优势和劣势。汇总可视化结果,并生成锂离子电池电芯配组筛选报告。报告应包括电芯配组的选择原因、关键性能指标、寿命数据,以及对比分析不同配组的优劣势。此外,建议在报告中包含配组之间的风险评估和建议。分享生成的报告并组织讨论会议,以便与团队、决策者和其他利益相关者共享电芯配组的筛选过程和结果。这有助于确保团队对电芯配组的选择有清晰的理解,并能够做出明智的决策。
优选的,步骤S1包括以下步骤:
步骤S11:利用扫描电子显微镜对锂离子电池进行表面扫描,获取电池表面元素分布数据;通过能谱仪对电池表面元素分布数据进行电池表面成分分析,得到电池成分分析数据;
步骤S12:基于透射电子显微镜对锂离子电池进行电芯截面观测,以获取电芯截面数据;对电芯截面数据进行电池电芯晶体形貌分析,生成电池微观结构特征数据;
步骤S13:通过原子力显微镜对锂离子电池的电芯表面进行粗糙度测量,得到电池表面粗糙度数据;基于电池表面粗糙度数据和电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;
步骤S14:根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像。
本发明通过扫描电子显微镜,可以高分辨率地观察电池表面的微观结构。这有助于检测任何可能的表面缺陷、氧化物或其他非均匀性。利用能谱仪对表面元素进行分析,可以确定电池的化学成分。这对于了解电极材料的成分、分布和可能的表面反应很重要。透射电子显微镜提供了电芯截面的高分辨率图像,有助于观察电池内部的层状结构、颗粒分布等。分析电芯截面的晶体形貌,可以揭示电池内部材料的结晶状态和有序性,对电池性能的理解至关重要。原子力显微镜测量提供了表面粗糙度的信息,这对于了解电极表面的纹理和不均匀性很有帮助。利用X射线衍射,可以获取电池内部晶体的取向信息,有助于理解材料的晶体结构和可能的缺陷。结合成分分析数据和晶体取向数据,可以推断电池电芯表面的电荷分布情况,包括可能的电化学反应。通过这些数据,可以生成电荷密度图像,提供了有关电极表面电荷分布的空间信息。
本发明实施例中,通过准备待测锂离子电池样本,使用高分辨率扫描电子显微镜(SEM)对电池表面进行扫描,优化电子束参数以获取清晰的表面图像。利用能谱仪对扫描得到的表面进行元素分析。通过X射线荧光光谱仪(XRF)或其他能谱仪,获取电池表面元素分布数据。进行电池表面成分分析,记录各元素的相对含量。利用透射电子显微镜(TEM)对锂离子电池电芯进行截面观测。调整TEM参数,获得高分辨率的电芯截面图像。对电芯截面数据进行电池电芯晶体形貌分析。使用计算机软件进行晶体结构分析,提取微观结构特征数据,如晶体尺寸、分布等。利用原子力显微镜(AFM)对锂离子电池电芯表面进行粗糙度测量。获取电池表面的粗糙度数据,包括表面高程和形貌。基于电池表面粗糙度数据和电池微观结构特征数据设计X射线衍射实验。进行X射线衍射实验,获得电池晶体取向数据。利用电池成分分析数据和X射线衍射的晶体取向数据,建立电荷分布模型。使用数值模拟或理论推导等方法,确定电荷在电池表面的分布情况。基于电荷分布模型,生成电池表面的电荷密度图像。利用可视化工具展示电荷密度的空间变化,以形成电池表面电荷密度图像。
优选的,步骤S2包括以下步骤:
步骤S21:利用沃尔什变换方法对电池表面电荷密度图像进行频域转换处理,生成电池表面电荷密度转换图像;对电池表面电荷密度转换图像进行图像增强,生成电池表面电荷密度增强图像;
步骤S22:基于边界分割方法对电池表面电荷密度增强图像进行边缘分割,生成电池表面电荷核心图像;对电池表面电荷核心图像进行局部二值化,生成电池表面电荷二值化图像;对电池表面电荷二值化图像进行电荷性能分析,生成电池电荷性能数据;
步骤S23:通过电池单体性能测算公式对电池电荷性能数据进行电池单体性能评估,生成电池单体性能评估数据;根据三维重构技术对锂离子电池进行三维模型构建,生成锂离子三维模型;
步骤S24:将电池单体性能评估数据导入至锂离子三维模型中进行模型参数绑定,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组。
本发明通过利用沃尔什变换方法对电池表面电荷密度图像进行频域转换处理,以获得电池表面电荷密度转换图像。对转换后的图像进行增强,以提高图像的质量和清晰度,生成电池表面电荷密度增强图像。基于边界分割方法对电池表面电荷密度增强图像进行边缘分割,得到电池表面电荷核心图像。对电荷核心图像进行局部二值化,生成电池表面电荷二值化图像。对电池表面电荷二值化图像进行电荷性能分析,得到电池电荷性能数据。利用电池单体性能测算公式对电池电荷性能数据进行评估,生成电池单体性能评估数据。使用三维重构技术对锂离子电池进行三维模型构建,生成锂离子三维模型。将电池单体性能评估数据导入锂离子三维模型,进行模型参数绑定。利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,得到第一次电池电芯筛选配组。通过综合分析电池表面和电芯结构的多方面信息,结合电池电荷性能数据,实现了对电池的全面评估和筛选。
本发明实施例中,通过使用沃尔什变换方法对电池表面电荷密度图像进行频域转换。这可以通过应用离散傅里叶变换(DFT)或快速傅里叶变换(FFT)等算法来实现。对电池表面电荷密度转换图像应用图像增强技术,例如直方图均衡化、滤波器(如高斯滤波)等,以提高图像的质量和对后续处理步骤的适应性。应用基于边界分割方法的算法,如Canny边缘检测算法或其他边缘检测方法,对电池表面电荷密度增强图像进行边缘分割,生成电池表面电荷核心图像。对电池表面电荷核心图像进行局部二值化,这可以使用自适应阈值处理或其他局部二值化方法,以获取电池表面电荷二值化图像。对电池表面电荷二值化图像进行电荷性能分析,这可能涉及到对电荷分布、密度等特征进行定量分析,可以使用图像处理和分析工具,如OpenCV等。使用预定义的电池单体性能测算公式对电荷性能数据进行评估,计算出电池单体性能评估数据。利用三维重构技术,可能采用扫描仪或其他三维建模工具,对锂离子电池进行三维模型构建,以获取锂离子三维模型。将电池单体性能评估数据导入锂离子三维模型中进行模型参数绑定,这可能包括对电池内部结构、材料性质等进行参数化。基于绑定后的数据构建电池电芯电荷性能筛选模型,可以使用机器学习或其他建模方法,以实现对电池性能的更准确预测。利用构建的电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,得到第一次电池电芯筛选配组,可能涉及到一系列性能参数的匹配和评估。
优选的,步骤S23中的电池单体性能测算公式具体如下:
式中,表示为电池单体性能评估数据,/>表示为特征 />的权重,/>表示为电池性能特征中的第/>个特征在时间/>上的取值,/>表示为电池性能特征中的特征的数量,/>表示为电池在时间/>的电流值,/>表示为电池在时间 />的电压值,/>表示为电池测算的时间范围,/>表示为电池单体性能测算异常调整值。
本发明构建了一种电池单体性能测算公式,公式中的电池单体性能评估数据,表示对电池电荷性能的评估结果。该值可以用于衡量电池的性能水平。用于调节特征/>的权重,用于调节不同特征对性能评估的贡献度。通过调节不同特征的权重,可以控制不同特征对性能评估的影响程度。较大的权重值会加大对应特征的贡献,较小的权重值则减小对应特征的贡献。特征项,表示电池性能特征中的第/>个特征在时间 />上的取值。每个特征项代表了电池性能的某个方面,比如容量、内阻等。通过考虑多个特征项的取值,可以综合考量电池性能的多个方面,提高性能评估的准确性。特征数量,表示电池性能特征中的特征的数量。通过增加特征的数量,可以捕捉更多电池性能的细节,提高性能评估的灵敏度。电池在时间 /> 的电流值。该值反映了电池在不同时间段的电荷或放电情况。电流的大小和方向对电池的性能评估有重要影响。电池在时间/>的电压值。该值反映了电池在不同时间段的电压水平。电压的大小和稳定性也是评估电池性能的关键因素。时间变量,表示电池测算的时间范围。通过设置合适的时间范围,可以确保性能评估考虑到足够的时间段,从而得到更全面和准确的评估结果。通过电池单体性能测算异常调整值/>,用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异,提高电池单体性能测算的准确性和可靠性,更加准确的生成电池单体性能评估数据/>,同时公式中的特征 />的权重、电池性能特征中的第/>个特征在时间/>上的取值等参数可以根据实际情况进行调整,从而适应不同的电池单体性能测算场景,提高了算法的适用性和灵活性。在使用本领域常规的电池单体性能测算公式时,可以得到电池单体性能评估数据,通过应用本发明提供的电池单体性能测算公式,可以更加精确的计算出电池单体性能评估数据。通过调节每个特征项的权重,公式能够综合考虑多个特征对性能评估的贡献,从而提高评估的准确性。通过调节权重项 />的值,可以根据实际需求调整不同特征对性能评估的重要性,从而灵活适应不同特征的重要程度。通过增加特征数量 />,公式能够捕捉更多电池性能的细节,提高性能评估的灵敏度和全面性。通过乘以电流和电压,公式能够将电池性能特征与电流和电压进行关联,从而更准确地评估电池的性能水平。通过设置合适的时间范围/>,公式能够确保性能评估考虑到足够的时间段,从而得到更全面和准确的评估结果。该公式通过综合考虑多个特征、灵活调节特征权重、捕捉多个特征的细节、考虑电流和电压的影响以及合理选择时间范围,能够提高电池单体性能评估的准确性和全面性,帮助了解电池的性能水平。这有助于指导电池的设计、优化和应用,提高电池的效能和可靠性。
优选的,步骤S3包括以下步骤:
步骤S31:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;
步骤S32:将电池组荷电状态差异数据进行数据集划分,得到模型训练集和模型测试集;利用支持向量机算法对模型训练集进行模型训练,生成荷电状态差异预模型;通过模型测试集对荷电状态差异预模型进行模型测试,生成荷电状态差异预测模型;
步骤S33:将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;将荷电状态差异预测数据和预设的标准荷电差异阈值进行对比,当荷电状态差异预测数据大于或等于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到大容量电池电芯筛选配组;
步骤S34:当荷电状态差异预测数据小于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到小容量电池电芯筛选配组。
本发明通过对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据。这可以提供对电池组内电池荷电状态分布的了解,为后续的筛选提供基础数据。利用支持向量机算法对电池组荷电状态差异数据进行模型训练,生成荷电状态差异预测模型。这样的模型可以学习电池组内各电池的荷电状态差异规律,从而对未知电池的荷电状态进行预测。设计了两轮筛选机制,其中第一轮是通过荷电状态差异预测数据和预设的标准荷电差异阈值进行对比,判断电池的大容量或小容量。这样的筛选机制有助于更细致地划分电池组内电池的容量水平。通过机器学习模型,可以在第一次筛选的基础上进一步优化电池电芯的筛选结果。这有助于提高筛选的准确性和效率,确保所选电池电芯具有更匹配的大容量或小容量特性。利用机器学习模型进行预测和筛选,有望降低对人工干预的需求。这样可以提高整个电池生产过程的自动化程度,减少人力成本,提高生产效率。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S3包括:
步骤S31:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;
本发明实施例中,通过收集第一次电池电芯筛选配组的电池数据,包括电池的电流、电压、温度等相关参数。这些数据可以通过传感器、监控设备或其他测量工具获取。对采集到的电池数据进行处理和清洗,确保数据的准确性和一致性。这可能包括去除异常值、填补缺失数据等步骤。利用电池的电流和电压等参数计算每个电池的荷电状态。荷电状态是电池电荷量的一种表示,可以通过典型的电池模型和方程进行计算。将计算得到的荷电状态数据用于生成电池组荷电状态差异数据。这可能涉及将每个电池的荷电状态与整个电池组的平均荷电状态进行比较,计算得到差异值。记录生成的电池组荷电状态差异数据,并将其存储在适当的数据库或文件中,以备后续的模型训练和分析使用。
步骤S32:将电池组荷电状态差异数据进行数据集划分,得到模型训练集和模型测试集;利用支持向量机算法对模型训练集进行模型训练,生成荷电状态差异预模型;通过模型测试集对荷电状态差异预模型进行模型测试,生成荷电状态差异预测模型;
本发明实施例中,通过将已经生成的电池组荷电状态差异数据分成两部分:训练集和测试集。通常采用随机抽样或交叉验证等方法确保数据集的随机性和代表性。在将数据输入到支持向量机之前,进行数据预处理步骤。可能的预处理包括特征缩放、特征选择、数据标准化等,以确保模型训练的效果更好。使用训练集数据对支持向量机模型进行训练。支持向量机是一种监督学习算法,旨在找到能够最好地分离不同类别数据点的决策边界。可以通过交叉验证或网格搜索等技术调整支持向量机模型的超参数,以提高模型的性能和泛化能力。使用测试集数据对训练好的支持向量机模型进行测试和评估。这一步用于验证模型的性能,可以使用各种指标(如准确率、召回率、F1分数等)来评估模型的效果。经过验证和调整后,若模型达到了满意的预测性能,则将该模型作为最终的荷电状态差异预测模型,用于对未知数据进行预测。
步骤S33:将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;将荷电状态差异预测数据和预设的标准荷电差异阈值进行对比,当荷电状态差异预测数据大于或等于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到大容量电池电芯筛选配组;
本发明实施例中,通过使用已经训练好的荷电状态差异预测模型,将电池组荷电状态差异数据导入模型进行预测。这可以通过模型的预测函数或API来完成。得到荷电状态差异预测数据,这些数据表示了电池组中不同电池的预测荷电状态差异。确保对预测数据进行有效的解析和存储,以便后续处理。将荷电状态差异预测数据与预先设定的标准荷电差异阈值进行比较。这个阈值可以根据系统的要求、电池的特性以及实际应用情境进行设置。如果荷电状态差异预测数据大于或等于预设的标准荷电差异阈值,说明电池组中存在较大的荷电状态差异,需要进行第二次筛选。针对符合条件的电池,对其进行第二次筛选。这可能包括对电池的物理特性、化学性质或其他关键参数进行进一步分析和评估。根据第二次筛选的结果,得到大容量电池电芯筛选配组。这组电池电芯具有更好的性能和匹配度,适合组成高性能的电池组。记录筛选结果,并根据需要提供反馈或触发其他系统动作。这有助于维护电池组的整体性能和可靠性。
步骤S34:当荷电状态差异预测数据小于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到小容量电池电芯筛选配组。
本发明实施例中,通过判断荷电状态差异预测数据是否小于预设的标准荷电差异阈值。这是通过对预测数据进行比较操作来实现的,确保阈值的选择合理并符合系统要求。如果荷电状态差异预测数据小于预设的标准荷电差异阈值,说明电池组中的荷电状态差异较小,可以进行第二次筛选。这一次的目标是得到小容量电池电芯筛选配组。定义用于小容量电池筛选的具体条件。这可能包括电池的容量、内阻、循环寿命等参数。确保这些条件能够有效地筛选出符合小容量要求的电池。针对第一次电池电芯筛选配组,按照定义的小容量电池筛选条件进行筛选。这可以涉及到实验室测试、数据分析或其他评估方法,以确保选出的电池符合小容量的标准。根据第二次筛选的结果,得到小容量电池电芯筛选配组。这组电池电芯适合用于组装小容量电池组,满足特定应用场景的需求。记录筛选结果,并根据需要提供反馈或触发其他系统动作。这有助于维护电池组的整体性能和可靠性。
优选的,步骤S31包括以下步骤:
步骤S311:对第一次电池电芯筛选配组进行电芯池极划分,生成锂离子电芯阳极数据和锂离子电芯阴极数据;
步骤S312:根据锂离子电芯阳极数据对第一次电池电芯筛选配组进行线性伏安扫描,得到线性扫描伏安曲线;根据锂离子电芯阴极数据对第一次电池电芯筛选配组进行伏安循环扫描,得到循环伏安曲线;
步骤S313:对线性扫描伏安曲线进行峰值信息提取,得到正极峰值电位数据;对循环伏安曲线进行峰值信息提取,得到负极峰值电位数据;通过正极峰值电位数据和负极峰值电位数据对第一次电池电芯筛选配组进行峰电位差分析,生成电池组峰电位差数据;
步骤S314:对第一次电池电芯筛选配组进行电池模型构建,生成锂离子电池模型;基于电池组峰电位差数据对锂离子电池模型进行电压荷电状态关联,生成电芯电压-荷电关联模型;
步骤S315:对电池组峰电位差数据进行循环温度释放分析,生成循环温度释放数据;将循环温度释放数据导入至电芯电压-荷电关联模型中进行温度修正,从而生成电池电压-荷电关联修正模型;
步骤S316:将第一次电池电芯筛选配组的电池组峰电位差数据导入至电池电压-荷电关联修正模型中进行电池组差异分析,生成电池组荷电状态差异数据。
本发明通过划分电芯极,生成了锂离子电芯阳极和阴极的数据。这有助于更详细地了解电芯的结构和特性,为后续分析提供基础。进行了线性伏安扫描和循环伏安扫描,得到了伏安曲线。这些曲线提供了关于电芯电化学反应的信息,有助于理解电池的性能和行为。通过提取伏安曲线的峰值信息,得到正负极峰值电位数据,并进行峰电位差分析。这有助于了解电池在不同工作条件下的电位变化,为建立电池模型提供了重要数据。基于电池峰电位差数据,建立了锂离子电池模型。这个模型能够描述电池的电压与荷电状态之间的关系,为后续的电池组分析提供了基础。进行了循环温度释放分析,生成了循环温度释放数据,并将其导入电芯电压-荷电关联模型中进行温度修正。这有助于考虑温度对电池性能的影响,提高了模型的准确性。将电池组峰电位差数据导入电池电压-荷电关联修正模型中,进行电池组差异分析。这可以用于理解不同电池组在荷电状态方面的差异,为优化电池组性能提供了指导。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S31包括:
步骤S311:对第一次电池电芯筛选配组进行电芯池极划分,生成锂离子电芯阳极数据和锂离子电芯阴极数据;
本发明实施例中,通过使用适当的工具和技术对电芯进行物理分析,包括解剖电芯以获取内部结构信息。通过观察电芯的正负极材料以及电解质的位置,确定阳极和阴极的区域。针对每个电芯,使用合适的测量设备,如扫描电子显微镜(SEM)等,采集阳极和阴极相关的物理数据。采集有关阳极和阴极材料的化学成分、结构特性等数据。对采集到的数据进行整理,建立每个电芯的阳极和阴极数据集。利用化学分析方法,确定阳极和阴极的化学性质和特征。将整理和分析后的数据用于生成锂离子电芯阳极和阴极的详细数据。这可能包括阳极和阴极的电导率、比容量、晶体结构等相关信息。将生成的数据储存在数据库或文件中,以备后续步骤使用。
步骤S312:根据锂离子电芯阳极数据对第一次电池电芯筛选配组进行线性伏安扫描,得到线性扫描伏安曲线;根据锂离子电芯阴极数据对第一次电池电芯筛选配组进行伏安循环扫描,得到循环伏安曲线;
本发明实施例中,通过设置电化学工作站,包括工作电极、参比电极和计时器等。确定扫描范围、扫描速率和起始电位等参数。这些参数将影响扫描的灵敏度和分辨率。将电芯样品连接到电化学工作站,确保良好的电极接触。以设定的扫描速率在设定的电位范围内进行线性伏安扫描。记录电流与电位的变化。确保电化学工作站配置良好,包括合适的电极系统和电解液。设置伏安循环的参数,如起始电位、终止电位、扫描速率等。将电芯样品连接到电化学工作站,保证良好的电极接触,并确保电解质与电极充分接触。在设定的电位范围内以设定的扫描速率进行伏安循环扫描。记录电流与电位的循环变化。使用得到的电流-电位数据绘制线性扫描伏安曲线和循环伏安曲线。如果存在峰值,分析峰值的位置、形状和面积,这可以提供关于电芯材料电化学行为的信息。比较不同电芯样品之间的曲线,寻找差异并理解电芯性能的变化。
步骤S313:对线性扫描伏安曲线进行峰值信息提取,得到正极峰值电位数据;对循环伏安曲线进行峰值信息提取,得到负极峰值电位数据;通过正极峰值电位数据和负极峰值电位数据对第一次电池电芯筛选配组进行峰电位差分析,生成电池组峰电位差数据;
本发明实施例中,通过使用数据处理软件或编程工具加载线性扫描伏安曲线数据。在曲线中找到正极峰值,通常表现为电流突然增加或减小的位置。记录或提取正极峰值的电位数据(通常为峰顶电位的数值)。使用相应的软件或编程工具加载循环伏安曲线数据。在曲线中找到负极峰值,这通常是电流急剧变化的位置。记录或提取负极峰值的电位数据(通常为峰顶电位的数值)。将正极峰值电位数据和负极峰值电位数据进行差异分析。通过计算正极峰值电位和负极峰值电位之间的差值来得到峰电位差数据。将峰电位差数据与其他样品或标准进行比较和分析,以了解电池组的特性、性能差异或潜在问题。存储提取的峰值电位数据和峰电位差数据,以备后续分析和报告。
步骤S314:对第一次电池电芯筛选配组进行电池模型构建,生成锂离子电池模型;基于电池组峰电位差数据对锂离子电池模型进行电压荷电状态关联,生成电芯电压-荷电关联模型;
本发明实施例中,通过根据实验需求和电池性质,选择适当的电池模型类型,如电阻-电容模型、等效电路模型等。使用第一次电池电芯筛选配组的电化学性能数据,进行电池模型参数的估计或拟合。这可能涉及使用数学工具或专业的模型拟合软件。对构建的电池模型进行验证,与实际测量数据进行比较,确保模型能够准确描述电池的行为。将之前生成的电池组峰电位差数据导入模型构建的软件或算法中。利用电池组峰电位差数据建立电芯电压-荷电关联模型。这可能涉及使用数学函数、插值方法或机器学习技术,以确定电压和荷电状态之间的关系。对生成的关联模型进行验证,与实际电池测试数据进行比较,确保模型能够准确地预测电芯的电压随荷电状态的变化。存储电池模型的参数和电芯电压-荷电关联模型,以备后续分析和使用。撰写实验报告,包括电池模型的构建过程、模型参数的估计、电芯电压-荷电关联模型的生成以及对模型的验证结果。
步骤S315:对电池组峰电位差数据进行循环温度释放分析,生成循环温度释放数据;将循环温度释放数据导入至电芯电压-荷电关联模型中进行温度修正,从而生成电池电压-荷电关联修正模型;
本发明实施例中,通过使用传感器或其他测量设备,对电池组在不同温度条件下进行循环放电测试,记录峰电位差数据。根据放电测试数据,提取循环温度释放相关的信息,如电池温度随时间的变化、放电容量、电流等,生成循环温度释放数据。将生成的循环温度释放数据导入电芯电压-荷电关联模型。利用循环温度释放数据对电芯电压-荷电关联模型进行温度修正。这可以通过数学插值、曲线拟合或机器学习方法来调整电芯电压和荷电状态之间的关系,以考虑温度对电池性能的影响。对生成的电池电压-荷电关联修正模型进行验证,使用实际测试数据进行比较,以确保修正模型能够准确地反映电芯在不同温度下的行为。存储电池电压-荷电关联修正模型的参数,以备后续分析和使用。
步骤S316:将第一次电池电芯筛选配组的电池组峰电位差数据导入至电池电压-荷电关联修正模型中进行电池组差异分析,生成电池组荷电状态差异数据。
本发明实施例中,通过获取第一次电池电芯筛选配组的电池组峰电位差数据。这可能涉及到对电池组的放电测试,以测量电压随时间的变化。获取步骤S315中生成的电池电压-荷电关联修正模型的参数。将第一次电池电芯筛选配组的电池组峰电位差数据导入修正模型中。使用修正模型,将电池组峰电位差数据转换为电池组荷电状态数据。这可能涉及应用之前生成的电池电压-荷电关联修正模型,考虑温度对电池性能的修正。计算电池组荷电状态之间的差异,以生成电池组荷电状态差异数据。
优选的,步骤S4包括以下步骤:
步骤S41:对大容量电池电芯筛选配组进行电芯放电模拟,得到大容量电池电芯放电数据;基于大容量电池电芯放电数据对大容量电池电芯筛选配组进行电芯充电模拟,得到大容量电池电芯充电数据;
步骤S42:根据大容量电池电芯放电数据和大容量电池电芯充电数据进行时间统计,得到大容量电芯放电需求时间数据和大容量电芯充电需求时间数据;对大容量电芯放电需求时间数据和大容量电芯充电需求时间数据进行充放电周期分析,生成大容量电芯充放电周期数据;
步骤S43:根据大容量电芯充放电周期数据对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;
步骤S44:对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;
步骤S45:利用循环寿命检测公式对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据。
本发明通过电芯放电模拟和充电模拟,得到大容量电池电芯的放电数据和充电数据。这有助于评估电芯的性能特征,包括电压曲线、容量损失等。基于放电和充电数据进行时间统计,得到大容量电芯放电需求时间数据和充电需求时间数据。这有助于了解电芯的放电和充电时间分布,为后续周期分析提供数据支持。对需求时间数据进行分析,生成大容量电芯充放电周期数据。这有助于确定电池充放电的周期性,为设计电池管理系统提供重要信息。利用生成的大容量电芯充放电周期数据对电池电芯筛选配组进行长周期循环测试。这有助于评估电池在长时间使用过程中的性能和稳定性。对小容量电池电芯进行低温高速循环测试,得到小容量电芯充电周期数据。这有助于了解电池在极端条件下的性能表现。利用循环寿命检测公式对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化。这有助于推导出电池电芯寿命的指标数据,为制定电池使用和维护策略提供依据。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S4包括:
步骤S41:对大容量电池电芯筛选配组进行电芯放电模拟,得到大容量电池电芯放电数据;基于大容量电池电芯放电数据对大容量电池电芯筛选配组进行电芯充电模拟,得到大容量电池电芯充电数据;
本发明实施例中,通过确定放电测试的参数,如放电率、放电终止电压、放电温度等。使用电池测试系统或电子负载等设备进行放电模拟。将大容量电池电芯连接到测试设备,并确保安全和准确的连接。通过控制测试设备,在设定的条件下对电池电芯进行放电,记录放电过程中的电压、电流、时间等数据。采集和记录放电过程中的数据,并进行分析以得到电池放电特性,例如容量、电压衰减曲线等。确定充电测试的参数,如充电率、充电终止电压、充电温度等。使用充电设备,如恒流恒压充电器或充电测试系统等。将大容量电池电芯连接到充电设备上,并确保正确连接。在设定的条件下对电池电芯进行充电,记录充电过程中的电压、电流、时间等数据。采集和记录充电过程中的数据,并进行分析以得到电池充电特性,例如充电效率、充电曲线等。
步骤S42:根据大容量电池电芯放电数据和大容量电池电芯充电数据进行时间统计,得到大容量电芯放电需求时间数据和大容量电芯充电需求时间数据;对大容量电芯放电需求时间数据和大容量电芯充电需求时间数据进行充放电周期分析,生成大容量电芯充放电周期数据;
本发明实施例中,通过整理和清洗放电和充电数据,确保数据的准确性和完整性。分析放电数据,计算电池从充满到放空所需的时间。这可能包括电池容量的衰减、放电率的变化等因素。分析充电数据,计算电池从完全放空到完全充满所需的时间。考虑充电效率、充电速率等因素。对放电需求时间和充电需求时间数据进行匹配和对应,找到放电与充电之间的周期性关系。通过统计方法或周期性分析工具,如时间序列分析等,识别放电和充电之间的重复模式或周期性。根据周期性分析的结果,生成大容量电池充放电的周期数据,确定放电周期和充电周期的长度和规律性。
步骤S43:根据大容量电芯充放电周期数据对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;
本发明实施例中,通过根据步骤S42生成的大容量电池充放电周期数据,选择一组具有代表性的电芯进行测试。考虑电芯的类型、容量、生产批次等因素,确保测试组合能够反映不同电池特性。设计长周期循环测试方案,确定测试周期的长度,例如数百次甚至上千次循环。确定每个充放电周期的具体参数,包括充电和放电的电流、电压范围、温度条件等。确保使用适当的测试设备和仪器,包括充电器、放电器、数据采集系统等。校准仪器以确保准确的数据记录和控制。按照设定的循环测试方案进行测试,每个循环记录电芯的充电和放电性能参数。在测试期间监测电芯的温度、电压、电流等关键参数,确保测试的安全进行。持续记录测试期间的各项数据,包括电芯容量、内阻、温度等。定期分析数据,寻找潜在的电芯性能衰减、异常变化等情况。基于循环测试的结果,生成大容量电芯的充电长周期数据。包括电芯容量随循环次数的变化、充电效率、内阻变化等信息。
步骤S44:对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;
本发明实施例中,通过选择代表性的小容量电池电芯进行测试,并确保测试电芯的特性覆盖了不同型号、批次和制造商。组合电芯时考虑其电化学性质、容量、内阻等因素,确保测试结果具有代表性和可靠性。设置低温测试环境,通常在零下温度进行,以模拟低温工作环境下电池的性能表现。确保测试室或测试设备能够控制并维持所需的低温环境。设计高速循环测试方案,确定测试循环的速度和持续时间。确定每个循环周期的具体参数,包括充电和放电的电流、电压范围、温度条件等。确保使用适当的测试设备和仪器,包括充电器、放电器、数据采集系统等。校准仪器以确保准确的数据记录和控制。按照设定的高速循环测试方案进行测试,记录电芯在低温高速循环下的充放电性能。定期监测电芯的温度、电压、内阻等关键参数,确保测试的安全和可靠进行。持续记录测试期间的各项数据,包括电芯容量、内阻、循环次数下的性能变化等。对数据进行分析,寻找在低温高速循环条件下电芯性能的变化趋势和特点。基于高速循环测试的结果,生成小容量电池电芯的充电周期数据。包括电芯容量随循环次数的变化、充电效率、内阻变化等信息。
步骤S45:利用循环寿命检测公式对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据。
本发明实施例中,通过获取大容量电芯和小容量电芯的充电长周期数据,包括循环次数、容量衰减、内阻变化等关键参数。确保数据收集的准确性和完整性。选择适当的循环寿命检测公式,这可能涉及到电池化学特性、制造商建议的公式或行业标准。常见的寿命检测公式包括Coulomb计数法、Arrhenius方程等。对收集到的周期数据进行预处理,包括数据清理、去噪、异常值处理等,确保数据的准确性和可靠性。对数据进行时间对齐,以便能够对比不同电芯在相同循环次数下的性能。将选定的循环寿命检测公式应用于大容量电芯和小容量电芯的周期数据。计算每个电芯在相同循环次数下的寿命指标,这可能包括预期寿命、剩余寿命、容量衰减率等。对大容量电芯和小容量电芯的寿命指标数据进行统计均值化处理,得到均值和标准差等统计信息。可以使用统计学方法如平均值、中值等来计算均值。结合大容量电芯和小容量电芯的寿命均值,生成电池电芯寿命检测指标数据。这些指标数据可以用于比较不同电芯的寿命性能,评估其在实际应用中的可靠性。
优选的,步骤S45中的循环寿命检测公式具体如下:
式中,表示为电池电芯的寿命水平数据,/>表示为第/>个特征对寿命评估的贡献度系数,/>表示为电池性能特征中的第/>个特征在时间 />上的取值,/>表示为循环寿命检测的时间范围,/>表示为第/>个特征对循环寿命评估的贡献度,/>表示为电池循环性能特征中的第/>个特征在时间 />上的取值,/>表示为电池循环性能特征中的特征的数量。
本发明构建了一种循环寿命检测公式,通过调节不同特征的权重,可以控制不同特征对寿命评估的影响程度。对于寿命评估中较重要的特征,可以赋予较高的权重,从而更准确地反映其对电池寿命的贡献。特征项代表了电池性能的某个方面,比如容量衰减、内阻增加等。通过考虑多个特征项的取值,可以综合考量电池寿命的多个方面。不同特征项的组合可以提供更全面的寿命评估。循环性能特征项代表了电池在循环充放电过程中的表现,比如容量保持率、内阻稳定性等。通过考虑多个循环性能特征项的取值,可以综合考虑电池在循环充放电过程中的多个方面,进一步深入评估电池的寿命。通过调节不同特征的权重,可以控制不同特征对循环寿命评估的影响程度。这能够根据特定的应用场景或需求,对不同循环性能特征的重要性进行加权,从而更准确地评估电池的循环寿命。在使用本领域常规的循环寿命检测公式时,可以得到电池电芯的寿命水平数据,通过应用本发明提供的循环寿命检测公式,可以更加精确的计算出电池电芯的寿命水平数据。通过综合考虑多个电池性能特征和循环性能特征,公式可以提供对电池寿命的全面评估,而不仅仅局限于某个特定方面。通过调节特征权重,可以根据特征的重要性和影响程度,平衡不同特征对寿命评估的影响,确保对电池寿命的评估更加准确和全面。循环寿命检测公式生成的指标数据可以提供一个定量化的寿命评估指标,帮助判断电池电芯的寿命水平,为电池设计、优化和维护提供参考依据。综合上述,循环寿命检测公式通过综合考虑多个电池性能特征和循环性能特征,并根据其权重进行加权计算,可以提供对电池寿命的全面评估和定量化指标,有助于理解电池的寿命状况、优化电池设计和制造过程,以及制定合理的电池维护策略。
优选的,步骤S44包括以下步骤:
步骤S441:对小容量电池电芯筛选配组进行环境温度识别,生成小容量电池电芯环境数据;对小容量电池电芯筛选配组进行模拟运行,得到小容量电池电芯模拟运行数据;
步骤S442:根据预设的时间周期对小容量电池电芯模拟运行数据进行充放电分析,生成小容量电池电芯充电数据和小容量电池电芯放电数据;根据小容量电池电芯充电数据和小容量电池电芯放电数据对小容量电池电芯筛选配组进行循环测试,从而生成小容量电池电芯充电差异数据和小容量电池电芯放电差异数据;
步骤S443:对小容量电池电芯充电差异数据和小容量电池电芯放电差异数据进行能效差异计算,得到小容量电池充放电能效数据;利用小容量电池电芯环境数据对小容量电池充放电能效数据进行低温循环周期分析,生成小容量电芯充电周期数据。
本发明通过识别环境温度,能够了解电池在不同温度下的表现。这些数据对于电池的性能评估至关重要。收集到的环境数据可能涵盖温度变化对电池性能的影响,例如充电/放电效率、内阻、容量等。模拟运行可以模仿实际使用场景,提供电池在不同工作负载、充放电条件下的表现数据。这有助于了解电池在模拟使用中的响应,预测电池在实际应用中的表现。通过对模拟运行数据进行充放电分析,可以得到电池在不同阶段的充电/放电曲线和性能参数。这些数据对于评估电池的能量存储和释放能力至关重要。通过循环测试,可以模拟电池在实际使用中的循环情况,例如充放电循环。生成的充电和放电差异数据可能包括循环次数对电池性能的影响,如容量衰减率、内阻变化等。通过能效差异计算,可以获得电池的充放电效率数据。这些数据有助于评估电池的能源转换效率,确定电池在不同工况下的性能表现。利用环境数据对能效数据进行低温循环周期分析,有助于理解电池在低温环境下的充电周期情况。这些数据可用于优化电池在低温条件下的性能。通过收集环境数据和模拟运行数据,能够更全面地评估电池在不同条件下的性能表现。生成的充放电数据和循环测试结果可以提供更准确的电池性能信息,如循环寿命、容量衰减等。能效数据能够指导优化电池的能源利用,提高其性能和可靠性。低温循环周期分析可以帮助了解电池在极端温度条件下的表现,从而改善电池在寒冷环境下的可靠性和效率。
本发明实施例中,通过使用传感器或测量设备监测环境中的温度,可能包括温度传感器、红外线测温仪等。将收集到的环境数据存储,并对其进行分析处理,生成电池所处环境的相关数据。在控制实验室或模拟环境中对电池进行模拟运行,模拟其在实际使用中的工作状态和条件。这可能涉及充电、放电循环或特定负载下的操作。在模拟运行过程中收集小容量电池电芯的充电和放电数据。这可能需要实验设备、数据采集系统以及相关软件进行数据记录和分析。将充电和放电数据应用于小容量电池电芯筛选配组,并进行多次循环测试,以观察电池在不同条件下的稳定性和性能表现。使用充放电差异数据计算电池的能效,可能涉及到对电压、电流和温度等参数的分析。利用环境数据和能效数据对电池在低温条件下的充电周期进行分析,以了解在低温环境中电池的性能衰减情况和充电周期变化。对收集到的各项数据进行整理、清洗和处理,可能需要使用数据分析软件或编程工具进行处理。对最终得到的环境数据、充放电数据、能效数据和低温循环周期数据进行综合分析,以获得对电池性能、稳定性和适应能力的全面评估,生成小容量电芯充电周期数据。
优选的,步骤S5包括以下步骤:
步骤S51:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;基于第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行筛选方案整合,生成锂离子电池电芯配组筛选方案;
步骤S52:通过可视化技术对锂离子电池电芯配组筛选方案进行可视化执行,以实现锂离子电池电芯配组筛选,并生成锂离子电池电芯配组筛选报告。
本发明通过使用合适的测量设备和技术,获取大容量电池电芯和小容量电池电芯的寿命检测指标数据,可能包括循环次数、容量衰减率等。根据寿命检测指标数据,对大容量电池电芯和小容量电池电芯进行第三次配组筛选,生成新的电芯筛选配组,以确保最终组合的电芯具有良好的寿命性能。结合第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据,制定综合的锂离子电池电芯配组筛选方案。利用可视化技术,如图表、图形界面等,对锂离子电池电芯配组筛选方案进行可视化展示。这有助于工程师和决策者直观地理解和分析配组情况。根据整合的筛选方案,执行对电芯的筛选过程,确保最终的锂离子电池电芯配组符合性能和寿命的要求。生成锂离子电池电芯配组筛选报告,其中包括可视化结果、配组详细信息、性能评估等。报告应该清晰地呈现筛选过程和结果,为决策者提供有关电池电芯配组选择的必要信息。通过多次电芯寿命筛选,确保选用的电芯具有较高的性能和较长的寿命,提高整体锂离子电池的性能和可靠性。通过整合不同电池电芯配组的筛选方案,综合考虑不同方案的优劣,选择最优的组合,以满足产品性能要求。可视化执行和报告生成使决策者能够迅速理解筛选过程和结果,提高决策效率,有助于及时采取必要的措施和调整。
本发明实施例中,通过收集大容量电池电芯和小容量电池电芯的电芯寿命检测指标数据,如循环次数、容量衰减率等。利用第一次电池电芯筛选配组的基础上,根据电芯寿命检测指标数据进行第三次电芯寿命配组筛选。这可能包括使用算法或模型,将电芯分组以优化整体寿命性能。结合第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组以及第三次电芯寿命配组的数据,制定综合的锂离子电池电芯配组筛选方案。这可能涉及权衡大容量和小容量电池的性能和寿命。选择适当的可视化技术,如图表、图形界面等,以清晰呈现电池电芯配组筛选方案的结果。可使用工具如Matplotlib、Plotly等。在选择的可视化技术上执行电池电芯配组筛选方案,以便工程师和决策者能够直观地了解各组的性能、寿命等情况。根据可视化结果,执行锂离子电池电芯的最终配组筛选,确保选择的组合符合性能和寿命的要求。生成锂离子电池电芯配组筛选报告,包括可视化的结果、详细的配组信息、性能评估等。报告应该清晰地呈现筛选过程和最终结果,为决策者提供全面的信息。
本发明的有益效果在于通过这一系列的微观分析,可以深入了解电池的成分、结构和表面电荷分布。这有助于理解电池的基本性质和潜在特征。通过电池单体性能评估和三维模型构建,建立了电池电芯的性能筛选模型。第一次筛选基于电荷性能模型,有望提高电池组装的整体性能。通过荷电状态分析和差异预测模型,对电池组的荷电状态进行预测。第二次筛选则基于这些预测,有助于更精准地选择大容量和小容量电池组成员。通过长周期测试和低温高速循环测试,得到了大容量和小容量电池的性能数据。寿命均值化有助于更全面地理解电池组成员的寿命特性。第三次电芯寿命配组筛选基于更全面的数据和寿命检测指标。通过可视化技术,将第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,提供了对整个过程的直观理解。最终,通过电池电芯配组筛选报告,向相关团队和决策者传达了有关电池组装策略和性能的重要信息。提高了对锂离子电池电芯的理解和控制,通过综合的分析和筛选,有望优化电池组的性能和寿命。可视化技术和报告使得复杂的数据更易于理解,促进了团队之间的沟通和决策制定。因此,本发明通过建立电池电芯电荷性能筛选模型和荷电状态差异预测模型,并对不同容量电池电芯进行不同的测试和均值化处理,同时采用了多次筛选的方法,提高了电池配组的质量和可靠性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种锂离子电池电芯配组筛选方法,其特征在于,包括以下步骤:
步骤S1:获取电池表面元素分布数据;根据电池表面元素分布数据对锂离子电池进行电池电芯成分微观分析,生成电池成分分析数据和电池微观结构特征数据;根据电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像;
步骤S2:对电池表面电荷密度图像进行电池单体性能评估,生成电池单体性能评估数据;根据电池单体性能评估数据对锂离子电池进行三维模型构建,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组;
步骤S3:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;根据电池组荷电状态差异数据进行模型训练,生成荷电状态差异预测模型;将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;基于荷电状态差异预测数据对第一次电池电芯筛选配组进行第二次筛选,生成大容量电池电芯筛选配组和小容量电池电芯筛选配组;
步骤S4:对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据;
步骤S5:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;通过可视化技术对第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行方案可视化,生成锂离子电池电芯配组筛选报告。
2.根据权利要求1所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用扫描电子显微镜对锂离子电池进行表面扫描,获取电池表面元素分布数据;通过能谱仪对电池表面元素分布数据进行电池表面成分分析,得到电池成分分析数据;
步骤S12:基于透射电子显微镜对锂离子电池进行电芯截面观测,以获取电芯截面数据;对电芯截面数据进行电池电芯晶体形貌分析,生成电池微观结构特征数据;
步骤S13:通过原子力显微镜对锂离子电池的电芯表面进行粗糙度测量,得到电池表面粗糙度数据;基于电池表面粗糙度数据和电池微观结构特征数据对锂离子电池进行X射线衍射,生成电池晶体取向数据;
步骤S14:根据电池成分分析数据和电池晶体取向数据对锂电池电芯表面进行电荷分布测定,从而生成电池表面电荷密度图像。
3.根据权利要求1所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用沃尔什变换方法对电池表面电荷密度图像进行频域转换处理,生成电池表面电荷密度转换图像;对电池表面电荷密度转换图像进行图像增强,生成电池表面电荷密度增强图像;
步骤S22:基于边界分割方法对电池表面电荷密度增强图像进行边缘分割,生成电池表面电荷核心图像;对电池表面电荷核心图像进行局部二值化,生成电池表面电荷二值化图像;对电池表面电荷二值化图像进行电荷性能分析,生成电池电荷性能数据;
步骤S23:通过电池单体性能测算公式对电池电荷性能数据进行电池单体性能评估,生成电池单体性能评估数据;根据三维重构技术对锂离子电池进行三维模型构建,生成锂离子三维模型;
步骤S24:将电池单体性能评估数据导入至锂离子三维模型中进行模型参数绑定,生成电池电芯电荷性能筛选模型;利用电池电芯电荷性能筛选模型对锂离子电池进行第一次筛选,从而得到第一次电池电芯筛选配组。
4.根据权利要求3所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S23中的电池单体性能测算公式如下所示:
式中,表示为电池单体性能评估数据,/>表示为特征 />的权重,/>表示为电池性能特征中的第/>个特征在时间/>上的取值,/>表示为电池性能特征中的特征的数量,/>表示为电池在时间/>的电流值,/>表示为电池在时间/>的电压值,/>表示为电池测算的时间范围,表示为电池单体性能测算异常调整值。
5.根据权利要求1所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对第一次电池电芯筛选配组进行电池荷电状态分析,生成电池组荷电状态差异数据;
步骤S32:将电池组荷电状态差异数据进行数据集划分,得到模型训练集和模型测试集;利用支持向量机算法对模型训练集进行模型训练,生成荷电状态差异预模型;通过模型测试集对荷电状态差异预模型进行模型测试,生成荷电状态差异预测模型;
步骤S33:将电池组荷电状态差异数据导入至电池组荷电状态预测模型中进行荷电状态差异预测,得到荷电状态差异预测数据;将荷电状态差异预测数据和预设的标准荷电差异阈值进行对比,当荷电状态差异预测数据大于或等于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到大容量电池电芯筛选配组;
步骤S34:当荷电状态差异预测数据小于预设的标准荷电差异阈值时,则对荷电状态差异预测数据对应的第一次电池电芯筛选配组进行第二次筛选,得到小容量电池电芯筛选配组。
6.根据权利要求5所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S31包括以下步骤:
步骤S311:对第一次电池电芯筛选配组进行电池极芯划分,生成锂离子电芯阳极数据和锂离子电芯阴极数据;
步骤S312:根据锂离子电芯阳极数据对第一次电池电芯筛选配组进行线性伏安扫描,得到线性扫描伏安曲线;根据锂离子电芯阴极数据对第一次电池电芯筛选配组进行伏安循环扫描,得到循环伏安曲线;
步骤S313:对线性扫描伏安曲线进行峰值信息提取,得到正极峰值电位数据;对循环伏安曲线进行峰值信息提取,得到负极峰值电位数据;通过正极峰值电位数据和负极峰值电位数据对第一次电池电芯筛选配组进行峰电位差分析,生成电池组峰电位差数据;
步骤S314:对第一次电池电芯筛选配组进行电池模型构建,生成锂离子电池模型;基于电池组峰电位差数据对锂离子电池模型进行电压荷电状态关联,生成电芯电压-荷电关联模型;
步骤S315:对电池组峰电位差数据进行循环温度释放分析,生成循环温度释放数据;将循环温度释放数据导入至电芯电压-荷电关联模型中进行温度修正,从而生成电池电压-荷电关联修正模型;
步骤S316:将第一次电池电芯筛选配组的电池组峰电位差数据导入至电池电压-荷电关联修正模型中进行电池组差异分析,生成电池组荷电状态差异数据。
7.根据权利要求1所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对大容量电池电芯筛选配组进行电芯放电模拟,得到大容量电池电芯放电数据;基于大容量电池电芯放电数据对大容量电池电芯筛选配组进行电芯充电模拟,得到大容量电池电芯充电数据;
步骤S42:根据大容量电池电芯放电数据和大容量电池电芯充电数据进行时间统计,得到大容量电芯放电需求时间数据和大容量电芯充电需求时间数据;对大容量电芯放电需求时间数据和大容量电芯充电需求时间数据进行充放电周期分析,生成大容量电芯充放电周期数据;
步骤S43:根据大容量电芯充放电周期数据对大容量电池电芯筛选配组进行长周期循环测试,生成大容量电芯充电长周期数据;
步骤S44:对小容量电池电芯筛选配组进行低温高速循环测试,从而得到小容量电芯充电周期数据;
步骤S45:利用循环寿命检测公式对大容量电芯充电长周期数据和小容量电芯充电周期数据进行寿命均值化,生成电池电芯寿命检测指标数据。
8.根据权利要求7所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S45中的循环寿命检测公式如下所示:
式中,表示为电池电芯的寿命水平数据,/>表示为第/>个特征对寿命评估的贡献度系数,/>表示为电池性能特征中的第/>个特征在时间 />上的取值,/>表示为循环寿命检测的时间范围,/>表示为第/>个特征对循环寿命评估的贡献度,/>表示为电池循环性能特征中的第/>个特征在时间 />上的取值,/>表示为电池循环性能特征中的特征的数量。
9.根据权利要求7所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S44包括以下步骤:
步骤S441:对小容量电池电芯筛选配组进行环境温度识别,生成小容量电池电芯环境数据;对小容量电池电芯筛选配组进行模拟运行,得到小容量电池电芯模拟运行数据;
步骤S442:根据预设的时间周期对小容量电池电芯模拟运行数据进行充放电分析,生成小容量电池电芯充电数据和小容量电池电芯放电数据;根据小容量电池电芯充电数据和小容量电池电芯放电数据对小容量电池电芯筛选配组进行循环测试,从而生成小容量电池电芯充电差异数据和小容量电池电芯放电差异数据;
步骤S443:对小容量电池电芯充电差异数据和小容量电池电芯放电差异数据进行能效差异计算,得到小容量电池充放电能效数据;利用小容量电池电芯环境数据对小容量电池充放电能效数据进行低温循环周期分析,生成小容量电芯充电周期数据。
10.根据权利要求1所述的锂离子电池电芯配组筛选方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据电池电芯寿命检测指标数据对大容量电池电芯筛选配组和小容量电池电芯筛选配组进行第三次电芯寿命配组筛选,从而生成第三次电芯筛选配组;基于第一次电池电芯筛选配组、大容量电池电芯筛选配组、小容量电池电芯筛选配组和电池电芯寿命检测指标数据进行筛选方案整合,生成锂离子电池电芯配组筛选方案;
步骤S52:通过可视化技术对锂离子电池电芯配组筛选方案进行可视化执行,以实现锂离子电池电芯配组筛选,并生成锂离子电池电芯配组筛选报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410222379.4A CN117783887B (zh) | 2024-02-28 | 2024-02-28 | 一种锂离子电池电芯配组筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410222379.4A CN117783887B (zh) | 2024-02-28 | 2024-02-28 | 一种锂离子电池电芯配组筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117783887A CN117783887A (zh) | 2024-03-29 |
CN117783887B true CN117783887B (zh) | 2024-05-14 |
Family
ID=90402025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410222379.4A Active CN117783887B (zh) | 2024-02-28 | 2024-02-28 | 一种锂离子电池电芯配组筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783887B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103611692A (zh) * | 2013-10-21 | 2014-03-05 | 厦门华锂能源有限公司 | 一种磷酸铁锂动力电池一致性配组筛选方法 |
CN104062594A (zh) * | 2014-03-27 | 2014-09-24 | 浙江超威创元实业有限公司 | 锂离子动力电池配组方法 |
CN107238801A (zh) * | 2017-06-16 | 2017-10-10 | 长沙新材料产业研究院有限公司 | 一种用于预测锂电池生命周期的方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN113466706A (zh) * | 2021-07-26 | 2021-10-01 | 上海伟翔众翼新能源科技有限公司 | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 |
CN114236403A (zh) * | 2021-12-15 | 2022-03-25 | 河北工业大学 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
CN114355218A (zh) * | 2022-01-24 | 2022-04-15 | 河北工业大学 | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 |
CN114636943A (zh) * | 2022-05-12 | 2022-06-17 | 中创新航科技股份有限公司 | 电池装置、其检测方法、电池单元的筛选方法及装置 |
CN115172850A (zh) * | 2022-08-02 | 2022-10-11 | 佛山市实达科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
CN116338485A (zh) * | 2023-04-12 | 2023-06-27 | 上海轩邑新能源发展有限公司 | 一种锂离子电池的自放电筛选方法 |
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
WO2024036737A1 (zh) * | 2022-08-17 | 2024-02-22 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220252670A1 (en) * | 2021-02-08 | 2022-08-11 | Hong Kong Applied Science and Technology Research Institute Company Limited | Fast Screening of Rechargeable Batteries Using Sectional Constant-Current Impulse Ratio (SCCIR) Calibration with Constant-Current Followed by Constant-Voltage Charging |
-
2024
- 2024-02-28 CN CN202410222379.4A patent/CN117783887B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103611692A (zh) * | 2013-10-21 | 2014-03-05 | 厦门华锂能源有限公司 | 一种磷酸铁锂动力电池一致性配组筛选方法 |
CN104062594A (zh) * | 2014-03-27 | 2014-09-24 | 浙江超威创元实业有限公司 | 锂离子动力电池配组方法 |
CN107238801A (zh) * | 2017-06-16 | 2017-10-10 | 长沙新材料产业研究院有限公司 | 一种用于预测锂电池生命周期的方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN113466706A (zh) * | 2021-07-26 | 2021-10-01 | 上海伟翔众翼新能源科技有限公司 | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 |
CN114236403A (zh) * | 2021-12-15 | 2022-03-25 | 河北工业大学 | 基于超声测量的锂离子电池荷电状态估计方法及装置 |
CN114355218A (zh) * | 2022-01-24 | 2022-04-15 | 河北工业大学 | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 |
WO2023202098A1 (zh) * | 2022-04-19 | 2023-10-26 | 深圳先进技术研究院 | 锂电池化成阶段产品质量预测方法及系统 |
CN114636943A (zh) * | 2022-05-12 | 2022-06-17 | 中创新航科技股份有限公司 | 电池装置、其检测方法、电池单元的筛选方法及装置 |
CN115172850A (zh) * | 2022-08-02 | 2022-10-11 | 佛山市实达科技有限公司 | 一种锂离子电池电芯配组筛选方法 |
WO2024036737A1 (zh) * | 2022-08-17 | 2024-02-22 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及系统 |
CN116338485A (zh) * | 2023-04-12 | 2023-06-27 | 上海轩邑新能源发展有限公司 | 一种锂离子电池的自放电筛选方法 |
Non-Patent Citations (2)
Title |
---|
Charge distribution guided by grain crystallographic orientations in polycrystalline battery materials;Zhengrui Xu等;《Nature Communications》;20200531;第11卷(第1期);第1-9页 * |
基于机器学习的电化学能源电池宏微观设计;李金金等;《硅酸盐学报》;20230228;第51卷(第2期);第438-451页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117783887A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Data-driven health estimation and lifetime prediction of lithium-ion batteries: A review | |
Lin et al. | Battery state of health modeling and remaining useful life prediction through time series model | |
Tian et al. | Flexible battery state of health and state of charge estimation using partial charging data and deep learning | |
Pradhan et al. | Battery management strategies: An essential review for battery state of health monitoring techniques | |
Shu et al. | Online diagnosis of state of health for lithium-ion batteries based on short-term charging profiles | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
Berecibar et al. | Critical review of state of health estimation methods of Li-ion batteries for real applications | |
Chen et al. | Remaining useful life prediction of battery using a novel indicator and framework with fractional grey model and unscented particle filter | |
Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
Lee et al. | A convolutional neural network model for SOH estimation of Li-ion batteries with physical interpretability | |
Zhang et al. | Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules | |
Yang et al. | A voltage reconstruction model based on partial charging curve for state-of-health estimation of lithium-ion batteries | |
He et al. | Comparative analysis for commercial li-ion batteries degradation using the distribution of relaxation time method based on electrochemical impedance spectroscopy | |
CN110988695A (zh) | 动力电池健康状态评估方法、装置、存储介质及电子设备 | |
Szürke et al. | Determination of critical deformation regions of a lithium polymer battery by dic measurement and wowa filter | |
Fan et al. | Battery capacity estimation using 10-second relaxation voltage and a convolutional neural network | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
Cao et al. | Non-invasive characteristic curve analysis of lithium-ion batteries enabling degradation analysis and data-driven model construction: a review | |
Zhao et al. | Data-driven battery health prognosis with partial-discharge information | |
Das et al. | Supervised learning and data intensive methods for the prediction of capacity fade of lithium-ion batteries under diverse operating and environmental conditions | |
Chen et al. | An electrochemical-thermal-aging effects coupled model for lithium-ion batteries performance simulation and state of health estimation | |
Liu et al. | Health estimation of lithium-ion batteries with voltage reconstruction and fusion model | |
Ko et al. | Using tens of seconds of relaxation voltage to estimate open circuit voltage and state of health of lithium ion batteries |
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 |