一种锂电池的SOH与RUL预测方法

本发明涉及锂电池，特别是涉及一种锂电池的soh与rul预测方法。

背景技术：

1、近年来，随着以电动汽车为代表的新一代新能源汽车保有量不断上升，造成锂动力电池退役浪潮。如果不能采取合适的方法处理海量的锂动力电池，将会造成严重的能源浪费与环境污染。

2、梯次利用电池可以有效地缓解退役动力电池的污染问题，最大化地利用锂动力电池的剩余价值，从而达到节能减排的效果。不仅如此，梯次利用退役动力电池还可以推动新能源产业的发展。然而，针对锂动力电池的检测与筛选技术相对落后，目前流行的全充全放计量安时数的方法不仅测量精度低，还耗费大量时间和人力，不具有大规模应用的前景。

3、目前，国内外学者对锂动力电池的健康状态(soh)和剩余使用寿命(rul)预测的方法进行了许多相关的研究，主要包括数据驱动方法以及模型驱动方法。数据驱动法是通过是利用电池历史数据和实时数据建立预测模型进行锂动力电池soh与rul的预测，这种方法能够避免构建和更新复杂模型，对于数量庞大的电池组具有很好的预测效率，但是现有技术仅考虑了锂电池电流、电压、内阻等常见参数，对于锂电池本身的设计安装和使用方式并没有考虑，因此其预测的准确性和可靠性仍有待提升。模型驱动法通过先构造电池内部模型再进行参数识别，从而进行锂动力电池soh与rul预测，目前主要包括电化学模型、等效电路模型以及经验模型等。这种方法适合单个或者少量锂电池soh评估，对于电动汽车或储能电站等电池数量庞大的场景，搭建模型的工作量较大，预测的准确性都将大打折扣。

4、综上，现有的预测方法对于soh与rul预测精度较差。

技术实现思路

1、本发明提供了一种锂电池的soh与rul预测方法，解决了现有技术对于soh与rul预测精度较差的问题。

2、本发明提供一种锂电池的soh与rul预测方法，包括以下步骤：

3、获取锂电池全寿命电化学阻抗谱数据；

4、基于电池电化学原理构建锂电池的等效电路模型；

5、将等效电路模型中各元件参数作为未知量，通过levenberg-marquardt方法对锂电池全寿命电化学阻抗谱数据中的nyquist图进行拟合，得到锂电池的不同健康状态soh下等效电路模型中各元件的参数，进而构建数据集；

6、通过数据集对袋装树算法进行训练，用于对不同健康状态soh、剩余使用寿命rul与锂电池电化学阻抗谱之间的关系进行拟合；

7、将未知锂电池的电化学阻抗谱数据代入训练后的袋装树算法，得到未知锂电池健康状态soh与剩余寿命rul。

8、优选的，基于多次循环的电池充放电实验获取锂电池全寿命电化学阻抗谱数据，其中，一个循环的电池充放电实验的步骤包括：

9、锂电池36a恒流放电5s，用于欧姆内阻的冲击电流测试；

10、锂电池20a恒流放电，直至其电压低于2.65v；

11、锂电池静置15分钟，使其内部充分发生化学反应；

12、锂电池36a恒流充电5s；

13、锂电池20a恒流充电5s；

14、锂电池20a恒流充电，直至其电压高于3.7v；

15、锂电池电池静置15分钟。

16、优选的，所述锂电池内部的等效电路模型包括欧姆内阻、sei电阻、常相角元件、电荷转移内阻、双电层电容以及瓦尔堡阻抗；所述sei电阻与常相角元件并联，所述电荷转移内阻与瓦尔堡阻抗串联之后与双电层电容并联。

17、优选的，所述常相角元件的导纳表达式如下所示：

18、yq＝yo(jω)α

19、式中，q为常相角元件，yq为常相角元件导纳，yo为0相角导纳，α为常相角系数，ω为电路角速度，j为虚数单位；

20、所述瓦尔堡阻抗表达式如下所示：

21、

22、式中，zw为瓦尔堡阻抗值，σ为瓦尔堡阻抗值常数。

23、优选的，所述锂电池的等效电路模型的阻抗表达式如下所示：

24、

25、式中，z为锂电池的等效电路模型的阻抗，re为欧姆内阻，rsei为sei电阻，cdl为双电层电容，rdl为电荷转移内阻。

26、优选的，通过数据集对袋装树算法进行训练，包括以下步骤：

27、对数据集进行数据采样；

28、从所述数据集中进行有放回的随机抽样，得到多个子样本；

29、每个所述子样本均用于训练一个基本模型；

30、多个基本模型均对输入数据进行预测，生成多个预测结果；

31、将多个预测结果进行组合预测，得到最终预测结果。

32、优选的，所述基本模型为决策树、分类器或回归模型。

33、优选的，将多个预测结果进行组合预测，得到最终预测结果，包括：

34、针对分类问题，选择获得最多投票的类别作为预测结果；

35、对于回归问题，将所有基本模型的预测值取平均作为预测结果。

36、与现有技术相比，本发明的有益效果是：

37、本发明获取了锂电池全寿命电化学阻抗谱数据，根据电池电化学原理，建立电池内部等效电路模型，建模过程中考虑了锂电池的自身化学特性，然后拟合出锂电池在全寿命电化学阻抗谱下等效电路中各元件参数。综合电池充放电数据和电话学阻抗谱进行模型参数识别，模型参数会更加准确，最后通过袋装树机器学习算法，拟合soh、rul与电池esi之间的关系。可以减小方差，提高模型的稳定性，使得对于soh与rul的预测更为精准。

技术特征：

1.一种锂电池的soh与rul预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种锂电池的soh与rul预测方法，其特征在于，基于多次循环的电池充放电实验获取锂电池全寿命电化学阻抗谱数据，其中，一个循环的电池充放电实验的步骤包括：

3.如权利要求1所述的一种锂电池的soh与rul预测方法，其特征在于，所述锂电池内部的等效电路模型包括欧姆内阻、sei电阻、常相角元件、电荷转移内阻、双电层电容以及瓦尔堡阻抗；所述sei电阻与常相角元件并联，所述电荷转移内阻与瓦尔堡阻抗串联之后与双电层电容并联。

4.如权利要求3所述的一种锂电池的soh与rul预测方法，其特征在于，所述常相角元件的导纳表达式如下所示：

5.如权利要求4所述的一种锂电池的soh与rul预测方法，其特征在于，所述锂电池的等效电路模型的阻抗表达式如下所示：

6.如权利要求1所述的一种锂电池的soh与rul预测方法，其特征在于，通过数据集对袋装树算法进行训练，包括以下步骤：

7.如权利要求6所述的一种锂电池的soh与rul预测方法，其特征在于，所述基本模型为决策树、分类器或回归模型。

8.如权利要求6所述的一种锂电池的soh与rul预测方法，其特征在于，将多个预测结果进行组合预测，得到最终预测结果，包括：

技术总结
本发明公开了一种锂电池的SOH与RUL预测方法，涉及锂电池技术领域，包括以下步骤：获取锂电池全寿命电化学阻抗谱数据；构建锂电池的等效电路模型；对锂电池全寿命电化学阻抗谱中的Nyquist图进行拟合，得到锂电池的不同健康状态SOH下等效电路模型中各元件的参数；通过数据集对袋装树算法进行训练，对不同健康状态、剩余使用寿命与锂电池电化学阻抗谱之间的关系进行拟合；将未知锂电池的电化学阻抗谱代入训练后的袋装树算法，得到未知锂电池健康状态SOH与剩余寿命RUL。本发明在建模过程中考虑了锂电池的自身化学特性，同时综合电池充放电数据和电话学阻抗谱进行模型参数识别，使得对于SOH与RUL的预测更为精准。

技术研发人员：宋政湘,郑华龙,黄炳开,黄汉骐,祝稼昊
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/2/6