CN117825970A - 电池退化分析方法、装置、设备及存储介质 - Google Patents
电池退化分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117825970A CN117825970A CN202410161299.2A CN202410161299A CN117825970A CN 117825970 A CN117825970 A CN 117825970A CN 202410161299 A CN202410161299 A CN 202410161299A CN 117825970 A CN117825970 A CN 117825970A
- Authority
- CN
- China
- Prior art keywords
- battery
- impedance
- model
- cycle period
- charging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 197
- 230000015556 catabolic process Effects 0.000 title claims abstract description 188
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000032683 aging Effects 0.000 claims abstract description 115
- 238000007599 discharging Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000003792 electrolyte Substances 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 17
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 17
- 230000008859 change Effects 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012351 Integrated analysis Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 238000005259 measurement Methods 0.000 description 13
- 230000007423 decrease Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 230000032677 cell aging Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及锂离子电池技术领域，并公开了一种电池退化分析方法、装置、设备及存储介质，该方法通过建立电池老化模型用于计算电池在当前使用状态下的老化系数。将充电阻抗模型和放电阻抗模型结合实际的充放电循环周期，计算得到电池在当前状态下的充电阻抗和放电阻抗。利用退化参数、第一循环周期以及自然对数，推算出电池经历一定循环后的预期容量衰减情况，即退化后电池容量。最终，将得到的电池老化系数、充电阻抗、放电阻抗以及退化后电池容量进行整合分析，得出电池的整体退化分析结果。实现了准确模拟并预测电池在不同使用条件下的性能变化，为科学的维护建议和使用寿命预估提供了依据。
Description
技术领域
本发明涉及锂离子电池技术领域，尤其涉及一种电池退化分析方法、装置、设备及存储介质。
背景技术
近年来，锂离子电池的性能估计主要是围绕SOH和RUL展开，SOH诊断和RUL预测是锂离子电池研究的热点和难点，大量的文献开展了相关研究。按照锂离子电池性能估计方法实现手段的不同，可以将锂离子电池的性能估计方法两大类：基于经验的方法和基于性能的方法。基于经验的方法主要是利用锂离子电池退化过程中的经验知识给出电池性能(如循环寿命、电池容量、开路电压和内阻等)的大概估计。该方法又可以细分为循环周期数法、安时法和面向事件老化累积方法。循环周期数法根据锂离子电池的不同应用场景，设置不同的失效阈值。当锂离子电池的循环使用次数达到所设定的失效阈值，则认为电池失效。安时法是统计电池从出厂开始，每次充放电的总安时数，当总安时数达到给定阈值，则认为电池失效。考虑到不同工况的情况，总安时数可以乘以一个加权参数。面向事件老化累积方法主要通过设定可能引起电池性能衰减的各类事件，并给每类事件设置一个衰减值，最终电池的使用寿命是正常使用寿命减去各类发生事件的衰减值。基于经验的方法估计电池的性能速度快，但由于实际电池的工况复杂多变，电池内部性能变化差异大，电池性能预测误差大，鲁棒性较差。基于性能的锂离子电池性能估计方法包括基于模型的方法。基于模型的方法主要根据电池正负极材料，所带负载以及电池退化机理来实现SOH诊断和RUL预测。基于模型的方法包括退化机理模型、等效电路模型和基于经验的模型这三类。但这三类方法面临着鲁棒性较差、模型对电池的综合特性描述较差、如何优化电池性能估计的ORPF等问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种电池退化分析方法、装置、设备及存储介质，旨在解决现有技术电池性能预测误差大、鲁棒性较差的技术问题。
为实现上述目的，本发明提供了一种电池退化分析方法，所述方法包括以下步骤：
获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
根据所述老化模型，得到电池老化系数；
获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
根据充电阻抗模型，得到电池充电阻抗；
根据放电阻抗模型，得到电池放电阻抗；
根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
可选地，还包括：
判断所述充放电循环周期对应的实际值是否存在；
当所述充放电循环周期对应的实际值存在时，根据所述充放电循环周期对应的实际值，得到所述电池老化系数；
当所述充放电循环周期对应的实际值不存在时，根据所述老化模型和所述充放电循环周期，得到所述电池老化系数。
可选地，还包括：
判断所述充电循环周期对应的实际值是否存在；
当所述充电循环周期对应的实际值存在时，根据所述充电循环周期对应的实际值，得到所述电池充电阻抗；
当所述充电循环周期对应的实际值不存在时，根据所述充电阻抗模型和所述充电循环周期，得到所述电池充电阻抗。
可选地，还包括：
判断所述放电循环周期对应的实际值是否存在；
当所述放电循环周期对应的实际值存在时，根据所述放电循环周期对应的实际值，得到所述电池放电阻抗；
当所述放电循环周期对应的实际值不存在时，根据所述放电阻抗模型和所述放电循环周期，得到所述电池放电阻抗。
可选地，所述根据退化参数、第一循环周期以及自然对数，得到退化后电池容量，包括：
根据第二循环周期、退化参数、所述退化参数与所述第二循环周期的积以及所述自然对数，得到退化后电池容量模型；
根据所述退化后电池容量模型和所述退化参数与所述第二循环周期的商，得到预设退化后电池容量模型；
根据所述预设退化后电池容量模型、所述第二循环周期、所述退化参数以及所述自然对数，得到目标退化后电池容量模型；
将所述退化参数、所述第一循环周期以及所述自然对数输入所述目标退化后电池容量模型中，得到所述退化后电池容量。
可选地，所述根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果，包括：
将所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量进行清洗处理、去除异常值和缺失值处理以及归一化处理，得到处理后数据；
将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果，所述电池退化预测模型包括电池退化数据与所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量的对应关系。
可选地，所述将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果之前，还包括：
根据非线性函数，得到预设电池退化预测模型；
根据数值优化算法，得到未知参数的最佳估计值；
将所述未知参数的最佳估计值代入所述非线性函数，得到各观测点处的拟合值；
根据所述拟合值和实际观测值，得到决定系数、均方误差以及平均绝对误差；
根据所述决定系数、所述均方误差以及所述平均绝对误差，得到所述电池退化预测模型。
此外，为实现上述目的，本发明还提出一种电池退化分析装置，所述电池退化分析装置包括：
获取模块，用于获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
计算模块，用于根据所述老化模型，得到电池老化系数；
所述获取模块，还用于获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
所述计算模块，还用于根据充电阻抗模型，得到电池充电阻抗；
所述计算模块，还用于根据放电阻抗模型，得到电池放电阻抗；
所述计算模块，还用于根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
所述计算模块，还用于根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
此外，为实现上述目的，本发明还提出一种电池退化分析设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池退化分析程序，所述电池退化分析程序配置为实现如上文所述的电池退化分析方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电池退化分析程序，所述电池退化分析程序被处理器执行时实现如上文所述的电池退化分析方法的步骤。
本发明提出的一种电池退化分析方法、装置、设备及存储介质，该方法包括：获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；根据所述老化模型，得到电池老化系数；获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；根据充电阻抗模型，得到电池充电阻抗；根据放电阻抗模型，得到电池放电阻抗；根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。通过电池老化模型计算老化系数，将充电阻抗模型和放电阻抗模型结合实际的充放电循环周期，计算得到电池在当前状态下的充电阻抗和放电阻抗。利用退化参数、第一循环周期以及自然对数，推算出电池经历一定循环后的预期容量衰减情况，即退化后电池容量。最终，将得到的电池老化系数、充电阻抗、放电阻抗以及退化后电池容量进行整合分析，得出电池的整体退化分析结果。实现了准确模拟并预测电池在不同使用条件下的性能变化，为科学的维护建议和使用寿命预估提供了依据。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的电池退化分析设备结构示意图；
图2为本发明电池退化分析方法第一实施例的流程示意图；
图3为本发明电池退化分析方法第一实施例中的电池完整充电过程曲线图；
图4为本发明电池退化分析方法第一实施例中的B5电池充电电流曲线图；
图5为本发明电池退化分析方法第一实施例中的B6电池充电电流曲线图；
图6为本发明电池退化分析方法第一实施例中的B7电池充电电流曲线图；
图7为本发明电池退化分析方法第一实施例中的B18电池充电电流曲线图；
图8为本发明电池退化分析方法第一实施例中的电阻阻抗等效电路示意图；
图9为本发明电池退化分析方法第一实施例中的阻抗变化曲线图；
图10为本发明电池退化分析方法第一实施例中的不同周期的锂离子电池容量退化曲线图；
图11为本发明电池退化分析方法第二实施例的流程示意图；
图12为本发明电池退化分析方法第三实施例的流程示意图；
图13为本发明电池退化分析装置的结构框图。
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
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的电池退化分析设备结构示意图。
如图1所示，该电池退化分析设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电池退化分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电池退化分析程序。
在图1所示的电池退化分析设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电池退化分析设备中的处理器1001、存储器1005可以设置在电池退化分析设备中，所述电池退化分析设备通过处理器1001调用存储器1005中存储的电池退化分析程序，并执行本发明实施例提供的电池退化分析方法。
本发明实施例提供了一种电池退化分析方法，参照图2，图2为本发明电池退化分析方法第一实施例的流程示意图。
本实施例中，所述电池退化分析方法包括以下步骤：
步骤S10：获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
需要说明的是，本实施例方法的执行主体可以是具备足够计算能力、能够运行相应算法和存储相关数据的设备，包括但不限于以下设备：嵌入式系统、实验室测试设备、数据中心服务器、个人计算机或工作站、移动设备以及上位机，以下以上位机为例对本实施例及下述各实施例进行说明。
可理解的是，上位机可以通过多种方式获取电池的老化模型。老化模型是基于电池在不同充放电循环周期下的性能衰减数据构建的，包含了老化参数、充放电循环次数与对应的老化系数之间的关系。
获取老化模型的具体步骤可能如下：
实验获取：通过实验室大量实际电池充放电循环测试，收集不同循环次数下电池的各项性能指标，如容量保持率、内阻变化等，并基于这些实测数据拟合出老化模型。
软件导入：由电池制造商或研究机构开发并验证的老化模型算法，以软件形式提供给上位机导入和使用，该模型通常以数学函数或者数据表格的形式存在。
在线更新：如果上位机连接到云端数据库或者高级电池管理系统(BMS)，可以实时从服务器获取最新的老化模型数据，以便于根据当前电池的实际工况进行精确的状态评估和预测。
自学习与优化：对于具备AI功能的上位机，它可以通过对自身监测的电池运行数据进行学习与分析，逐步优化并自我更新老化模型，以适应更广泛的电池类型和使用环境。
步骤S20：根据所述老化模型，得到电池老化系数；
需要说明的是，本实施例选择了NASA的(PCOE)电池数据集四个锂离子电池(B5、B6、B7以及B18)，每个电池数据集在24摄氏度时有3个不同的参数集。四组电池充电过程依次经历恒流(Constant Current，CC)模式和恒压(Constant voltage，CV)模式，电池CC模式是指电池按电流1.5A恒流充电至4.2V，然后采用CV模式，CV模式是指电池充电达到4.2V电压后，以4.2V恒压充电直到充电电流降至20mA。放电过程只经历CC模式，即电池指电池按电流2A恒流放电至截止电压，如图3所示，图3为本发明电池退化分析方法第一实施例中的电池完整充电过程曲线图，图中展示了在一个循环中电池充放电终端电压和电流的变化过程。在进行后继RUL预测时，电池进行容量按下式进行归一化：
由于实际上用户每次使用电池时，有时会把电流充分放电至截止电压，但更多的是放电至某一个非截止电压，此时电池内部还有部分电荷。在此基础上进行充电，则电池充电起始电压差异极大，电池CC模式下的充电曲线极难找出电池退化特征。但是用户通常会将电充满，因此每次充电过程中的CV模式曲线参数能较好的保留，从中提取电池退化信息是可能的。本实施例对B5、B6、B7和B18四组电池的循环周期数为1、80和160三个阶段的充电CV数据进行整理，获取其充电CV模式下电流曲线，如图4所示，图4为本发明电池退化分析方法第一实施例中的B5电池充电电流曲线图，如图5所示，图5为本发明电池退化分析方法第一实施例中的B6电池充电电流曲线图，如图6所示，图6为本发明电池退化分析方法第一实施例中的B7电池充电电流曲线图，如图7所示，图7为本发明电池退化分析方法第一实施例中的B18电池充电电流曲线图，图4、图5、图6、图7分别展示了在不同循环周期的B5、B6、B7和B18这四组锂离子电池的恒压阶段充电电流曲线，从图中可以看出：
(1)四组电池在任意周期充电过程中，CV充电模式的电流呈指数级下降，前期电流急剧下降，中期电流下降速度开始放慢，后期电流呈现平缓状态直至到20mA。
(2)对于任一组电池，循环周期数分别为1、80和160的三个不同阶段，前期和后期都极为接近，但是在中期呈现有规律性的差异，即随着循环周期的增加，中期的电流下降的时长开始增加。
总体上来说，这是由于随着电池循环周期的增加，电池正负极性能衰退、电解液出现损耗以及隔膜产生老化，导致电池以恒压4.2V充电过程中，电池内阻增大，充电效率下降。因此，可以考虑采用指数函数来模拟CV模式下的充电电流下降规律：
I(t)＝Bexp(-At)+C；
式中，t是采样时间(t＝0对应于CV模式的起始时刻)，I为充电电流，A、B以及C为模型参数。
参数A随着循环周期的改变而不同，其变化规律可以用二次多项式(即老化模型)来拟合：
A(k)＝a0k2+b0k+c0；
式中，a0，b0，c0是模型参数，k为循环周期。当k时刻的实际值存在时，A(k)(即电池老化系数)等于/>如果k时刻的实际值/>不存在时，那A(k)(即电池老化系数)通过上述二次多项式(即老化模型)计算得到。
步骤S30：获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
需要说明的是，如图8所示，图8为本发明电池退化分析方法第一实施例中的电阻阻抗等效电路示意图。锂离子电池等效阻抗电路主要包括电荷转移电阻Rct、电解质电阻Re和Warburg阻抗Rw，其中Warburg阻抗Rw对电池退化过程影响极小，理论上电荷转移电阻Rct和电解质电阻Re、电池容量和循环周期之间具有很高的相关性。为了分析电池阻抗的变化规律，本实施例对B5、B6、B7和B18四组电池的全部循环周期下的充电和放电过程电池阻抗进行整理，获得电池阻抗变化数据，如图9所示，图9为本发明电池退化分析方法第一实施例中的阻抗变化曲线图，从数据集中可以看出：
(1)无论充电或是放电模式，四组电池的电荷转移电阻Rct、电解质电阻Re均随着循环周期的增大而增加。
(2)在同一个循环周期下，充电模式和放电模式下测量得到的电池电荷转移电阻Rct值存在明显不同，电解质电阻Re也存在明显差异。
(3)电池的电荷转移电阻Rct总体增大，但存在明显的波动，同样电解质电阻Re也存在相同的问题。这是因为无论电荷转移电阻Rct或是电解质电阻Re的值非常小，测量过程中的噪声给测量带来了较大的误差。
总体上，实验结果表明，电池阻抗随着循环周期增加而呈现总体增加的趋势。考虑到测量过程中的噪声问题，本实施例发现电荷转移电阻Rct和电解质电阻Re之和呈现的总体增加趋势更加稳定。在某些循环周期中，存在两种阻抗值缺失，本节对充电阻抗Rct+Re之和、放电阻抗Rct+Re按下列二次多项式进行建模：Rct+Re按下列二次多项式进行建模：
Rc(k)＝a1k2+b1k+c1；
Rd(k)＝a2k2+b2k+c2；
式中，Rc(k)和Rd(k)分别是循环周期k时刻时电池充电阻抗(Rct+Re)和电池放电阻抗(Rct+Re)，a1、b1、c1和a2、b2、c2分别是Rc(k)和Rd(k)的模型参数(即充电系数和放电系数)。当循环周期k时刻的实际值和/>存在时，则Rc(k)和Rd(k)分别等于实际值/>和如果实际值/>和/>不存在，则用上述两个多项式进行计算得出。
步骤S40：根据充电阻抗模型，得到电池充电阻抗；
在具体实现中，根据上述Rc(k)＝a1k2+b1k+c1，计算得到电池充电阻抗。
步骤S50：根据放电阻抗模型，得到电池放电阻抗；
在具体实现中，根据上述Rd(k)＝a2k2+b2k+c2，计算得到电池放电阻抗。
步骤S60：根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
需要说明的是，由于随着电池循环周期的增加，电池正负极性能衰退、电解液出现损耗以及隔膜产生老化，理论上电池容量会逐渐减小，而电池阻抗值会逐渐增加。为了验证这个结论，本实施例对B5、B6、B7和B18四组电池的全部循环周期下的电池容量进行整理，获得电池容量退化曲线，如图10所示，图10为本发明电池退化分析方法第一实施例中的不同周期的锂离子电池容量退化曲线图，从图中可以看出：
随着循环周期的增加，四组电池容量均呈现总体下降的规律。以B5电池为例，电池从第1次循环周期至第168次循环周期，电池容量从1.8565Ah降至1.3251Ah。
随着循环周期的增加，有时电池容量会出现局部反弹增大，以B6电池为例，电池从第78次循环周期至第89次循环周期，电池容量规律性下降，降至1.4417Ah，但第90次循环周期则反弹为1.5936Ah，容量增加了0.14Ah。
但总体上来说，随着循环周期的增加，电池容量呈现规律性下降。
针对18650型锂离子电池，Bloom等对电池进行加速老化实验，根据电池温度T、SOC和Δ％SOC变化，提出了电池容量退化模型：
式中，Q为退化后电池容量，t表示电池使用周数，B0为预指数系数循环周期，Ea为电池能量，z为校正参数。该模型没有给出循环周期与容量的关系，根据电池内部电化学机理，通过大量实验分析，提出一种基于电池容量退化的经验模型：
Q(k+1)＝ηQ(k)+β1exp(-β2/Δtk)；
式中，Q(k+1)为第k个循环周期的电池充电容量，η表示电池放电时释放电荷量与充电时充入电荷量的百分比，Δtk为第k个到k+1个循环周期的间隔时间，β1和β2是需要确定的模型参数。
国外文献提出了一种简化实用双指数电池退化模型：
Q＝aeb*k+ced*k；
式中，Q为退化后电池容量，k为循环周期。a,b,c,d为模型参数，四个参数均含有噪声，随着电池循环周期而略有变化。考虑到锂离子电池退化后期存在容量快速衰减现象，对上述模型进行了改进，将aeb*k部分修正为aeb/k，提出了如下修正模型：
Q＝aeb/k+ced*k；
进一步修正模型为：
根据退化参数a,b,c,d，第一循环周期k，通过上述模型计算得到退化后电池容量Q。
步骤S70：根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
需要说明的是，老化系数：反映了电池在经历一定充放电循环周期后的总体健康状况和性能衰退程度。通过该系数可了解电池在其生命周期中剩余的有效工作能力。
电池充电阻抗：随着电池老化，其内部电荷转移电阻和电解质电阻会增加，导致充电效率降低，能量损耗增大。分析充电阻抗的变化有助于评估电池的充电性能损失情况。
电池放电阻抗：与充电阻抗类似，放电阻抗的增长意味着电池在放电过程中的能量转换效率下降，直接影响了电池的实际输出功率和续航能力。监测放电阻抗变化对理解电池放电阶段的性能衰减至关重要。
退化后电池容量：这是直接衡量电池储能能力衰退的一个核心指标，即电池在完成一定循环次数后的实际可用能量相较于初始容量的百分比。
结合以上四者，能够综合判断电池在当前状态下的整体退化水平，并预测未来可能出现的问题。例如，可以评估电池是否接近其设计寿命终点，是否需要提前更换，或者根据这些参数优化电池的使用策略和维护方案，以延长电池使用寿命并确保安全稳定运行。
进一步地，还包括：判断所述充放电循环周期对应的实际值是否存在；当所述充放电循环周期对应的实际值存在时，根据所述充放电循环周期对应的实际值，得到所述电池老化系数；当所述充放电循环周期对应的实际值不存在时，根据所述老化模型和所述充放电循环周期，得到所述电池老化系数。
应理解的是，在进行电池老化分析时，首先判断当前电池所经历的充放电循环周期在老化模型中是否存在实际观测到的数据点。具体步骤如下：
检查实际值：查看历史记录或实时监测数据，确认当前电池所处的充放电循环周期是否有一个明确的实际观测数值。若存在实际值，则直接利用这个实际观测到的老化参数(即对应该充放电循环周期的老化系数)来评估电池的老化程度。
预测估算：当所述充放电循环周期对应的实际值不存在时，意味着可能没有针对此特定循环次数进行过实测或记录。这时，需要借助已有的老化模型来进行推算。老化模型基于大量实验数据构建，可以根据充放电循环周期与老化系数之间的数学关系，通过插值、拟合或其他预测方法，计算出该充放电循环周期下对应的电池老化系数。
进一步地，还包括：判断所述充电循环周期对应的实际值是否存在；当所述充电循环周期对应的实际值存在时，根据所述充电循环周期对应的实际值，得到所述电池充电阻抗；当所述充电循环周期对应的实际值不存在时，根据所述充电阻抗模型和所述充电循环周期，得到所述电池充电阻抗。
可理解的是，在分析电池充电阻抗时，首先判断当前电池所经历的充电循环周期是否存在实际观测到的数据点：
实际值存在的情况：如果已知并记录了该充电循环周期下电池的实际充电阻抗值，则直接使用这个实际测量得到的数据作为当前电池在该充电循环周期下的充电阻抗。
实际值不存在的情况：当所述充电循环周期对应的实际充电阻抗值没有被记录或无法获取时，就需要运用预先建立好的充电阻抗模型进行计算。充电阻抗模型基于大量实验数据构建，能够描述充电阻抗与充电循环周期之间的关系。因此，在给定一个特定的充电循环周期参数时，可以根据充电阻抗模型通过插值、拟合或其他预测方法，估算出该充电循环周期下对应的电池充电阻抗值。
这样的处理方式确保了无论是否具备实时监测数据，都能准确地评估和预测电池在不同充电循环阶段的充电阻抗变化，从而对电池健康状态进行全面且精确的分析。
进一步地，还包括：判断所述放电循环周期对应的实际值是否存在；当所述放电循环周期对应的实际值存在时，根据所述放电循环周期对应的实际值，得到所述电池放电阻抗；当所述放电循环周期对应的实际值不存在时，根据所述放电阻抗模型和所述放电循环周期，得到所述电池放电阻抗。
可理解的是，在分析电池放电阻抗时，首先确认当前电池经历的放电循环周期是否已有实际观测到的数据点：
存在实际值的情况：如果已经记录了该特定放电循环周期下电池的实际放电阻抗值，则直接采用这个实测数据作为当前放电循环周期下电池的放电阻抗。
不存在实际值的情况：当没有获得所述放电循环周期对应的实际放电阻抗值时，就需要利用预先构建好的放电阻抗模型进行计算。该模型基于大量实验数据建立，能够描绘出放电阻抗随放电循环周期变化的关系。因此，在给定一个特定的放电循环周期参数时，可以根据放电阻抗模型通过插值、拟合或其他预测技术，估算出在该放电循环周期下电池对应的放电阻抗值。
本实施例中获取电池的老化模型，该模型描述了老化参数随充放电循环周期变化的关系以及对应的老化系数。获取充电阻抗模型和放电阻抗模型，它们分别关联着充电/放电循环周期、相应的充电/放电系数，以及充电/放电过程中的电荷转移电阻和电解质电阻之和。根据实际记录的充放电循环周期数据(若存在)或通过老化模型，确定电池的老化系数。对于充电阻抗，如果有充电循环周期的实际值，则直接使用；否则根据充电阻抗模型计算得到。同理，对于放电阻抗，如果放电循环周期有实测值，则用实测值；没有时则利用放电阻抗模型进行推算。利用退化参数、第一循环周期和自然对数计算出退化后电池容量。将得到的老化系数、充电阻抗、放电阻抗以及退化后电池容量综合起来，进行电池的退化分析，从而得出电池退化程度的具体量化结果。通过建立详细的老化模型和阻抗模型，能够更准确地模拟和预测电池性能随时间和使用条件的变化，而不仅仅依赖单一的测量点。无论是有实际测量数据还是无实测数据的情况，都能够有效地估算出电池状态参数，提高了分析方法的适用性和灵活性。结合反映内部物理化学反应的重要指标——阻抗参数，有助于从多个维度理解并评估电池的整体健康状况和剩余使用寿命，提高了预测准确性。
参考图11，图11为本发明电池退化分析方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S60，包括：
步骤S601：根据第二循环周期、退化参数、所述退化参数与所述第二循环周期的积以及所述自然对数，得到退化后电池容量模型；
在具体实现中，提出退化后电池容量模型，如下式所示：
Q＝aeb*k+ced*k；
式中，k为第二循环周期，a,b,c,d为退化参数。
步骤S602：根据所述退化后电池容量模型和所述退化参数与所述第二循环周期的商，得到预设退化后电池容量模型；
在具体实现中，在上式基础上进行改进，将aeb*k部分修正为aeb/k，提出预设退化后电池容量模型，如下式所示：
Q＝aeb/k+ced*k；
步骤S603：根据所述预设退化后电池容量模型、所述第二循环周期、所述退化参数以及所述自然对数，得到目标退化后电池容量模型；
在具体实现中，对预设退化后电池容量模型做进一步改进，得到目标退化后电池容量模型，如下式所示：
步骤S604：将所述退化参数、所述第一循环周期以及所述自然对数输入所述目标退化后电池容量模型中，得到所述退化后电池容量。
在具体实现中，根据退化参数、第一循环周期、自然对数、上述目标退化后电池容量模型，计算得出退化后电池容量。
本实施例根据第二循环周期、退化参数以及它们的乘积，结合自然对数，构建了反映电池容量随循环周期退化的模型(退化后电池容量模型)。在此基础上，利用退化参数与第二循环周期的商，对初始的退化后电池容量模型进行调整，生成预设退化后电池容量模型，该模型可能考虑了不同老化阶段或特殊工况下的电池容量变化规律。再次根据预设退化后电池容量模型、第二循环周期、退化参数和自然对数，推导出目标退化后电池容量模型，这是一个更为精确或者适应性更强的预测模型。将实际使用的退化参数、第一循环周期以及自然对数输入到目标退化后电池容量模型中，从而得到预期的退化后电池容量。通过上述多步骤建模过程，能够更精细地模拟和预测电池在不同循环周期下的容量衰减情况，提高了预测精度。针对不同的使用阶段和条件(如第二循环周期的变化)，模型可以进行动态调整，确保了在各种情况下都能准确评估电池的健康状态和剩余容量。
参考图12，图12为本发明电池退化分析方法第三实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S70，包括：
步骤S701：将所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量进行清洗处理、去除异常值和缺失值处理以及归一化处理，得到处理后数据；
需要说明的是，在电池性能分析和建模过程中，对老化系数、电池充电阻抗、电池放电阻抗以及退化后电池容量等数据进行预处理是至关重要的步骤，具体包括：
清洗处理：去除无效或错误的数据条目，如明显偏离正常范围的数值，可能是由于测量误差或其他原因导致的异常值。
缺失值处理：对于存在缺失的数据点，可以采取填充策略，例如使用平均值、中位数、最近邻插值、线性插值等方式进行填补，或者根据数据分布特点采用合适的统计方法预测缺失值。
归一化处理：为了消除不同参数间量纲差异的影响，使得各种参数具有可比性，并且有利于机器学习算法训练，将所有参数转换到同一尺度上。常见的归一化方法有最小-最大规范化(min-max scaling)、Z-score标准化、最大绝对值规范化等。
步骤S702：将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果，所述电池退化预测模型包括电池退化数据与所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量的对应关系。
可理解的是，将经过清洗、异常值处理和归一化处理后的数据(包括老化系数、电池充电阻抗、电池放电阻抗以及退化后电池容量)输入到预先训练好的电池退化预测模型中，该模型基于大量的历史电池性能数据构建，通过学习电池退化数据与这些关键参数之间的内在对应关系，能够对电池的未来退化趋势进行预测。
进一步地，所述将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果之前，还包括：根据非线性函数，得到预设电池退化预测模型；根据数值优化算法，得到未知参数的最佳估计值；将所述未知参数的最佳估计值代入所述非线性函数，得到各观测点处的拟合值；根据所述拟合值和实际观测值，得到决定系数、均方误差以及平均绝对误差；根据所述决定系数、所述均方误差以及所述平均绝对误差，得到所述电池退化预测模型。
需要说明的是，在得到电池退化分析结果之前，需要进行一系列模型构建和优化步骤：
建立预设电池退化预测模型：首先，根据电池性能数据的特性选择合适的非线性函数来描述老化系数、电池充电阻抗、电池放电阻抗以及退化后电池容量与电池退化之间的关系，从而构建一个初步的电池退化预测模型。
数值优化求解未知参数：利用数值优化算法(如梯度下降法、遗传算法、粒子群优化等)，通过不断调整模型中的未知参数，找到使模型拟合实际观测数据的最佳参数估计值，以确保模型对历史数据有最佳的解释能力。
模型参数估计后的拟合验证：将最优参数代入非线性函数，计算出各个已知观测点处的理论拟合值，并对比实际观测值。
评估模型拟合优度：根据拟合值与实际观测值计算决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)等指标。决定系数衡量模型解释变量变化的百分比；均方误差反映模型预测值与实际值之间差异的平方平均；平均绝对误差则直接表示预测值与真实值之间的平均偏差。
确定最终电池退化预测模型：基于上述评估指标的结果，如果决定系数较高且均方误差、平均绝对误差较小，说明该模型能够较好地模拟电池退化过程，从而确认此模型为有效的电池退化预测模型。将处理后的实际数据输入此模型中，即可得出准确的电池退化分析结果。
本实施例首先对老化系数、电池充电阻抗、电池放电阻抗以及退化后电池容量等原始数据进行清洗，去除异常值和缺失值，然后通过归一化处理使得各项参数在同一尺度上具有可比性，从而得到可用于模型分析的处理后数据。选择合适的非线性函数建立预设电池退化预测模型，利用数值优化算法，如梯度下降法、遗传算法等，对模型中的未知参数进行求解，以找到最佳估计值，确保模型能够最大程度地拟合实际观测数据。将得到的最佳参数代入非线性函数，计算各观测点处的理论拟合值，并对比实际观测值。根据拟合值与实际观测值计算评估模型优劣的决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)，这三个指标分别反映了模型拟合效果的好坏、预测值与真实值差异的大小以及偏差的平均水平。根据上述评价指标确定最终的电池退化预测模型，即在保证较高决定系数、较小均方误差和平均绝对误差的前提下，确认模型的有效性和准确性。数据预处理环节有助于提高数据质量，减少噪声干扰，确保后续分析结果的可靠性和稳定性。采用非线性函数构建模型，能更准确地捕捉到电池性能退化的非线性变化规律，提高了预测模型的适用范围和预测精度。通过决定系数、均方误差和平均绝对误差三个维度评价模型性能，确保模型既能有效解释历史数据，又能对未来电池性能退化趋势做出准确预测。
参照图13，图13为本发明电池退化分析装置的结构框图。
如图13所示，本发明实施例提出的电池退化分析装置包括：
获取模块131，用于获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
计算模块132，用于根据所述老化模型，得到电池老化系数；
所述获取模块131，还用于获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
所述计算模块132，还用于根据充电阻抗模型，得到电池充电阻抗；
所述计算模块132，还用于根据放电阻抗模型，得到电池放电阻抗；
所述计算模块132，还用于根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
所述计算模块132，还用于根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
本实施例通过电池老化模型计算老化系数，将充电阻抗模型和放电阻抗模型结合实际的充放电循环周期，计算得到电池在当前状态下的充电阻抗和放电阻抗。利用退化参数、第一循环周期以及自然对数，推算出电池经历一定循环后的预期容量衰减情况，即退化后电池容量。最终，将得到的电池老化系数、充电阻抗、放电阻抗以及退化后电池容量进行整合分析，得出电池的整体退化分析结果。实现了准确模拟并预测电池在不同使用条件下的性能变化，为科学的维护建议和使用寿命预估提供了依据。
在一实施例中，所述计算模块132，还用于判断所述充放电循环周期对应的实际值是否存在；
当所述充放电循环周期对应的实际值存在时，根据所述充放电循环周期对应的实际值，得到所述电池老化系数；
当所述充放电循环周期对应的实际值不存在时，根据所述老化模型和所述充放电循环周期，得到所述电池老化系数。
在一实施例中，所述计算模块132，还用于判断所述充电循环周期对应的实际值是否存在；
当所述充电循环周期对应的实际值存在时，根据所述充电循环周期对应的实际值，得到所述电池充电阻抗；
当所述充电循环周期对应的实际值不存在时，根据所述充电阻抗模型和所述充电循环周期，得到所述电池充电阻抗。
在一实施例中，所述计算模块132，还用于判断所述放电循环周期对应的实际值是否存在；
当所述放电循环周期对应的实际值存在时，根据所述放电循环周期对应的实际值，得到所述电池放电阻抗；
当所述放电循环周期对应的实际值不存在时，根据所述放电阻抗模型和所述放电循环周期，得到所述电池放电阻抗。
在一实施例中，所述计算模块132，还用于根据第二循环周期、退化参数、所述退化参数与所述第二循环周期的积以及所述自然对数，得到退化后电池容量模型；
根据所述退化后电池容量模型和所述退化参数与所述第二循环周期的商，得到预设退化后电池容量模型；
根据所述预设退化后电池容量模型、所述第二循环周期、所述退化参数以及所述自然对数，得到目标退化后电池容量模型；
将所述退化参数、所述第一循环周期以及所述自然对数输入所述目标退化后电池容量模型中，得到所述退化后电池容量。
在一实施例中，所述计算模块132，还用于将所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量进行清洗处理、去除异常值和缺失值处理以及归一化处理，得到处理后数据；
将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果，所述电池退化预测模型包括电池退化数据与所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量的对应关系。
在一实施例中，所述计算模块132，还用于根据非线性函数，得到预设电池退化预测模型；
根据数值优化算法，得到未知参数的最佳估计值；
将所述未知参数的最佳估计值代入所述非线性函数，得到各观测点处的拟合值；
根据所述拟合值和实际观测值，得到决定系数、均方误差以及平均绝对误差；
根据所述决定系数、所述均方误差以及所述平均绝对误差，得到所述电池退化预测模型。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电池退化分析方法，其特征在于，所述方法包括以下步骤：
获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
根据所述老化模型，得到电池老化系数；
获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
根据充电阻抗模型，得到电池充电阻抗；
根据放电阻抗模型，得到电池放电阻抗；
根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
2.如权利要求1所述的电池退化分析方法，其特征在于，还包括：
判断所述充放电循环周期对应的实际值是否存在；
当所述充放电循环周期对应的实际值存在时，根据所述充放电循环周期对应的实际值，得到所述电池老化系数；
当所述充放电循环周期对应的实际值不存在时，根据所述老化模型和所述充放电循环周期，得到所述电池老化系数。
3.如权利要求1所述的电池退化分析方法，其特征在于，还包括：
判断所述充电循环周期对应的实际值是否存在；
当所述充电循环周期对应的实际值存在时，根据所述充电循环周期对应的实际值，得到所述电池充电阻抗；
当所述充电循环周期对应的实际值不存在时，根据所述充电阻抗模型和所述充电循环周期，得到所述电池充电阻抗。
4.如权利要求1所述的电池退化分析方法，其特征在于，还包括：
判断所述放电循环周期对应的实际值是否存在；
当所述放电循环周期对应的实际值存在时，根据所述放电循环周期对应的实际值，得到所述电池放电阻抗；
当所述放电循环周期对应的实际值不存在时，根据所述放电阻抗模型和所述放电循环周期，得到所述电池放电阻抗。
5.如权利要求1所述的电池退化分析方法，其特征在于，所述根据退化参数、第一循环周期以及自然对数，得到退化后电池容量，包括：
根据第二循环周期、退化参数、所述退化参数与所述第二循环周期的积以及所述自然对数，得到退化后电池容量模型；
根据所述退化后电池容量模型和所述退化参数与所述第二循环周期的商，得到预设退化后电池容量模型；
根据所述预设退化后电池容量模型、所述第二循环周期、所述退化参数以及所述自然对数，得到目标退化后电池容量模型；
将所述退化参数、所述第一循环周期以及所述自然对数输入所述目标退化后电池容量模型中，得到所述退化后电池容量。
6.如权利要求1所述的电池退化分析方法，其特征在于，所述根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果，包括：
将所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量进行清洗处理、去除异常值和缺失值处理以及归一化处理，得到处理后数据；
将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果，所述电池退化预测模型包括电池退化数据与所述老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量的对应关系。
7.如权利要求6所述的电池退化分析方法，其特征在于，所述将所述处理后数据输入电池退化预测模型中，得到所述电池退化分析结果之前，还包括：
根据非线性函数，得到预设电池退化预测模型；
根据数值优化算法，得到未知参数的最佳估计值；
将所述未知参数的最佳估计值代入所述非线性函数，得到各观测点处的拟合值；
根据所述拟合值和实际观测值，得到决定系数、均方误差以及平均绝对误差；
根据所述决定系数、所述均方误差以及所述平均绝对误差，得到所述电池退化预测模型。
8.一种电池退化分析装置，其特征在于，所述电池退化分析装置包括：
获取模块，用于获取老化模型，所述老化模型包括老化参数与充放电循环周期以及老化系数的对应关系；
计算模块，用于根据所述老化模型，得到电池老化系数；
所述获取模块，还用于获取充电阻抗模型以及放电阻抗模型，所述充电阻抗模型包括充电阻抗与充电循环周期以及充电系数的对应关系，所述放电阻抗模型包括放电阻抗与放电循环周期以及放电系数的对应关系，其中，所述充电阻抗为充电时的电荷转移电阻和电解质电阻之和，所述放电阻抗为放电时的电荷转移电阻和电解质电阻之和；
所述计算模块，还用于根据充电阻抗模型，得到电池充电阻抗；
所述计算模块，还用于根据放电阻抗模型，得到电池放电阻抗；
所述计算模块，还用于根据退化参数、第一循环周期以及自然对数，得到退化后电池容量；
所述计算模块，还用于根据所述电池老化系数、所述电池充电阻抗、所述电池放电阻抗以及所述退化后电池容量，得到电池退化分析结果。
9.一种电池退化分析设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池退化分析程序，所述电池退化分析程序配置为实现如权利要求1至7中任一项所述的电池退化分析方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有电池退化分析程序，所述电池退化分析程序被处理器执行时实现如权利要求1至7中任一项所述的电池退化分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161299.2A CN117825970A (zh) | 2024-02-05 | 2024-02-05 | 电池退化分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161299.2A CN117825970A (zh) | 2024-02-05 | 2024-02-05 | 电池退化分析方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117825970A true CN117825970A (zh) | 2024-04-05 |
Family
ID=90523128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161299.2A Pending CN117825970A (zh) | 2024-02-05 | 2024-02-05 | 电池退化分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117825970A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118050649B (zh) * | 2024-04-16 | 2024-06-11 | 东方旭能(山东)科技发展有限公司 | 一种基于大数据的蓄电池监控管理系统 |
-
2024
- 2024-02-05 CN CN202410161299.2A patent/CN117825970A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118050649B (zh) * | 2024-04-16 | 2024-06-11 | 东方旭能(山东)科技发展有限公司 | 一种基于大数据的蓄电池监控管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | State of health estimation of lithium-ion batteries based on the constant voltage charging curve | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN111095663B (zh) | 用于控制可再充电电池的系统和方法 | |
| Xiong et al. | A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles | |
| RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
| CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
| CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
| CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
| CN111175666B (zh) | 一种soh检测方法及装置 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN112014735A (zh) | 一种基于全寿命周期的电芯老化寿命预测方法及装置 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN111832221A (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
| CN113219357A (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| CN113030761A (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
| Ren et al. | Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions | |
| CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
| Peng et al. | State of charge estimation for a parallel battery pack jointly by fuzzy-PI model regulator and adaptive unscented Kalman filter | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
| CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |