本发明属于动力电池健康评估技术领域,具体涉及一种根据电池使用情况来预估电池健康度的方法。
背景技术:
锂离子电池因为其输出电压高、循环寿命长、能量密度大、自放电率低、工作温度范围广等优点被广泛应用于各个领域,其自身安全性与可靠性一直都是大家比较关注的重点。
目前,业内比较主流的预估电池健康度的方法,主要分为以下几种:
1.机器学习模型法
该方法的缺点在于:
(1)需要大量有标签的数据,需要进行大量实验,实验成本较高;
(2)由于实验无法覆盖所有使用情况,从实验数据迁移到实际情况可能导致模型准确度降低。
2.安时积分法
该方法的缺点在于:
(1)误差比较大;
(2)健康度计算的准确度受限于传感器精度;
(3)计算出的结果会上下波动。
3.双卡尔曼滤波法
该方法的缺点在于:
(1)计算过程复杂;
(2)需要建立电池等效电路图,而使用电池的设备,如车辆,实际运行中等效电路图中的参数辨识困难。
由此可见,主流的方法都是通过当前电池的表现去评估电池当前的健康状态,且不足之处较多。
技术实现要素:
本发明的目的是提供一种所需实验次数有限、易于扩展适用范围、准确度较高、复杂程度较低的预估电池健康度的方法。
为达到上述目的,本发明采用的技术方案是:
一种预估电池健康度的方法,包括以下步骤:
步骤一:取n个同型号电池进行循环充放电衰减实验,n为大于3的整数,利用所述循环充放电衰减实验的实验数据拟合该型号电池的衰减曲线作为该型号电池的衰减基准曲线,所述衰减曲线表征该型号电池的衰减百分比ploss与该型号电池的循环次数n的关系,所述衰减曲线中包含三个系数,分别为αsei、βsei、fd,1;
步骤二:取若干个该型号电池进行不同温度、不同平均soc、不同放电深度下的循环衰减实验,利用所述循环衰减实验的实验数据求取所述fd,1对应的温度修正式、平均soc修正式、放电深度修正式和日历时间修正式,再利用所述温度修正式、所述平均soc修正式、所述放电深度修正式和所述日历时间修正式对所述fd,1进行修正得到修正后的fd,1,进而利用所述修正后的fd,1修正该型号电池的衰减基准曲线得到该型号电池的修正后衰减曲线;
步骤三:当对属于该型号电池的待预估电池进行健康度预估时,利用所述待预估电池的使用数据和所述该型号电池的修正后衰减曲线预估所述待预估电池每个循环的衰减量,从而预估所述待预估电池的寿命和健康度。
所述步骤一中,在标准温度t0下进行所述循环充放电衰减实验。
所述步骤一中,根据每个该型号电池的循环次数和衰减百分比,拟合得到每个该型号电池对应的衰减曲线,从而确定每个该型号电池对应的αsei、βsei和fd,1,进而得到该型号电池的
所述步骤一中,所述衰减曲线的表达式为
所述步骤二中,进行所述循环衰减实验时至少取个不同温度、2个不同平均soc、4个不同放电深度。
所述步骤二中,所述温度修正式为
所述平均soc修正式为
所述日历时间修正式为st(t)=ktt,其中,kt为日历时间修正系数,t为当前日历时间;
所述放电深度修正式为sδ(δ)=kδ,e1δexp(kδ,e2δ),其中,kδ,e1、kδ,e2均为放电深度修正系数,δ为当前放电深度。
所述步骤二中,当所述当前温度t=ta时,
当所述当前平均socσ=σa时,
所述日历时间修正系数
当所述当前放电深度δ=δa时,
所述步骤二中,所述修正后的fd,1=[sδ(δ)+st(t)]sσ(σ)st(t)。
所述步骤三中,根据雨流计数法统计出所述待预估电池的使用数据。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明扩展性强,只需有限次实验即可实现,精度加高,计算较为简便。
附图说明
附图1为本发明的预估电池健康度的方法的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一:如附图1所示,一种预估电池健康度的方法,包括以下步骤:
步骤一:通过循环充放电衰减实验求解电池的衰减基准曲线
取n(n为大于3的整数)个同型号电池(锂离子电池),进行循环充放电衰减实验,利用循环充放电衰减实验的实验数据拟合该型号电池的衰减曲线作为该型号电池的衰减基准曲线,衰减曲线表征该型号电池的衰减百分比ploss与该型号电池的循环次数n的关系,衰减曲线中包含三个系数,分别为αsei、βsei、fd,1。
1.取n(n>3)个同型号电池,在标准温度t0(t0一般取25℃)下进行循环充放电衰减实验。循环充放电衰减实验过程中,电池soc的循环范围为0%~100%。分别记录每个电池的循环次数n与每个循环对应的衰减百分比ploss。
2.根据每个电池的循环次数n与每个循环对应的衰减百分比ploss,根据公式分别拟合各个电池对应的衰减曲线:
3.上式中的αsei由电池的首效有关,代表了电池早期用于形成稳定的sei膜消耗的锂离子的占比。
4.根据每个该型号电池的循环次数和衰减百分比,拟合得到每个该型号电池对应的衰减曲线后,确定每个该型号电池对应的αsei、βsei和fd,1,即共得到n个αsei、n个βsei和n个fd,1。分别对n个αsei、n个βsei和n个fd,1求平均数得到该型号电池的
步骤二:不同条件下的参数修正
取若干个该型号电池,分为nz组进行不同温度、不同平均soc、不同放电深度下的循环衰减实验,利用循环衰减实验的实验数据求取fd,1对应的温度修正式、平均soc修正式、放电深度修正式和日历时间修正式,再利用温度修正式、平均soc修正式、放电深度修正式和日历时间修正式对fd,1进行修正得到修正后的fd,1,进而利用修正后的fd,1修正该型号电池的衰减基准曲线得到该型号电池的修正后衰减曲线。
1.上述该型号电池的衰减基准曲线中的fd,1受温度、soc、放电深度的不同,会有所变化,所以需要针对不同条件对其进行修正。
2.取若干该型号电池,分为nz组,采用控制变量法对电池进行不同温度、不同平均soc、不同放电深度下的循环衰减实验,即实验时至少取个不同温度、2个不同平均soc、4个不同放电深度。
3.修正后的fd,1=[sδ(δ)+st(t)]sσ(σ)st(t)。
4.上式中,sδ(δ)为放电深度修正式,st(t)为日历时间修正式,sσ(σ)为平均soc修正式,st(t)为温度修正式。
5.针对温度修正式,
6.针对平均soc修正式,
7.针对日历时间修正式,st(t)=ktt,其中,kt为日历时间修正系数,t为当前日历时间,日历时间修正系数
8.针对放电深度修正式,sδ(δ)=kδ,e1δexp(kδ,e2δ),其中,kδ,e1、kδ,e2均为放电深度修正系数,δ为当前放电深度,当当前放电深度δ=δa时,
步骤三:用于实际电池的预估
当对属于该型号电池的待预估电池进行健康度预估时,根据雨流计数法统计出待预估电池的使用数据,包括此电池使用中的循环次数、每次的平均温度、每次的放电深度和每次的平均soc等,利用待预估电池的使用数据和该型号电池的修正后衰减曲线预估待预估电池每个循环的衰减量,从而预估待预估电池的寿命和健康度。
上述方案的优点在于:
1.扩展性强,同一型号电池,只需要做有限实验便可通用;
2.考虑到并兼容了不同条件,不同环境下的使用;
3.精度高;
4.融合了电池电化学特性;
5.结合了累积损伤的概念。
与现有的机器学习模型法相比,本方案只需要有限次实验,并且可以适用于同型号的其他电池;与现有的安时积分法相比,本方案准确度高,不会出现上下波动情况,对传感器精度不敏感;与现有的双卡尔曼滤波法相比,本方案不需要等效电路图,不需要参数识别,降低了算法的复杂度。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。