[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115494400A - 一种基于集成学习的锂电池析锂状态在线监控方法 - Google Patents

一种基于集成学习的锂电池析锂状态在线监控方法 Download PDF

Info

Publication number
CN115494400A
CN115494400A CN202211381818.3A CN202211381818A CN115494400A CN 115494400 A CN115494400 A CN 115494400A CN 202211381818 A CN202211381818 A CN 202211381818A CN 115494400 A CN115494400 A CN 115494400A
Authority
CN
China
Prior art keywords
lithium battery
lithium
identification parameters
positive
online monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211381818.3A
Other languages
English (en)
Other versions
CN115494400B (zh
Inventor
范玉千
左现刚
金松林
李倩
杨书廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Power Battery Innovation Center Co ltd
Henan Institute of Science and Technology
Original Assignee
Henan Power Battery Innovation Center Co ltd
Henan Institute of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Power Battery Innovation Center Co ltd, Henan Institute of Science and Technology filed Critical Henan Power Battery Innovation Center Co ltd
Priority to CN202211381818.3A priority Critical patent/CN115494400B/zh
Publication of CN115494400A publication Critical patent/CN115494400A/zh
Application granted granted Critical
Publication of CN115494400B publication Critical patent/CN115494400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于集成学习的锂电池析锂状态在线监控方法，该方法通过SP+模型对锂电池进行建模，并根据劣化实验确定各辨识参数的重要性分数，最后通过拟合函数实时调整SP+模型，计算出该锂电池当前的负极电位，并根据该负极电位判断该锂电池是否接近或处于析锂状态。本发明通过劣化实验对各辨识参数的重要性进行排序，一方面提高了对锂电池析锂状态预测的准确性；另一方面，大幅降低了计算量、提高了对锂电池析锂状态预测的及时性，真正实现对锂电池析锂状态的在线监控。

Description

一种基于集成学习的锂电池析锂状态在线监控方法
技术领域
本发明涉及锂电池领域，特别是一种基于集成学习的锂电池析锂状态在线监控方法。
背景技术
在实际使用中，过高的充电电流或过高的环境温度会导致锂电池发生不可逆转的析锂现象。析锂现象的出现，不但会降低锂电池的使用寿命，而且会对锂电池造成不可逆的损害。此外，锂电池长期处于析锂状态会导致内部短路，严重者会出现热失控现象，进而引发起火事故。因此，如果能够在线监控锂电池的析锂情况，对锂电池、车辆、乘客的安全都有所保障。
通常的，需要拆解锂电池并通过人工观察才能得知锂电池是否发生析锂现象，然而这样方式难以及时获取锂电池的析锂情况，而且在实际运用中也不可取。目前也有通过RC等效模型计算锂电池的负极电位，从而判断锂电池是否处于析锂状态的方法，但是该方法的运算量大、效率低，如果保证对析锂状态预测的准确性，则不能保证预测的及时性，因此无法真正用于车载场景。
发明内容
为了克服背景技术中的不足，本发明公开了一种基于集成学习的锂电池析锂状态在线监控方法，其目的在于：提高对锂电池析锂状态预测的准确性，并兼顾运算效率，真正实现对锂电池析锂状态的在线监控。
为实现上述发明目的，本发明采用如下技术方案：
一种基于集成学习的锂电池析锂状态在线监控方法，所述方法包括如下步骤：
步骤一：使用SP+模型对锂电池进行建模，并确定建模所需的辨识参数；
步骤二：设定多种不同充放电倍率下的脉冲工况，在不同温度下对锂电池进行劣化实验，并根据不同劣化阶段对锂电池所设定的脉冲工况，辨识得到不同SOH、不同SOC、不同温度、不同充放电倍率下的辨识参数，对辨识参数分别进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于所述辨识参数的重要性分数；
步骤三：根据所述辨识参数在不同SOH、不同SOC阶段，其在温度、充放电倍率变化下的变化范围，对辨识参数分别进行敏感性分析，获得辨识参数对于端电压的重要性分数；
步骤四：对SOH、SOC、温度、充放电倍率对于辨识参数的重要性分数，以及辨识参数对于端电压的重要性分数进行重要性排序，获取重要辨识参数，并将重要辨识参数拟合成与SOH、SOC、温度、充放电倍率相关的拟合函数；
步骤五：以当前锂电池的实时温度和实时电流作为输入，并通过拟合函数实时调整SP+模型，计算出该锂电池当前的负极电位，并根据该负极电位判断该锂电池是否接近或处于析锂状态。
进一步地改进技术方案，步骤一中，所述SP+模型包括以下公式：
电化学反应基本过程由如下公式描述：
Figure 691750DEST_PATH_IMAGE001
其中，
Figure 521166DEST_PATH_IMAGE002
为正极开路电势
Figure 908285DEST_PATH_IMAGE003
关于
Figure 481349DEST_PATH_IMAGE004
的函数，
Figure 854168DEST_PATH_IMAGE005
为负极开路电势
Figure 916802DEST_PATH_IMAGE006
关于
Figure 728900DEST_PATH_IMAGE007
的函数，
Figure 902392DEST_PATH_IMAGE004
、
Figure 116336DEST_PATH_IMAGE007
分别为锂电池正、负极活性粒子表面嵌锂浓度分数，
Figure 553134DEST_PATH_IMAGE008
、
Figure 914845DEST_PATH_IMAGE009
分别为正、负极活性粒子内部平均嵌锂浓度分数，
Figure 78979DEST_PATH_IMAGE010
、
Figure 475325DEST_PATH_IMAGE011
分别为正、负极嵌锂浓度分 数的最大变化范围，
Figure 83024DEST_PATH_IMAGE012
为负载电流，规定放电为正，
Figure 604135DEST_PATH_IMAGE013
为锂电池总容量(C)。
固相扩散过程由如下公式描述：
Figure 385009DEST_PATH_IMAGE014
其中，
Figure 573545DEST_PATH_IMAGE015
、
Figure 148883DEST_PATH_IMAGE016
分别为正、负极固相扩散时间常数。
液相浓差极化过程由如下公式描述：
Figure 908023DEST_PATH_IMAGE017
其中，
Figure 227009DEST_PATH_IMAGE019
为理想气体常数，
Figure 535630DEST_PATH_IMAGE021
为锂电池内部温度(K)，
Figure 219552DEST_PATH_IMAGE023
为法拉第常数，
Figure 43152DEST_PATH_IMAGE025
为电解液锂 离子浓度初值，一般设为1000，
Figure 103512DEST_PATH_IMAGE026
为阳离子迁移数，一般为0.3~0.4，
Figure 515907DEST_PATH_IMAGE028
为液相扩散时间常 数，
Figure 433048DEST_PATH_IMAGE029
为液相扩散比例系数。
反应极化过程由如下公式描述：
Figure 416047DEST_PATH_IMAGE030
式中负极反应极化过电势为：
Figure 76836DEST_PATH_IMAGE031
其中，
Figure 94470DEST_PATH_IMAGE032
、
Figure 385774DEST_PATH_IMAGE033
分别为正、负反应极化系数。
欧姆极化过程由如下公式描述：、
Figure 918387DEST_PATH_IMAGE034
其中，
Figure 68352DEST_PATH_IMAGE035
为等效欧姆内阻。
端电压
Figure 2810DEST_PATH_IMAGE036
由如下公式描述：
Figure 199436DEST_PATH_IMAGE037
其中，建模所需的辨识参数为13个，分别为电池正、负极活性粒子初始嵌锂浓度
Figure 219345DEST_PATH_IMAGE038
、
Figure 425198DEST_PATH_IMAGE039
，正、负极嵌锂浓度分数的最大变化范围
Figure 417425DEST_PATH_IMAGE011
、
Figure 847269DEST_PATH_IMAGE010
，正、负极容量
Figure 541425DEST_PATH_IMAGE040
、
Figure 347707DEST_PATH_IMAGE041
，正、负极固相扩散时 间常数
Figure 928861DEST_PATH_IMAGE015
、
Figure 998448DEST_PATH_IMAGE016
，液相扩散时间常数
Figure 727370DEST_PATH_IMAGE028
，液相扩散比例系数
Figure 275026DEST_PATH_IMAGE029
，正、负反应极化系数
Figure 773003DEST_PATH_IMAGE032
、
Figure 498645DEST_PATH_IMAGE033
， 等效欧姆内阻
Figure 714862DEST_PATH_IMAGE035
。
进一步地改进技术方案，步骤二中，电池充满电后，根据电池实际可接受的充放电倍率对电池进行倍率从小到大、先放后充的交叉放充电，每次放电、充电的持续时间为分钟，每次充电或放电完成后均需搁置电池分钟；各充电倍率和放电倍率从小到大进行一轮为1个循环，经过若干循环直至达到放电截止电压。
进一步地改进技术方案，步骤二中，所述劣化实验在恒温箱中进行，以固定倍率恒流恒压充电至充电截止电压、固定倍率恒流放电至放电截止电压的工况对电池进行劣化实验，每次循环进行脉冲工况，并记录电池当前对应的SOH。
进一步地改进技术方案，步骤二中，使用AdaBoost算法、决策树算法、随机森林算法对辨识参数进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于辨识参数的重要性，并通过加权得到各辨识参数的重要性分数。
进一步地改进技术方案，步骤三中，使用AdaBoost算法、决策树算法、随机森林算法对辨识参数进行敏感性分析，获得辨识参数对于端电压的重要性，并通过加权得到各辨识参数的重要性分数。
进一步地改进技术方案，对于既对温度、充放电倍率敏感，又对端电压有重要影响的辨识参数，增大其重要性分数。
进一步地改进技术方案，步骤五中，所述负极电位
Figure 800630DEST_PATH_IMAGE043
由如下公式描述：
Figure 621956DEST_PATH_IMAGE044
其中，
Figure 830083DEST_PATH_IMAGE045
为负极开路电势。
进一步地改进技术方案，利用UKF实时更新获取准确的SOC，以SP+模型得到的电池仿真端电压作为估计值，以实测端电压作为观测值，计算估计值与观测值之间的相对误差，并对相对误差进行更新；当相对误差<1%时，认为SOC准确。
进一步地改进技术方案，当
Figure 471280DEST_PATH_IMAGE046
时，判断电池处于正常状态；当
Figure 423055DEST_PATH_IMAGE047
时，判断电池接近析锂状态；当
Figure 82576DEST_PATH_IMAGE048
时，判断电池处于析锂状态。
由于采用上述技术方案，相比背景技术，本发明具有如下有益效果：
本发明提供了一种基于集成学习的锂电池析锂状态在线监控方法，该方法通过SP+模型对锂电池进行建模，并根据劣化实验确定各辨识参数的重要性分数，最后通过拟合函数实时调整SP+模型，计算出该锂电池当前的负极电位，并根据该负极电位判断该锂电池是否接近或处于析锂状态。
本发明通过劣化实验对各辨识参数的重要性进行排序，一方面提高了对锂电池析锂状态预测的准确性，另一方面大幅降低了计算量、提高了对锂电池析锂状态预测的及时性，真正实现对锂电池析锂状态的在线监控。
附图说明
图1示出的是本锂电池析锂状态在线监控方法的流程图。
图2示出的是各算法对辨识参数敏感性分析和排序的示意图。
图3示出的是本发明利用UKF更新SOC的流程图。
图4示出的是采用现有RC等效模型得到的仿真电压与实测电压的对比图。
图5示出的是采用本方法得到的仿真电压与实测电压的对比图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提供一种基于集成学习的锂电池析锂状态在线监控方法，如附图1所示，本在线监控方法包括如下步骤：
步骤一：使用SP+模型对锂电池进行建模，并确定建模所需的辨识参数。
该SP+模型包含了锂电池在充放电过程中的五个过程，分别为电化学反应基本过程、粒子内部固相扩散过程、液相浓差极化过程、反应极化和欧姆极化。其中，电化学反应基本过程由如下公式描述：
Figure 664867DEST_PATH_IMAGE049
其中，
Figure 855677DEST_PATH_IMAGE002
为正极开路电势
Figure 283247DEST_PATH_IMAGE003
关于
Figure 875902DEST_PATH_IMAGE004
的函数，
Figure 97936DEST_PATH_IMAGE005
为负极开路电势
Figure 776042DEST_PATH_IMAGE006
关于
Figure 20685DEST_PATH_IMAGE007
的函数，
Figure 405530DEST_PATH_IMAGE004
、
Figure 126362DEST_PATH_IMAGE007
分别为锂电池正、负极活性粒子表面嵌锂浓度分数，
Figure 963868DEST_PATH_IMAGE008
、
Figure 998820DEST_PATH_IMAGE009
分别为正、负极活性粒子内部平均嵌锂浓度分数，
Figure 566067DEST_PATH_IMAGE010
、
Figure 644751DEST_PATH_IMAGE011
分别为正、负极嵌锂浓度分 数的最大变化范围，
Figure 31870DEST_PATH_IMAGE012
为负载电流，规定放电为正，
Figure 870513DEST_PATH_IMAGE013
为锂电池总容量(C)。
固相扩散过程由如下公式描述：
Figure 229950DEST_PATH_IMAGE050
其中，
Figure 292584DEST_PATH_IMAGE015
、
Figure 104682DEST_PATH_IMAGE016
分别为正、负极固相扩散时间常数。
液相浓差极化过程由如下公式描述：
Figure 232169DEST_PATH_IMAGE051
其中，
Figure 508430DEST_PATH_IMAGE019
为理想气体常数，
Figure 679648DEST_PATH_IMAGE021
为锂电池内部温度(K)，
Figure 41359DEST_PATH_IMAGE023
为法拉第常数，
Figure 956226DEST_PATH_IMAGE025
为电解液锂 离子浓度初值，一般设为1000，
Figure 290255DEST_PATH_IMAGE052
为阳离子迁移数，一般为0.3~0.4，
Figure 694692DEST_PATH_IMAGE028
为液相扩散时间常 数，
Figure 730650DEST_PATH_IMAGE029
为液相扩散比例系数。
反应极化过程由如下公式描述：
Figure DEST_PATH_IMAGE053
上式中负极反应极化过电势为：
Figure 714786DEST_PATH_IMAGE054
其中，
Figure 700060DEST_PATH_IMAGE032
、
Figure 478660DEST_PATH_IMAGE033
分别为正、负反应极化系数。
欧姆极化过程由如下公式描述：
Figure DEST_PATH_IMAGE055
其中，
Figure 18225DEST_PATH_IMAGE035
为等效欧姆内阻。
端电压
Figure 22697DEST_PATH_IMAGE036
由如下公式描述：
Figure 128056DEST_PATH_IMAGE056
其中，建模所需的辨识参数为13个，分别为锂电池正、负极活性粒子初始嵌锂浓度
Figure 811979DEST_PATH_IMAGE038
、
Figure 838841DEST_PATH_IMAGE039
，正、负极嵌锂浓度分数的最大变化范围
Figure 695938DEST_PATH_IMAGE011
、
Figure 593487DEST_PATH_IMAGE010
，正、负极容量
Figure 776207DEST_PATH_IMAGE040
、
Figure 8474DEST_PATH_IMAGE041
，正、负极固相扩散 时间常数
Figure 669262DEST_PATH_IMAGE015
、
Figure 952476DEST_PATH_IMAGE016
，液相扩散时间常数
Figure 978201DEST_PATH_IMAGE028
，液相扩散比例系数
Figure 510813DEST_PATH_IMAGE029
，正、负反应极化系数
Figure 912976DEST_PATH_IMAGE032
、
Figure 801428DEST_PATH_IMAGE033
，等效欧姆内阻
Figure 60372DEST_PATH_IMAGE035
。
步骤二：设定多种不同充放电倍率下的脉冲工况，在不同温度下对电池进行劣化实验，并根据不同劣化阶段对电池所设定的脉冲工况，辨识得到不同SOH、不同SOC、不同温度、不同充放电倍率下的辨识参数，对辨识参数分别进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于所述辨识参数的重要性分数。
具体的，根据锂电池实际可接受充放电倍率进行脉冲工况的设定。在本实施例中，锂电池最大可接受的充电倍率为4C，最大可接受放电倍率为4C，设定四种充电倍率为1C、2C、3C、4C，四种放电倍率为1C、2C、3C、4C。然后在满充电的状态下，对锂电池进行脉冲放充电工况。其中，对锂电池进行倍率从小到大、先放后充的交叉放充电，每次放、充电持续时间为1分钟，每次充或放电完成后均需搁置锂电池30分钟。当四种充电倍率和放电倍率从小到大进行一轮后，认为1个循环结束，循环下去直至达到放电截止电压。
在不同温度下对锂电池进行劣化实验，并在不同劣化阶段对锂电池设置上述脉冲工况。劣化实验指在不同温度（5℃、10℃、25℃、30℃、40℃）的恒温箱中，以1C恒流恒压充电至充电截止电压、1C恒流放电至放电截止电压的工况进行劣化实验，每50次循环进行脉冲工况，并记录锂电池当前对应的SOH。
基于脉冲激励响应法并按照如下顺序，辨识得到不同SOH、不同SOC、不同温度、不同倍率下的辨识参数：
①制备三电极锂电池，拟合正负极固有特性曲线，并结合锂电池电化学反应基本 方程，辨识得到锂电池基本特征参数，即正、负极活性粒子初始嵌锂浓度
Figure 17963DEST_PATH_IMAGE038
、
Figure 20554DEST_PATH_IMAGE039
，和正、负极嵌 锂浓度分数的最大变化范围
Figure 747202DEST_PATH_IMAGE011
、
Figure 645888DEST_PATH_IMAGE010
；
②使用电化学工作站测得锂电池交流阻抗谱，计算得到等效欧姆内阻
Figure 153092DEST_PATH_IMAGE035
；
③在脉冲上升沿测算反应极化过电势，辨识得到正、负反应极化系数
Figure 880746DEST_PATH_IMAGE032
、
Figure 789796DEST_PATH_IMAGE033
；
④在各稳态工作点计算浓差极化过电势，辨识得到正、负极固相扩散时间常数
Figure 328225DEST_PATH_IMAGE015
、
Figure 322726DEST_PATH_IMAGE016
，液相扩散时间常数
Figure 870382DEST_PATH_IMAGE028
和液相扩散比例系数
Figure 571621DEST_PATH_IMAGE029
；
如附图2所示，使用AdaBoost、决策树、随机森林算法对辨识参数进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于13个辨识参数的重要性。给定上述三种算法同等权重加权计算，其中权重总和为1，综合得到不同辨识参数的重要性分数。
步骤三：根据所述辨识参数在不同SOH、不同SOC阶段，其在温度、充放电倍率变化下的变化范围，对辨识参数分别进行敏感性分析，获得辨识参数对于端电压的重要性分数。
具体的，在对某一辨识参数进行敏感性分析时，保持其他辨识参数为当前SOH、当前SOC、当前温度、电流倍率0.5C下的辨识值，对需要分析的辨识参数则在其变化区间内，以1%变化区间为变化值从低温到高温、低倍率到高倍率进行变化，再通过SP+模型计算出对应仿真端电压曲线，并与当前SOH、当前SOC、当前温度、电流倍率0.5C下的实际端电压曲线进行比较，通过计算得到不同变化值对应的曲线中最大误差以及曲线的平均误差。然后，使用AdaBoost、决策树、随机森林算法对辨识参数进行敏感性分析，获得辨识参数对于端电压的重要性，给定三种方法同等权重加权计算，其中权重总和为1，综合得到不同参数的重要性分数。
步骤四：对SOH、SOC、温度、充放电倍率对于辨识参数的重要性分数，以及辨识参数对于端电压的重要性分数进行重要性排序，获取重要辨识参数，并将重要辨识参数拟合成与SOH、SOC、温度、充放电倍率相关的拟合函数。
具体的，根据步骤2和步骤3中得到SOH、SOC、温度、充放电倍率对于辨识参数的重要性分数，以及辨识参数对于端电压的重要性分数，对各辨识参数的权重进行计算，得到重要性排序。其中，重要性在0.8~1.0范围内的权重为0.7，重要性在0.5~0.8范围内的权重为0.2，重要性在0.5以下的权重为0.1，然后根据重要性分数以及重要性排序的结果对各辨识参数进行分类。
值得注意的是，对于既对温度、充放电倍率敏感，又对端电压有重要影响的辨识参数，在实际工况中，按具体情况适当增大其重要性分数，从而提高模型精度。而对温度、充放电倍率敏感但是对端电压没有重要影响，或是对端电压有重要影响但是对温度、充放电倍率不敏感的辨识参数，设置为室温25℃、充放电倍率0.5C下的辨识值，从而减少实际工况中的参数计算量。
得到的重要辨识参数后，将重要辨识参数拟合成与SOH、SOC、温度、充放电倍率相关的拟合函数。例如采用高阶多项式，将重要辨识参数拟合成与SOH、SOC、温度、充放电倍率相关的函数。
步骤五：以当前电池的实时温度和实时电流作为输入，并通过拟合函数实时调整SP+模型，计算出该电池当前的负极电位，并根据该负极电位判断该电池是否接近或处于析锂状态。
附图3示出的是本发明利用UKF更新SOC的流程图。在实际工况中，将传感器所测量的锂电池实时温度和实时电流作为输入，根据步骤4所获得的函数实时调整辨识参数。由于锂电池SOC对于电化学模型精度影响较大，因此可利用UKF实时辨识获取准确的SOC。同时，以SP+模型得到的电池仿真端电压作为估计值，以实测端电压作为观测值，计算估计值与观测值之间的相对误差，并对相对误差进行更新。当相对误差<1%时，则认为SOC准确。
随后，通过SP+模型计算当前负极电位，并根据负极电位判断当前时刻锂电池是否 接近或处于析锂状态。其中负极电位
Figure DEST_PATH_IMAGE057
由如下公式描述：
Figure 825492DEST_PATH_IMAGE058
上式中，
Figure 979393DEST_PATH_IMAGE045
为负极开路电势。如果
Figure 127477DEST_PATH_IMAGE046
时，则判断电池处于正常状态；如 果
Figure 683223DEST_PATH_IMAGE047
时，则判断电池接近析锂状态；如果
Figure 891351DEST_PATH_IMAGE048
时，则判断电池处于析锂状 态。当锂电池处于析锂状态或接近析锂状态时，触发报警，此时需要减少电流或通过热管理 降低锂电池温度。
图4示出的是采用现有RC等效模型得到的仿真电压与实测电压的对比图。图5示出的是采用本方法得到的仿真电压与实测电压的对比图。对比图4和图5可知，本发明求得的仿真电压更接近实测电压。而且，本发明大幅降低了计算量、提高了对锂电池析锂状态预测的及时性，真正实现对锂电池析锂状态的在线监控。
未详述部分为现有技术。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的保护范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于集成学习的锂电池析锂状态在线监控方法，其特征在于，所述方法包括如下步骤：
步骤一：使用SP+模型对锂电池进行建模，并确定建模所需的辨识参数；
步骤二：设定多种不同充放电倍率下的脉冲工况，在不同温度下对锂电池进行劣化实验，并根据不同劣化阶段对锂电池所设定的脉冲工况，辨识得到不同SOH、不同SOC、不同温度、不同充放电倍率下的辨识参数，对辨识参数分别进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于所述辨识参数的重要性分数；
步骤三：根据所述辨识参数在不同SOH、不同SOC阶段，其在温度、充放电倍率变化下的变化范围，对辨识参数分别进行敏感性分析，获得辨识参数对于端电压的重要性分数；
步骤四：对SOH、SOC、温度、充放电倍率对于辨识参数的重要性分数，以及辨识参数对于端电压的重要性分数进行重要性排序，获取重要辨识参数，并将重要辨识参数拟合成与SOH、SOC、温度、充放电倍率相关的拟合函数；
步骤五：以当前锂电池的实时温度和实时电流作为输入，并通过拟合函数实时调整SP+模型，计算出该锂电池当前的负极电位，并根据该负极电位判断该锂电池是否接近或处于析锂状态。
2.根据权利要求1所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤一中，所述SP+模型包括以下公式：
电化学反应基本过程由如下公式描述：
Figure 871577DEST_PATH_IMAGE001
其中，
Figure 744855DEST_PATH_IMAGE002
为正极开路电势
Figure 387DEST_PATH_IMAGE003
关于
Figure 951900DEST_PATH_IMAGE004
的函数，
Figure 343698DEST_PATH_IMAGE005
为负极开路电势
Figure 450194DEST_PATH_IMAGE006
关 于
Figure 176711DEST_PATH_IMAGE007
的函数，
Figure 964538DEST_PATH_IMAGE004
、
Figure 601056DEST_PATH_IMAGE007
分别为锂电池正、负极活性粒子表面嵌锂浓度分数，
Figure 816137DEST_PATH_IMAGE008
、
Figure 515102DEST_PATH_IMAGE009
分别为正、负极活性粒子内部平均嵌锂浓度分数，
Figure 168938DEST_PATH_IMAGE010
、
Figure 597645DEST_PATH_IMAGE011
分别为正、负极嵌锂浓度分数的 最大变化范围，
Figure 669113DEST_PATH_IMAGE012
为负载电流，规定放电为正，
Figure 245588DEST_PATH_IMAGE013
为锂电池总容量(C)；
固相扩散过程由如下公式描述：
Figure 375218DEST_PATH_IMAGE014
其中，
Figure 596115DEST_PATH_IMAGE015
、
Figure 418577DEST_PATH_IMAGE016
分别为正、负极固相扩散时间常数；
液相浓差极化过程由如下公式描述：
Figure 482348DEST_PATH_IMAGE017
其中，
Figure 150090DEST_PATH_IMAGE018
为理想气体常数，
Figure 474761DEST_PATH_IMAGE019
为锂电池内部温度(K)，
Figure 530441DEST_PATH_IMAGE020
为法拉第常数，
Figure 753612DEST_PATH_IMAGE021
为电解液锂离子 浓度初值，一般设为1000，
Figure 428307DEST_PATH_IMAGE022
为阳离子迁移数，一般为0.3~0.4，
Figure 482851DEST_PATH_IMAGE023
为液相扩散时间常数，
Figure 381537DEST_PATH_IMAGE024
为液相扩散比例系数；
反应极化过程由如下公式描述：
Figure 45999DEST_PATH_IMAGE025
式中负极反应极化过电势为：
Figure 321122DEST_PATH_IMAGE026
其中，
Figure 495752DEST_PATH_IMAGE027
、
Figure 503022DEST_PATH_IMAGE028
分别为正、负反应极化系数；
欧姆极化过程由如下公式描述：
Figure 700785DEST_PATH_IMAGE029
其中，
Figure 841916DEST_PATH_IMAGE030
为等效欧姆内阻；
端电压
Figure 74315DEST_PATH_IMAGE031
由如下公式描述：
Figure 501754DEST_PATH_IMAGE032
其中，建模所需的辨识参数为13个，分别为锂电池正、负极活性粒子初始嵌锂浓度
Figure 249130DEST_PATH_IMAGE033
、
Figure 866056DEST_PATH_IMAGE034
，正、负极嵌锂浓度分数的最大变化范围
Figure 890644DEST_PATH_IMAGE011
、
Figure 302034DEST_PATH_IMAGE010
，正、负极容量
Figure 536706DEST_PATH_IMAGE035
、
Figure 377229DEST_PATH_IMAGE036
，正、负极固相扩散时间 常数
Figure 318641DEST_PATH_IMAGE015
、
Figure 228828DEST_PATH_IMAGE016
，液相扩散时间常数
Figure 888479DEST_PATH_IMAGE023
，液相扩散比例系数
Figure 784891DEST_PATH_IMAGE024
，正、负反应极化系数
Figure 643126DEST_PATH_IMAGE027
、
Figure 661897DEST_PATH_IMAGE028
，等 效欧姆内阻
Figure 730216DEST_PATH_IMAGE030
。
3.根据权利要求1所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤二中，锂电池充满电后，根据锂电池实际可接受的充放电倍率对锂电池进行倍率从小到大、先放后充的交叉放充电，每次放电、充电的持续时间为1分钟，每次充电或放电完成后均需搁置锂电池30分钟；各充电倍率和放电倍率从小到大进行一轮为1个循环，经过若干循环直至达到放电截止电压。
4.根据权利要求1所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤二中，所述劣化实验在恒温箱中进行，以固定倍率恒流恒压充电至充电截止电压、固定倍率恒流放电至放电截止电压的工况对锂电池进行劣化实验，每次循环进行脉冲工况，并记录锂电池当前对应的SOH。
5.根据权利要求1所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤二中，使用AdaBoost算法、决策树算法、随机森林算法对辨识参数进行敏感性分析，获得SOH、SOC、温度、充放电倍率对于辨识参数的重要性，并通过加权得到各辨识参数的重要性分数。
6.根据权利要求1所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤三中，使用AdaBoost算法、决策树算法、随机森林算法对辨识参数进行敏感性分析，获得辨识参数对于端电压的重要性，并通过加权得到各辨识参数的重要性分数。
7.根据权利要求2所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，步骤五中，所述负极电位
Figure 492636DEST_PATH_IMAGE038
由如下公式描述：
Figure 470956DEST_PATH_IMAGE039
其中，
Figure 332733DEST_PATH_IMAGE040
为负极开路电势。
8.根据权利要求7所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于，利用UKF实时更新获取准确的SOC，以SP+模型得到的锂电池仿真端电压作为估计值，以实测端电压作为观测值，计算估计值与观测值之间的相对误差，并对相对误差进行更新；当相对误差<1%时，认为SOC准确。
9.根据权利要求7所述的基于集成学习的锂电池析锂状态在线监控方法，其特征在于， 当
Figure 966977DEST_PATH_IMAGE041
时，判断锂电池处于正常状态；当
Figure 329825DEST_PATH_IMAGE042
时，判断锂电池接近析锂 状态；当
Figure DEST_PATH_IMAGE043
时，判断锂电池处于析锂状态。
CN202211381818.3A 2022-11-07 2022-11-07 一种基于集成学习的锂电池析锂状态在线监控方法 Active CN115494400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211381818.3A CN115494400B (zh) 2022-11-07 2022-11-07 一种基于集成学习的锂电池析锂状态在线监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211381818.3A CN115494400B (zh) 2022-11-07 2022-11-07 一种基于集成学习的锂电池析锂状态在线监控方法

Publications (2)

Publication Number Publication Date
CN115494400A true CN115494400A (zh) 2022-12-20
CN115494400B CN115494400B (zh) 2023-03-28

Family

ID=85116167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211381818.3A Active CN115494400B (zh) 2022-11-07 2022-11-07 一种基于集成学习的锂电池析锂状态在线监控方法

Country Status (1)

Country Link
CN (1) CN115494400B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559757A (zh) * 2023-07-04 2023-08-08 江苏天合储能有限公司 电池析锂电位预测准确性的验证方法、装置和电子设备
CN117633498A (zh) * 2024-01-25 2024-03-01 湖北工业大学 一种锂电池电化学模型参数辨识方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140210418A1 (en) * 2013-01-29 2014-07-31 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating State of Charge for Lithium-Ion Batteries
CN104899439A (zh) * 2015-06-02 2015-09-09 吉林大学 一种锂离子电池机理建模方法
CN105223508A (zh) * 2015-07-14 2016-01-06 上海空间电源研究所 锂离子电池内部性能状态无损检测方法
CN105891724A (zh) * 2016-05-05 2016-08-24 南京航空航天大学 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法
CN105932349A (zh) * 2016-06-07 2016-09-07 哈尔滨工业大学 一种锂离子电池长寿命快速充电方法
CN106450536A (zh) * 2016-11-09 2017-02-22 清华大学 一种锂离子电池快速充电方法
CN108761341A (zh) * 2018-06-01 2018-11-06 哈尔滨工业大学 一种锂离子电池电化学模型参数获取方法
CN109004694A (zh) * 2017-06-07 2018-12-14 宁德新能源科技有限公司 一种充电方法及装置
CN111082173A (zh) * 2019-12-06 2020-04-28 中国第一汽车股份有限公司 一种基于预防析锂的锂离子电池快速充电方法
WO2020116853A1 (ko) * 2018-12-06 2020-06-11 주식회사 엘지화학 이차 전지의 충전 장치 및 방법
KR20210014000A (ko) * 2019-07-29 2021-02-08 부산대학교 산학협력단 전지의 수학적 모델링 및 시뮬레이션을 통한 전지 성능 예측 방법
CN112436202A (zh) * 2020-10-22 2021-03-02 中车长春轨道客车股份有限公司 一种防止锂离子电池负极析锂的阶梯式电流充电方法
WO2021035736A1 (zh) * 2019-08-30 2021-03-04 Oppo广东移动通信有限公司 充电控制方法及装置、充电测试方法及系统、电子设备
CN112673266A (zh) * 2020-04-30 2021-04-16 华为技术有限公司 析锂检测方法及装置、极化比例的获取方法及装置
CN112703125A (zh) * 2020-08-10 2021-04-23 华为技术有限公司 一种锂电池的析锂检测方法及装置
CN113659245A (zh) * 2021-08-11 2021-11-16 东莞新能安科技有限公司 一种电化学装置加热方法、电化学装置及用电设备
CN114158276A (zh) * 2020-02-05 2022-03-08 株式会社Lg新能源 检测镀锂的方法和通过使用其来管理电池的方法和装置
CN114221049A (zh) * 2021-11-19 2022-03-22 东莞维科电池有限公司 一种电芯析锂的判断方法
WO2022063236A1 (zh) * 2020-09-27 2022-03-31 比亚迪股份有限公司 基于析锂检测的电池充电方法、系统、汽车及介质
WO2022063234A1 (zh) * 2020-09-27 2022-03-31 比亚迪股份有限公司 电池析锂状态检测方法、系统、汽车、设备及存储介质
CN114552038A (zh) * 2022-02-24 2022-05-27 中山大学 基于动态规划的锂电池无析锂快速充电方法及系统

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140210418A1 (en) * 2013-01-29 2014-07-31 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating State of Charge for Lithium-Ion Batteries
CN104899439A (zh) * 2015-06-02 2015-09-09 吉林大学 一种锂离子电池机理建模方法
CN105223508A (zh) * 2015-07-14 2016-01-06 上海空间电源研究所 锂离子电池内部性能状态无损检测方法
CN105891724A (zh) * 2016-05-05 2016-08-24 南京航空航天大学 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法
CN105932349A (zh) * 2016-06-07 2016-09-07 哈尔滨工业大学 一种锂离子电池长寿命快速充电方法
CN106450536A (zh) * 2016-11-09 2017-02-22 清华大学 一种锂离子电池快速充电方法
CN109004694A (zh) * 2017-06-07 2018-12-14 宁德新能源科技有限公司 一种充电方法及装置
CN108761341A (zh) * 2018-06-01 2018-11-06 哈尔滨工业大学 一种锂离子电池电化学模型参数获取方法
WO2020116853A1 (ko) * 2018-12-06 2020-06-11 주식회사 엘지화학 이차 전지의 충전 장치 및 방법
KR20210014000A (ko) * 2019-07-29 2021-02-08 부산대학교 산학협력단 전지의 수학적 모델링 및 시뮬레이션을 통한 전지 성능 예측 방법
WO2021035736A1 (zh) * 2019-08-30 2021-03-04 Oppo广东移动通信有限公司 充电控制方法及装置、充电测试方法及系统、电子设备
CN111082173A (zh) * 2019-12-06 2020-04-28 中国第一汽车股份有限公司 一种基于预防析锂的锂离子电池快速充电方法
CN114158276A (zh) * 2020-02-05 2022-03-08 株式会社Lg新能源 检测镀锂的方法和通过使用其来管理电池的方法和装置
CN112673266A (zh) * 2020-04-30 2021-04-16 华为技术有限公司 析锂检测方法及装置、极化比例的获取方法及装置
WO2021217662A1 (zh) * 2020-04-30 2021-11-04 华为技术有限公司 析锂检测方法及装置、极化比例的获取方法及装置
CN112703125A (zh) * 2020-08-10 2021-04-23 华为技术有限公司 一种锂电池的析锂检测方法及装置
WO2022032460A1 (zh) * 2020-08-10 2022-02-17 华为技术有限公司 一种锂电池的析锂检测方法及装置
WO2022063236A1 (zh) * 2020-09-27 2022-03-31 比亚迪股份有限公司 基于析锂检测的电池充电方法、系统、汽车及介质
WO2022063234A1 (zh) * 2020-09-27 2022-03-31 比亚迪股份有限公司 电池析锂状态检测方法、系统、汽车、设备及存储介质
CN112436202A (zh) * 2020-10-22 2021-03-02 中车长春轨道客车股份有限公司 一种防止锂离子电池负极析锂的阶梯式电流充电方法
CN113659245A (zh) * 2021-08-11 2021-11-16 东莞新能安科技有限公司 一种电化学装置加热方法、电化学装置及用电设备
CN114221049A (zh) * 2021-11-19 2022-03-22 东莞维科电池有限公司 一种电芯析锂的判断方法
CN114552038A (zh) * 2022-02-24 2022-05-27 中山大学 基于动态规划的锂电池无析锂快速充电方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIAOJUN TAN *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116559757A (zh) * 2023-07-04 2023-08-08 江苏天合储能有限公司 电池析锂电位预测准确性的验证方法、装置和电子设备
CN116559757B (zh) * 2023-07-04 2023-10-27 江苏天合储能有限公司 电池析锂电位预测准确性的验证方法、装置和电子设备
CN117633498A (zh) * 2024-01-25 2024-03-01 湖北工业大学 一种锂电池电化学模型参数辨识方法
CN117633498B (zh) * 2024-01-25 2024-04-23 湖北工业大学 一种锂电池电化学模型参数辨识方法

Also Published As

Publication number Publication date
CN115494400B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN107066722B (zh) 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法
CN106716158B (zh) 电池荷电状态估算方法和装置
CN102468521B (zh) 用于估计蓄电池健康状态的方法和装置
CN102565710B (zh) 用于估计蓄电池健康状态的方法和装置
CN112464571B (zh) 基于多约束条件粒子群优化算法的锂电池组参数辨识方法
CN112180274B (zh) 一种动力电池组快速检测测评方法
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN111366864B (zh) 一种基于固定压升区间的电池soh在线估计方法
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN107192956B (zh) 一种电池短路漏液在线监测方法和装置
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN109239602B (zh) 一种动力电池的欧姆内阻的估算方法
CN115639481B (zh) 基于大数据预测soc的电池数据预处理系统及方法
CN113687251B (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN115219918A (zh) 一种基于容量衰退组合模型的锂离子电池寿命预测方法
CN111983464B (zh) 一种基于纯电动车用锂电池析锂测试方法
CN116754971A (zh) 电池析锂检测的方法、设备及存储介质
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN114523878A (zh) 一种锂离子电池析锂安全预警方法及装置
CN114784397A (zh) 一种基于多时间尺度电池故障的汽车充电方法及系统
CN115047346B (zh) 一种锂电池soc估计的高阶卡尔曼滤波方法
Zhu A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant