一种基于纯电动车用锂电池析锂测试方法与流程
本发明涉及锂离子电池析锂测试方法技术领域，具体涉及一种基于纯电动车用锂电池析锂测试方法。
背景技术：
锂离子电池在充电时，锂离子从正极脱嵌并嵌入负极；但是当一些异常情况：如负极嵌锂空间不足、锂离子嵌入负极阻力太大、锂离子过快的从正极脱嵌但无法等量的嵌入负极等异常发生时，无法嵌入负极的锂离子只能在负极表面得电子，从而形成银白色的金属锂单质，这也就是常说的“析锂”。
现阶段锂离子电池析锂原因主要包括：负极余量不够造成的析锂；充电机制造成的析锂；嵌锂路径异常造成的析锂；主材异常造成的析锂；特殊原因造成的固定位置析锂；专利号为201910169096.7、申请公布日为2019.06.25、名称为“一种锂离子电池析锂的检测方法”的专利中，提供了一种锂离子电池析锂的检测方法，该专利通过放电曲线直接判断待测锂离子电池是否严重析锂，从而快速判断电池是否存在异常，不需要拆解电池，节约资源和成本，步骤简单且检测效率高；但该专利中未考虑更多的影响因素，因此还存在着判定不够全面准确的问题。
技术实现要素：
有鉴于此，本发明的目的是提供一种基于纯电动车用锂电池析锂测试方法，通过确定采样周期中采集时间点的析锂测试参数，并根据所述析锂测试参数对锂电池是否析锂作出判断，有效解决了现有锂电池是否析锂判定不够全面准确的问题。
本发明所采用的技术方案是，一种基于纯电动车用锂电池析锂测试方法，包括以下步骤：
s1、采集测试环境温度，对电池进行恒流充电至截止电压后，再使用所述截止电压进行恒压充电；
s2、设置采样周期，采集恒压充电过程中的充电电流数据和锂电池温度数据，然后确定采样周期中采集时间点的析锂测试参数；
其中，所述析锂测试参数包括：基于规格化调整的充电电流、充电电流变化率、基于权重调整的充电电流变化率、锂电池温度变化率；
s3、按照所述s2中设置的采样周期，根据所述析锂测试参数对锂电池是否析锂作出判断。
优选地，在所述s2中，所述基于规格化调整的充电电流通过恒压充电过程中的充电电流数据进行规格化调整得到，所述基于规格化调整的充电电流为：
其中，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ii为采样周期内第i个测试时间点的充电电流，ii_min为采样周期内第i个测试时间点的最小测试充电电流，ii_max为采样周期内第i个测试时间点的最大测试充电电流。
优选地，在所述s2中，所述基于规格化调整的充电电流通过恒压充电过程中的充电电流数据进行规格化调整，得到基于规格化调整的充电电流；
其中，f(ti)为环境温度影响函数，f(ti)＝8×10-5(ti)2-0.0023ti+0.11；
其中，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ti为环境温度，tlis为采样周期内期望锂电池温度，tlii为采样周期内第i个测试时间点的锂电池温度，tlii_min为采样周期内第i个测试时间点的锂电池最小测试温度，tlii_max为采样周期内第i个测试时间点的锂电池最大测试温度，ii为采样周期内第i个测试时间点的充电电流，ii_min为采样周期内第i个测试时间点的最小测试充电电流，ii_max为采样周期内第i个测试时间点的最大测试充电电流，τ为规格化经验系数。
优选地，τ取值范围为0.89～0.95。
优选地，τ为0.93。
优选地，在所述s2中，所述基于权重调整的充电电流变化率通过恒压充电过程中的充电电流数据对充电电流变化率基于权重调整得到，所述基于权重调整的充电电流变化率为：
其中，
其中，wii为采样周期内第i个测试时间点的充电电流变化率的经验赋予权值，且满足条件
优选地，令n＝3n，此时，wii满足条件为：
wi1＝wi2＝…＝win＝1.3；
win+1＝win+2＝…＝wi2n＝1；
wi2n+1＝wi2n+2＝…＝wi3n＝0.7。
优选地，在所述s3中，根据所述析锂测试参数对锂电池是否析锂作出判断，具体为：
根据所述析锂测试参数基于bp神经网络模型对锂电池是否析锂作出判断。
优选地，所述根据所述析锂测试参数对锂电池是否析锂作出判断，具体包括以下步骤：
步骤1、按照采样周期，确定三层bp神经网络的输入层向量x＝{x1,x2,…xi,…,xn}；其中，xi为采样周期内第i个测试时间点的析锂测试参数值，其包括：xi＝(ii′,ei,ei′,etlii)，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ei为采样周期内第i个测试时间点的充电电流变化率，ei′为采样周期内第i个测试时间点的基于权重调整的充电电流变化率，etlii为采样周期内第i个测试时间点的锂电池温度变化率；
所述etlii通过以下公式得到：
其中，tlii为采样周期内第i个测试时间点的锂电池温度，tlii-1为采样周期内第i-1个测试时间点的锂电池温度，δt为第i个测试时间点与第i-1个测试时间点之间的时间间隔；
步骤2、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；
步骤3、得到输出层向量o＝{o1,o2,…oi,…,on}；其中，oi为第i个测试时间点的锂电池析锂状态参数值，
优选地，所述中间层节点个数m满足：
本发明的有益效果是：
本发明通过采集恒压充电过程中的充电电流数据和锂电池温度数据，并确定采样周期中采集时间点的析锂测试参数，然后根据所述析锂测试参数对锂电池是否析锂作出判断，即根据析锂测试参数获得采样周期中采集时间点的析锂测试参数并建立bp神经网络模型的基于纯电动车用锂电池析锂测试模型，通过该bp神经网络模型对基于纯电动车用锂电池析锂情况进行测试并预判，使测试人员在不需要拆解电池的情况下迅速判断电池充电是否存在析锂情形及析锂开始的时间点，有效解决了现有锂电池是否析锂判定不够全面准确的问题，能够对电动汽车用锂离子电池进行保护进而更加合理的使用，延长使用寿命。
附图说明
图1为本发明提供的一种基于纯电动车用锂电池析锂测试方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于纯电动车用锂电池析锂测试方法，如图1所示，包括以下步骤：
s1、确定并采集测试环境温度，对电池进行恒流充电至截止电压后，再使用所述截止电压进行恒压充电；
s2、确定并设置采样周期，采集恒压充电过程中的充电电流数据和锂电池温度数据，然后确定采样周期中采集时间点的析锂测试参数；
其中，所述析锂测试参数包括：基于规格化调整的充电电流、充电电流变化率、基于权重调整的充电电流变化率、锂电池温度变化率；
s3、按照所述s2中设置的采样周期，根据所述析锂测试参数对锂电池是否析锂作出判断。
具体实施中，在所述s2中，所述基于规格化调整的充电电流通过恒压充电过程中的充电电流数据进行规格化调整得到，所述基于规格化调整的充电电流为：
其中，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ii为采样周期内第i个测试时间点的充电电流，ii_min为采样周期内第i个测试时间点的最小测试充电电流，ii_max为采样周期内第i个测试时间点的最大测试充电电流。
具体实施中，基于规格化调整的充电电流还可以通过以下方法得到，即在所述s2中，所述基于规格化调整的充电电流通过恒压充电过程中的充电电流数据进行规格化调整，得到基于规格化调整的充电电流；
其中，f(ti)为环境温度影响函数，f(ti)＝8×10-5(ti)2-0.0023ti+0.11；
其中，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ti为环境温度，tlis为采样周期内期望锂电池温度，tlii为采样周期内第i个测试时间点的锂电池温度，tlii_min为采样周期内第i个测试时间点的锂电池最小测试温度，tlii_max为采样周期内第i个测试时间点的锂电池最大测试温度，ii为采样周期内第i个测试时间点的充电电流，ii_min为采样周期内第i个测试时间点的最小测试充电电流，ii_max为采样周期内第i个测试时间点的最大测试充电电流，τ为规格化经验系数，τ取值范围为0.89～0.95；τ的优选值为0.93。
具体实施中，在所述s2中，所述基于权重调整的充电电流变化率通过恒压充电过程中的充电电流数据对充电电流变化率基于权重调整得到，所述基于权重调整的充电电流变化率为：
其中，
其中，wii为采样周期内第i个测试时间点的充电电流变化率的经验赋予权值，且满足条件
具体实施中，锂电池温度变化率可以为：
其中，etlii为采样周期内第i个测试时间点的锂电池温度变化率，tlii为采样周期内第i个测试时间点的锂电池温度，tlii-1为采样周期内第i-1个测试时间点的锂电池温度，δt为第i个测试时间点与第i-1个测试时间点之间的时间间隔。
作为一种优选，令n＝3n，此时，wii满足条件为：
wi1＝wi2＝…＝win＝1.3；
win+1＝win+2＝…＝wi2n＝1；
wi2n+1＝wi2n+2＝…＝wi3n＝0.7。
具体实施中，在所述s3中，根据所述析锂测试参数对锂电池是否析锂作出判断，具体为：
根据所述析锂测试参数基于bp神经网络模型对锂电池是否析锂作出判断。
具体来说，所述根据所述析锂测试参数对锂电池是否析锂作出判断，具体包括以下步骤：
步骤1、建立bp神经网络模型：
本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为中间层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共n个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入层向量：x＝(x1,x2,...,xn)t
中间层向量：y＝(y1,y2,...,ym)t
输出层向量：o＝(o1,o2,...,on)t
按照采样周期，确定三层bp神经网络的输入层向量x＝{x1,x2,…xi,…,xn}；其中，xi为采样周期内第i个测试时间点的析锂测试参数值，其包括：xi＝(ii′,ei,ei′,etlii)，ii′为采样周期内第i个测试时间点的基于规格化调整的充电电流，ei为采样周期内第i个测试时间点的充电电流变化率，ei′为采样周期内第i个测试时间点的基于权重调整的充电电流变化率，etlii为采样周期内第i个测试时间点的锂电池温度变化率；
所述etlii通过以下公式得到：
其中，tlii为采样周期内第i个测试时间点的锂电池温度，tlii-1为采样周期内第i-1个测试时间点的锂电池温度，δt为第i个测试时间点与第i-1个测试时间点之间的时间间隔；
步骤2、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；
作为优选地，所述中间层节点个数m满足：
步骤3、得到输出层向量o＝{o1,o2,…oi,…,on}；其中，oi为第i个测试时间点的锂电池析锂状态参数值，
本实施例还包括对bp神经网络的训练，即进行bp神经网络的训练，具体过程为：
建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；在本实施例中，使充电时间为1800s，n＝30，δt＝60s，各子网训练时的输出样本如表1所示。
表1各子网训练时的输出样本
(2)训练算法
bp网络采用误差反向传播(backwardpropagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝l)，则有
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
bp算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是levenberg-marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
δω＝(jtj+μi)-1jte
其中，j为误差对权值微分的雅可比(jacobian)矩阵，i为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
我们还使用额定容量为2ah的镍锰钴/石墨三元锂电池作为实验对象，分别在不同的测试条件下进行析锂测试，对完成检测的锂电池以1c放电倍率进行放电直至放空为止，接着拆解锂电池，确认锂电池是否有析锂现象，从而确认本实施例的检测结果与事实相符，测试结果如表2所示。
表2锂电池测试结果
本发明公开了一种基于纯电动车用锂电池析锂测试方法，对待测试评估的电动汽车用锂离子电池进行测试，并通过采集包括基于规格化调整的充电电流、充电电流变化率、基于权重调整的充电电流变化率和锂电池温度变化率的析锂测试参数，并根据析锂测试参数对锂电池是否析锂作出判断，使测试人员在不需要拆解电池的情况下快速判断电池充电是否存在析锂情形，能够对电动汽车用锂离子电池进行保护进而更加合理的使用，延长使用寿命。
以上所述，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，它完全可以被适用于各种适合本发明的领域；同时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，在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和具体的实施例。
- 还没有人留言评论。精彩留言会获得点赞！