专利名称：一种锂电池容量快速估计方法
技术领域：
本发明涉及锂电池参数确定方法的技术领域，具体涉及一种锂电池容量快速估计方法。
背景技术：
2008年北京奥运会上实现了电动汽车的规模化应用，投入了 50辆纯电动大客车，做到了奥林匹克公园核心区内的零排放。根据国家电动汽车电池使用标准，电动汽车用动力电池有效容量不得低于额定容量的80%。按照目前锂离子电池技术水平，当电池有效容量低于80%以后，还可进行约1000次循环充放电用于储能。为降低电动汽车的整车成本，可以将电动汽车用淘汰的电池中还有利用价值的一些电池，用于储能系统或一些小型的储能装置中进行二次利用。由于电池在车上位置不一致，使用过程中温度、连接阻抗、震荡程度等因素均不同，造成电池容量衰退、内阻增加具有一定的不一致性。面对大量的车用电池，逐一测试电池的容量耗时、耗财，快速估计淘汰电池容量成为电池二次利用的关键。测试电池容量成为梯次利用的首要关键技术指标。电池容量直接关系到电池梯次利用在一次充电后能够用的时间长短。测试锂离子电池容量的标准一般参照我国现行的两个标准中的规定:QB/T2502-2000锂离子蓄电池总规范QC/T743-2006电动汽车用锂离子蓄电池电池容量标准测试的目前主要有两种方法如下:第一种以标称容量的0.2倍电流放电容量测试方法，在环境温度(20°C ±5°C)的条件下，对电池以标称容量的0.2倍电流恒流充电至限制电压后恒压充电直至充电电流小于标称容量的0.01倍电流，放置时间不小于I小时，再对电池以标称容量的0.2倍电流恒流放电直至终止电压，其放电时间不小于5小时。第二种以标称容量的1/3倍电流放电容量测试方法，在环境温度(20°C ±5°C)的条件下，蓄电池以标称容量的1/3倍电流放电，至蓄电池电压达到放电终止电压时停止放电，静置lh，然后以标称容量的1/3倍电流恒流充电，至蓄电池电压达到充电终止电压时转恒压充电，至充电电流降至标称容量的1/30倍电流时停止充电。充电后静置lh。再以标称容量的1/3倍电流放电，直到放电终止电压，利用标称容量的1/3倍电流的电流值和放电时间数据计算容量。上述两种对电池容量的测试所需的时间都比较长，均不少于8小时，不能够快速的估算电池容量。
发明内容
本发明的目的针对现有技术对电池容量的测试所需的时间都比较长，均不少于8小时，不能够快速的估算电池容量的不足，提出了一种锂电池容量快速估计方法。一种锂电池容量快速估计方法，该方法包括如下步骤:
1、一种锂电池容量快速估计方法，其特征是该方法包括如下步骤:步骤1:取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试，得到训练样本电池的内阻值；首先，检测训练样本电池的开路电压，基于荷电状态-开路电压曲线估算电池当前荷电状态，若训练样本电池荷电状态处于10%_90%区间，利用复合脉冲电流法进行内阻测试，在设定时间内，得到各电流不同采样时间训练样本电池的内阻；如果不满足此区间，对训练样本电池进行充放电操作，使其荷电状态满足10%-90%区间，利用复合脉冲电流法进行内阻测试；在设定时间内，得到训练样本电池各电流不同时采样时间的内阻；步骤2:利用恒流恒压测试方法，连续测试N个循环，当连续M次测试容量的极差值与其平均值之比小于3%时，停止实验，并将M次测试容量的平均值作为训练样本电池实际容量，M〈N，M和N为设定值；步骤3:取训练样本电池的设定时间内各电流不同采样时间内阻作为输入，容量值作为输出，建立内阻-容量神经网络模型；确定神经网络模型，根据神经网络模型的输入神经元数目和输出神经元数目确定隐含层的层数和每层隐含层包含的神经元数目；通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数，连续多次训练后，选择误差最小的神经网络模型作为内阻-容量神经网络模型；步骤4:预测样本电池是与训练样本电池具有相同运行工况的待估计容量样本电池，检测预测样本电池的开路电压，估计预测样本电池荷电状态是否处于10%-90%区间，如果满足此区间则可以进行内阻测试；如果不满足此区间，将预测样本电池进行充放电操作，使预测样本电池荷电状态满足10%_90%区间，再进行内阻测试；利用步骤I中的内阻测试方法对预测样本电池进行测试，把预测样本各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中，得到预测样本电池的容量预测值，实现容量的快速估计。所述训练样本电池和预测样本电池的内阻及容量测试温度均在25°C左右。本发明的有益效果:只需利用训练样本锂电池的内阻容量建立的神经网络模型，其他具有相同运行工况的锂电池就可以直接通过内阻测试输入训练样本所建立的模型中估计容量值；利用内阻和容量的非线性关系，建立内阻-容量神经网络模型，能够快速的估算电池容量，淘汰没有利用价值的电池，同时可以作为电池重新筛选成组的依据；该方法无须对电池进行完全充放电测试，减少了传统容量测试所需的电力及设备损耗，经济性有很大提闻。
图1是3个不同衰退情况梯次利用电池SOC-OCV曲线图；图2是不同采样时间直流内阻随SOC变化曲线；图3是适用于本发明的复合脉冲电流法的内阻测试方法示意图；图4是训练样本电池所建立的BP神经网络模型结构图；图5是训练样本电池所建立的BP神经网络模型图；图6是训练样本电池所建立的BP神经网络模型精度图，模型估计值与实际值对比；
图7是训练样本电池所建立的BP神经网络模型预测精度图，模型预测值与实际值对比；图8是本发明实施梯次利用电池容量快速估计的内阻-容量神经网络模型建立流程图；图9是本发明实施梯次利用电池容量内阻-容量神经网络模型估计流程图。
具体实施例方式下面结合附图和实施例对本发明做进一步的说明:本发明提供一种电池容量的快速估计方法。电池可以是电动车辆中使用的锰酸锂动力电池及磷酸铁锂电池等。以08年奥运会大巴车用淘汰锰酸锂动力电池为例进行一下说明。随机抽取3个不同 衰退情况的电池荷电状态-开路电压(SOC-OCV)曲线如图1所示，通过测试大量不同衰退情况电池的SOC-OCV曲线，结果表明:电池SOC-OCV曲线只在两端(接近满电或者接近空电)离散，电池SOC处于10%-90%区间时，SOC-OCV曲线并不离散。电池静置一小时后的端电压近似为0CV，因此可以根据SOC-OCV曲线，通过测试电池OCV来估计电池当前的SOC是否在10%-90%区间内。不同采样时间内得到的直流内阻值随SOC变化如图2所示，电池SOC在10%_90%区间内，内阻值基本保持不变，因此可以将内阻测试的SOC区间设为10%-90%。随机抽取一车电池作为训练样本电池，用万用表检测每个训练样本电池的开路电压，根据SOC-OCV曲线估计其所处的SOC是否在10%-90%。如果在此区间内，训练样本电池可以直接进行内阻测试。如果不在这个区间，应先将训练样本电池串联，若SOC高于90%，则放出额定容量的10%电量，若SOC低于10%，则充入额定容量的10%电量，使其荷电状态满足这个区间即可，再进行内阻测试。用万用表测试样本电池开路电压，估计得到训练样本电池的SOC均在10%_90%区间内，可以直接进行直流内阻测试。直流内阻的测试采用复合脉冲电流法，通过对训练样本电池输入多个测试电流阶跃信号△ I并测定对应的电压变化值AU，利用欧姆定律计算得到直流内阻R= AU/ΔΙ。测试方法是将训练样本电池首先以1/3C(C:电池的额定容量)放电10s，再以1/3C充电10s，电压响应如图3所示，在第30s电流信号由1/3C放电到1/3C充电时电压增量AU，以此计算直流内阻值。由于训练样本电池已经处于老化状态，为了避免过充过放，加在训练样本电池上的电流不宜过大。这种方法电流由负值直接变为正值，相当于电流幅值加倍，电压响应也同时加倍，减小设备采集误差及极化对直流内阻测试的影响。不同程度衰退的电池在不同采样时间下建立的极化内阻均不相同，不同采样时间直流内阻可以表征训练样本电池不同内阻特性。这里，取0.ls、ls、5s、10s四个采样时间的直流内阻值为例。训练样本电池容量采用恒流恒压测试方法，为了得到准确的容量值，需要连续测试5个循环以上，如果连续3次测试容量的极差与其平均值之比在3%以内，停止实验，并将3次测试容量的平均值作为训练样本电池实际容量。通过上文中容量和内阻测试选择已测试的70个训练样本电池的采样时间为
0.ls、ls、5s、10s的内阻作为模型输入，容量值作为模型输出。学习规则采用最速下降BP算法，权值和阈值的修正是在所有样本输入之后，计算其总的误差后进行的，在样本数比较多时，批处理方式比分别处理方式的收敛速度快；所建立的模型结构图如图4所示，隐含层中的神经元均采用S型传输函数；由于模型用于函数逼近，所以输出层神经元采用purelin线性传输函数。首先建立3层神经网络，即I个隐含层的神经网络，输入层节点数为4，输出层节点数为1，根据经验公式(3)计算，预设隐含层节点数为13。H1 = sjn + m +a (3)其中，η为输入层节点数，m为输出层节点数，a为I 10之间的常数。理论上增加模型隐含层层数及隐含层节点数提高预测精度，研究表明对比本模型增加隐含层层数及节点数并没有提高模型精度，最终确定I个隐含层，14个隐含层节点数模型预测精度最高。建立模型如图5所示。模型精度如图6所示，实际容量与估计容量平均误差1.2Ah (实际容量的0.6%)，最大误差7Ah (实际容量的3.5%)，模型自身精度较高。取具有相同的行驶工况的30个预测样本电池作为预测样本进行预测验证，利用I中的相同方法检测预测样本电池的开路电压，发现其均满足内阻测试条件，既估计预测样本电池荷电状态均处于10%-90%区间。利用脉冲电流法测试预测样本电池的不同采样时间的直流内阻值。把内阻输入到训练样本电池所建立的内阻-容量神经网络模型中，输出容量值，实现容量的快速估计。估计容量与实际容量如图7所示。实际容量与估计容量误差在6Ah (实际容量的3%)以内占抽取电池总数的80%，最大误差9Ah (实际容量的4.5%)，模型预测精度较高。对比传统逐一测试大量淘汰电池容量的方法，神经网络法只需要测试训练样本电池的容量和内阻值建立神经网络模型，通过复合脉冲法测试预测样本电池的各电流不同采样时间直流内阻，基于内阻-容量神经网络模型可以实现快速准确估计电池的容量。如图8所示，抽取训练样本电池，让其静置Ih以上，检测训练样本电池的开路电压，估计训练样本电池荷电状态是否处于10%-90%区间，如果满足此区间则可以进行内阻测试；如果不满足此区间，将训练样本电池充放电操作，使其荷电状态满足10%-90%区间，再进行内阻测试；利用复合脉冲电流法测试训练样本电池的内阻，取不同采样时间的电池内阻作为输入，训练样本电池的容量值作为输出建立内阻-容量神经网络模型；通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数，连续多次训练后，选择误差(例如均方误差和绝对误差)最小的神经网络模型作为预测样本电池容量估计的模型；如图9所示，检测预测样本电池的开路电压，估计电池荷电状态是否处于10%_90%区间，如果满足此区间则可以进行内阻测试；如果不满足此区间，将预测样本电池进行充放电操作，使其荷电状态满足10%_90%区间，再进行内阻测试；利用与训练样本电池相同的内阻测试方法对预测样本电池进行测试，把各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中，得到预测样本电池的容量估计值，实现容量的快速估计。
权利要求
1.一种锂电池容量快速估计方法，其特征是该方法包括如下步骤: 步骤1:取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试，得到训练样本电池的内阻值； 首先，检测训练样本电池的开路电压，基于荷电状态-开路电压曲线估算电池当前荷电状态，若训练样本电池荷电状态处于10%-90%区间，利用复合脉冲电流法进行内阻测试，在设定时间内，得到各电流不同采样时间训练样本电池的内阻；如果不满足此区间，对训练样本电池进行充放电操作，使其荷电状态满足10%-90%区间，利用复合脉冲电流法进行内阻测试；在设定时间内，得到训练样本电池各电流不同时采样时间的内阻； 步骤2:利用恒流恒压测试方法，连续测试N个循环，当连续M次测试容量的极差值与其平均值之比小于3%时，停止实验，并将M次测试容量的平均值作为训练样本电池实际容量，M〈N，M和N为设定值； 步骤3:取训练样本电池的设定时间内各电流不同采样时间内阻作为输入，容量值作为输出，建立内阻-容量神经网络模型； 确定神经网络模型，根据神经网络模型的输入神经元数目和输出神经元数目确定隐含层的层数和每层隐含层包含的神经元数目；通过调整神经网络模型的学习训练函数、隐含层层数、隐含层节点数、各层之间的传递函数，连续多次训练后，选择误差最小的神经网络模型作为内阻-容量神经网络模型； 步骤4:预测样本电池是与训练样本电池具有相同运行工况的待估计容量样本电池，检测预测样本电池的开路电压，估计预测样本电池荷电状态是否处于10%-90%区间，如果满足此区间则可以进行内阻测试；如果不满足此区间，将预测样本电池进行充放电操作，使预测样本电池荷电状态满足10%_90%区间，再进行内阻测试；利用步骤I中的内阻测试方法对预测样本电池进行测试，把预测样本各电流不同采样时间的直流内阻输入到步骤3中的内阻-容量神经网络模型中，得到预测样本电池的容量预测值，实现容量的快速估计。
2.根据权利要求1所述一种锂电池容量快速估计方法，其特征是所述训练样本电池和预测样本电池内阻及容量测试温度均在25°C左右。
全文摘要
本发明公开了涉及锂电池参数确定方法的技术领域，具体涉及一种锂电池容量快速估计方法。所述方法包括步骤1取设定数目的训练样本电池利用复合脉冲电流法进行内阻测试，得到训练样本电池的内阻值；步骤2利用恒流恒压测试方法测试训练样本电池容量值；步骤3取训练样本电池的设定时间内各电流不同采样时间内阻作为输入，容量值作为输出，建立内阻-容量神经网络模型；步骤4测试预测样本电池内阻，利用训练样本电池建立的内阻-容量神经网络模型估计容量值；本发明利用内阻和容量的非线性关系，建立内阻-容量神经网络模型，能够快速的估算电池容量，淘汰没有利用价值的电池，减少了传统容量测试所需的电力及设备损耗，经济性有很大提高。
文档编号G01R31/36GK103091642SQ20131002402
公开日2013年5月8日 申请日期2013年1月22日 优先权日2013年1月22日
发明者姜久春, 张维戈, 张彩萍, 王玉坤, 孙丙香, 王占国, 牛利勇, 李景新 申请人:北京交通大学