一种识别老化模式的锂离子电池健康状态在线诊断方法与流程

本发明属于电池诊断技术领域，尤其涉及一种识别老化模式的锂离子电池健康状态在线诊断方法。

背景技术：

近年来，随着能源危机的加剧及环境问题的日益突出，为保障国家能源安全、实现节能减排，发展新能源汽车成为一种趋势。然而，随着电动汽车的飞速发展，其续航能力与安全状况越来越受到业界的关注，迫切需要电池管理系统对电池健康状态进行准确诊断。

学术界和工业界已经认识到了电池健康状态对于确保动力电池系统安全高效运行的重要性，开展了全寿命周期内电池的可用容量估计方法研究，包括模型驱动方法和数据驱动方法，构建循环次数随电池可用容量的关系。但除了基于电化学模型的容量估计方法外，均弱化了电池的衰退机理与老化模式，单纯的估计电池容量，未能对影响电池健康状态的内在原因进行定量化分析，无法从根本上解决电池健康状态的诊断问题。而基于电化学模型的方法，计算复杂，难以在实车运行过程中进行在线应用，因此，迫切的需要一种在锂离子电池老化过程中能够反映电池内部衰退机理与老化模式的健康状态在线诊断方法。

技术实现要素：

为了在诊断分析电池健康状态时能够反映出电池内部衰退机理与老化模式，本发明提出了一种识别老化模式的锂离子电池健康状态在线诊断方法，包括：

步骤1，依据电池结构组分对电池老化模式进行分类；

步骤2，基于正负电极的开路电压-荷电状态关系与老化模式对半电池模型的影响，在全新电池尺度上构建电池的开路电压-荷电状态曲线，获取各种老化模式的损失量；

步骤3，采用扩展卡尔曼滤波算法，从电池动态电流工况放电数据中辨识开路电压随放电容量的变化曲线，用于动态工况下电池健康状态在线诊断。

所述电池结构组分包括正极集流体、正极活性材料、隔膜、电解质、负极活性材料，负极集流体。

所述电池老化模式分为正极活性材料损失、负极活性材料损失和锂离子损失。

所述步骤2考虑各种老化模式作用下正负电极开路电压-荷电状态曲线在全新电池荷电状态尺度上的平移和收缩特性，建立模型描述老化模式对正负电极匹配关系的影响机制。

所述步骤2通过粒子群寻优算法，以重构的全新电池与老化电池开路电压曲线和实测曲线之间的均方根误差最小为优化目标，计算正极配置容量与全电池容量的比值、负极配置容量与全电池容量的比值、正负电池的开路电压-荷电状态曲线在全电池荷电状态尺度上相对于全电池实测开路电压-荷电状态曲线的偏移量、正极活性材料损失、负极活性材料损失、锂离子损失、尺度转换后老化电池的开路电压曲线相比于全新电池的偏移量，计算得到正极容量、负极容量和可用锂离子数量。

所述步骤3包括：采用扩展卡尔曼滤波算法从电池在各种动态放电工况下的电压电流测试数据中辨识出每个时刻的开路电压，获取开路电压随累计放电容量的变化曲线，并将其转换为开路电压-荷电状态曲线，实现锂离子电池老化模式无损定量诊断。

本发明的有益效果是通过扩展卡尔曼滤波算法在线获取开路电压-荷电状态曲线，基于新电池正负电极和全电池匹配关系与各种老化模式作用下老化电池在新电池荷电状态尺度下重构的开路电压-荷电状态曲线模型，采用优化算法实现电池正极活性材料损失、负极活性材料损失和锂离子损失的无损定量诊断；本发明能够反映电池内部衰退机理与老化模式，对影响电池健康状态的内在原因进行定量化分析，且对于不同工况的适应性强，便于在实车运行过程中进行在线应用。

附图说明

图1为锂离子电池健康状态在线诊断方法的流程图。

图2为dst-1c动态电流工况。

图3为动态工况下辨识的电池开路电压-荷电状态曲线。

图4为四种工况下辨识得到的开路电压-荷电状态曲线拟合结果(a)dst-1c，(b)dst-2c，(c)fuds-1c，(d)fuds-2c。

图5为四种工况下电池老化模式演变曲线(a)正极活性材料损失，(b)负极活性材料损失，(c)锂离子损失。

具体实施方式

下面结合附图，对优选实施例作详细说明。

本发明提出一种识别老化模式的锂离子电池健康状态在线诊断方法，依据电池结构组分，对电池老化模式进行分类，考虑各种老化模式作用下正负电极开路电压-荷电状态曲线在全新电池荷电状态尺度上的平移和收缩特性，分析各种老化模式对半电池模型的影响，对于新电池描述其正负极和全电池的匹配关系并在全新电池尺度上构建其开路电压-荷电状态曲线，经过一段时间的老化后在全新电池尺度上重构老化电池的开路电压-荷电状态曲线，提出锂离子电池老化模式无损定量诊断方法，采用扩展卡尔曼滤波算法，从电池动态电流工况放电数据中辨识开路电压随放电容量的变化曲线，用于动态工况下电池健康状态在线诊断。为使本发明的目的、优点和特征更加显而易见，下面结合附图和具体实施方式对本发明进行进一步的详细说明。

如图1所示为锂离子电池健康状态在线诊断方法的流程图。

电池结构组分主要包括正极集流体、正极活性材料、隔膜、电解质、负极活性材料，负极集流体。电池充放电过程实质为锂离子在电池正、负极活性材料之间进行脱嵌。因此，电池容量的衰减主要取决于正、负极活性材料与锂离子量，可以将电池老化模式划分为正极活性材料损失、负极活性材料损失和锂离子损失。且全电池开路电压等于正极开路电压与负极开路电压之差，从能斯特方程出发，建立正负电极的开路电压随荷电状态变化模型，如式(1)和式(2)所示：

式中，δxi、eo,i和ai是待辨识的模型参数，通过拟合实验测得的正负半电池的开路电压-荷电状态曲线可以获得。在此基础上，需要将正负电极的开路电压-荷电状态曲线从其自身的荷电状态尺度上转换到全电池的荷电状态尺度上，以获得全电池开路电压-荷电状态曲线，变换过程如式(3)-(5)所示：

socpe＝kp*(1-fpe(ocvpe))+sp＝fpe,cell(ocvpe)(3)

socne＝kn*fne(ocvne)+sn＝fne,cell(ocvne)(4)

式中，kp是正极配置容量与全电池容量q的比值，kn是负极配置容量与全电池容量q的比值。sp和sn分别为正负电池的开路电压-荷电状态曲线在全电池荷电状态尺度上相对于全电池实测开路电压-荷电状态曲线的偏移量。

考虑各种老化模式作用下正负电极开路电压-荷电状态曲线在全新电池荷电状态尺度上的平移和收缩特性，分别建立模型描述正极活性材料损失(lampe)、负极活性材料损失(lamne)和锂离子损失(lli)对正负电极匹配关系的影响机制如式(6)-(10)所示：

式中，qd是老化电池的容量，q是全新电池的容量，sh是尺度转换后老化电池的开路电压曲线相比于全新电池的偏移量。

通过粒子群寻优算法，以重构的全新电池与老化电池开路电压曲线和实测曲线之间的均方根误差最小为优化目标，可以辨识未知参数(kp、kn、sp、sn、lampe、lamne、lli和sh)，进而可计算正极容量、负极容量和可用锂离子数量，如式(11)-(13)所示：

qp＝kp*q(11)

qn＝kn*q(12)

qli＝kp*q-(sp-sn)*q(13)

为使得该方法便于在线应用，需要在实车动态工况条件下分析电池的老化模式。四种动态电流工况条件下的放电测试，如图2所示，包括dst-1c、dst-2c、fuds-1c和fuds-2c。采用扩展卡尔曼滤波算法从电池在各种动态放电工况下的电压电流测试数据中辨识出每个时刻的开路电压，如图3所示。应用上述提出的锂离子电池老化模式无损定量诊断方法对这些开路电压-荷电状态曲线进行拟合，拟合结果如图4所示，获得的电池老化模式演变曲线如图5所示，其中编号1、2、3和4分别对应新电池与不同的老化状态。

实例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。