CN116449244A - 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 - Google Patents
基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 Download PDFInfo
- Publication number
- CN116449244A CN116449244A CN202310565772.9A CN202310565772A CN116449244A CN 116449244 A CN116449244 A CN 116449244A CN 202310565772 A CN202310565772 A CN 202310565772A CN 116449244 A CN116449244 A CN 116449244A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- data
- early
- voltage
- discharge
- 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.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 92
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 34
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 208000028659 discharge Diseases 0.000 description 131
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 18
- 229910001416 lithium ion Inorganic materials 0.000 description 18
- 238000011176 pooling Methods 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 229910002804 graphite Inorganic materials 0.000 description 8
- 239000010439 graphite Substances 0.000 description 8
- 238000005562 fading Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000007600 charging Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于单次放电曲线的锂电池老化轨迹早期预测方法及系统，该方法包括：对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。本发明基于电池寿命早期阶段的单次放电曲线数据，准确识别电池老化状态，实现复杂运行工况下的更高准确性、更早预测时间的电池老化轨迹的早期预测，具有广泛的适用性。
Description
技术领域
本发明属于电池管理技术领域，尤其涉及一种基于单次放电曲线的锂电池老化轨迹早期预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
锂离子电池被广泛应用在各种电子产品、电化学储能、电动汽车等诸多领域，对新能源的发展以及新技术的兴起具有重要的作用。在长期运行过程中，锂离子电池受其内部不可逆的物理、化学过程的影响，性能逐渐退化，严重影响系统运行的寿命和安全性。
因此，利用锂离子电池的早期循环数据对电池老化行为或状态进行准确预测，能够为锂离子电池的使用和优化带来新的机遇。例如，电池制造商可以通过较少的电池循环测试对新电池性能做出评估，优化电池制造过程；同时，用户可以实时监测电池未来容量衰减轨迹(即老化轨迹)，及时发现意外的电池老化过程，减少安全事故的发生；此外，依据预测的电池老化轨迹可以对新电池或退役电池分级利用，保证同组电池的一致性，以充分利用所有电池的性能，并减少安全事故的发生。鉴于锂离子电池在各领域的广泛用途，对电池进行准确的容量衰减轨迹早期预测是至关重要的，而复杂的非线性老化行为以及电池内部多变的老化机理使该预测工作具有极大的挑战性。
锂离子电池是一个多因素影响、老化机理强耦合、老化行为非线性的复杂系统，涉及多种动力学过程和电化学反应。目前，基于锂离子的损失、固体电解质界面膜的生长等电化学过程，提出了多种机理模型来模拟电池容量的退化，这种方法复杂度高且难以在复杂运行工况下准确模拟电池内部老化过程；得益于概率模型的发展，还提出了一种经验模型，通过经验模型来拟合和预测电池容量衰减轨迹。上述机理模型和经验模型在特定条件下可以准确描述电池容量退化情况，然而，由于耦合的老化机理和各种未知的副反应，构建在复杂运行工况下完全准确描述电池老化行为的模型仍很困难，其复杂程度高，模型难以构建。
近年来，人工智能技术和机器学习算法在诸多领域帮助科研人员有效地解决了参数和数据方面的挑战，并带来了超越专家水平的新见解。目前也提出了利用机器学习算法进行电池容量衰减估计预测的方法，但是，在现有文献中，将机器学习算法应用于容量衰减轨迹预测的研究主要关注历史容量数据与未来容量衰减轨迹的规律，然而，历史容量数据包含的信息有限，无法准确判断电池老化状态，难以进行准确的、更早预测时间的电池容量衰减轨迹的早期预测。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于单次放电曲线的锂电池老化轨迹早期预测方法及系统，在锂电池老化轨迹分析及预测中引入了电池放电曲线数据，基于电池寿命早期阶段的单次放电曲线数据，准确识别电池老化状态，实现复杂运行工况下的更高准确性、更早预测时间的电池老化轨迹/容量衰减轨迹的早期预测，具有广泛的适用性。
第一方面，本公开提供了一种基于单次放电曲线的锂电池老化轨迹早期预测方法。
一种基于单次放电曲线的锂电池老化轨迹早期预测方法，包括：
对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
进一步的技术方案，所述老化轨迹数据为放电容量-循环次数序列，所述放电容量-循环次数序列为从预测起始循环到寿命结束这一过程中均匀分布的放电容量值及其对应的循环次数所构成的序列。
进一步的技术方案，所述设定次数为20次，所述早期单次放电曲线数据为待测锂电池经过20个充放电循环后，在第20次放电时的放电曲线数据。
进一步的技术方案，所述早期预测模型的训练过程为：
对多块锂电池样本进行循环充放电测试，采集循环充放电测试过程中各锂电池样本的电流、电压数据，构建电池老化数据集；
基于一维GoogLeNet网络构建早期预测模型；
根据电池老化数据集，构建早期预测模型的输入和输出数据，以锂电池样本寿命早期的单次放电曲线数据作为模型的输入，将未来的电池老化轨迹作为模型的输出，训练所构建的早期预测模型。
进一步的技术方案，所述放电曲线数据的获取方法，包括：
设定放电曲线的电压范围，得到电压范围内的电压值序列及对应的放电安时数序列；
对放电安时数序列进行标准化处理，得到放电容量比序列；
利用B样条插值法，得到设定电压范围内均匀分布的电压值其对应的放电容量比，获取放电容量比-电压序列。
进一步的技术方案，所述放电容量比为放电安时数与标准放电容量的比值，公式为：
其中，Idis表示标准容量测试循环的放电电流；t表示在相应电压的时间点；vini和vend分别表示电压范围的起始电压和终止电压；vi表示电压范围内第i个电压值。
第二方面，本公开提供了一种基于单次放电曲线的锂电池老化轨迹早期预测系统。
一种基于单次放电曲线的锂电池老化轨迹早期预测系统，包括：
数据获取模块，用于对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
数据处理模块，用于根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
老化轨迹预测模块，用于将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种基于单次放电曲线的锂电池老化轨迹早期预测方法及系统，建立了电池早期单次放电曲线数据和全寿命周期的容量衰减数据两个不同维度数据的联系，克服了锂离子电池非线性老化行为早期预测精度低的难题，缩短了新电池的测试周期，仅需经过20个充放电循环测试并利用第20个循环的放电曲线数据即可实现准确的电池老化轨迹预测。
2、本发明所述方法基于电池寿命早期阶段的单次放电曲线数据，能够准确识别电池老化状态，随着训练数据集的不断丰富，该方法可以实现各类复杂运行工况下的容量衰减轨迹的准确预测；
3、本发明所述方法适用于各种材料体系的锂离子电池，而且在实际使用中，输入的单次放电曲线的电压范围可依据数据获取情况灵活调整，在电压窗口长度/电压范围为300mV时能够实现准确预测，最低100mV的电压窗口长度时可实现小于3％平均误差的准确电池老化轨迹早期预测。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例所述基于单次放电曲线的锂电池老化轨迹早期预测方法的整体流程图；
图2为本发明实施例构建的早期预测模型的示意图；
图3为本发明实施例中不同预测起始循环数对模型性能影响的示意图；
图4为本发明实施例中相似运行工况下电池容量衰减轨迹预测结果示意图；
图5为本发明实施例中不同运行工况下电池容量衰减轨迹预测结果示意图；
图6为本发明实施例中不同输入电压窗口对模型性能影响的示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
为了解决现有的预测电池未来容量衰减轨迹方法存在的准确性不高、难以实现早期预测的问题，考虑到电池的充放电曲线在表征电池老化机制中具有巨大的潜力，因此，本实施例将放电曲线数据引入到锂电池老化分析中，提出了一种基于单次放电曲线的锂电池老化轨迹早期预测方法及系统，实现更高准确性、更早预测时间以及更广泛适用性的电池容量衰减轨迹的预测。
本实施例提供了一种基于单次放电曲线的锂电池老化轨迹早期预测方法，如图1所示，包括以下步骤：
步骤S1、对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
步骤S2、根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
步骤S3、将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
进一步的，所述老化轨迹数据为放电容量-循环次数序列，所述放电容量-循环次数序列为从预测起始循环到寿命结束这一过程中均匀分布的放电容量值及其对应的循环次数所构成的序列。
本实施例所提出的锂电池老化轨迹早期预测方法中，构建并训练早期预测模型，利用该早期预测模型对待测锂电池进行老化轨迹早期预测。其中，该早期预测模型的训练过程具体如下：
首先，对多块锂电池进行循环充放电测试，通过电池老化实验，构建多种运行工况下的电池老化数据集，并将该数据集划分为训练集、验证集和测试集。具体的，在本实施例中，以48节NMC532/graphite锂离子电池为样本锂电池，对这些锂电池进行电池老化实验，即对这48节NMC532/graphite锂离子电池在9种不同的运行工况下进行充放电循环测试，每四个特定工况的循环之后进行一次标准容量测试循环。在充放电循环测试的过程中，设置充放电过程中的充放电电流倍率、充放电截止电压等参数，形成不同的运行工况，并获取不同老化过程(即不同运行工况)的电池容量衰减数据以及不同老化状态下的电池电压、电流、温度数据，构建电池老化数据集。
在本实施例中，共设置9种不同的运行工况，该运行工况包括：
(1)标准运行工况：0.5C恒流恒压充电至4.2V，1C恒流放电至3V；
(2)过放电运行工况：0.5C恒流恒压充电至4.2V，1C恒流放电至2V；
(3)过充电运行工况：0.5C恒流恒压充电至4.3V，1C恒流放电至3V)；
(4)1C大倍率充电：1C恒流恒压充电至4.2V，1C恒流放电至3V)；
(5)1.5C大倍率充电：1.5C恒流恒压充电至4.2V，1C恒流放电至3V)；
(6)2C大倍率充电：2C恒流恒压充电至4.2V，1C恒流放电至3V)；
(7)1.5C大倍率充电+过放电：1.5C恒流恒压充电至4.2V，1C恒流放电至2V；
(8)1.5C大倍率充电+过充电：1.5C恒流恒压充电至4.3V，1C恒流放电至3V；
(9)1C大倍率充电+过放电：1C恒流恒压充电至4.2V，1C恒流放电至2V。
在获取电池老化数据集的基础上，将数据集划分为训练集、验证集和测试集，其中，训练集包含在6种不同运行工况下测试的22节电池样本的老化数据，用于对早期预测模型进行训练；验证集包含在6种不同运行工况下测试的10节电池样本的老化数据，用于在模型训练过程中监测模型性能；测试集包含在与训练集和验证集相同的6种运行工况下测试的10节电池样本的老化数据，用于测试模型的性能，此外，测试集还包含在另外3种运行工况下测试的6节电池样本的老化数据，用于测试模型的泛化能力。
其次，构建早期预测模型。在本实施例中，基于一维GoogLeNet网络构建早期预测模型，该模型结构如图2所示，将现有的传统GoogLeNet网络中的卷积层、池化层等从二维转化成一维，在全局平均池化层(即Gobal Average Pool层)的输出展开后连接一个128节点的全连接层FC，该全连接层FC后再连接的一个21节点的全连接层作为最终的输出层。
具体的，GoogLeNet网络基于Inception网络构建获得，融合了不同尺度的特征信息，是一种带有稀疏性和具备高性能的网络结构。本实施例所构建的早期预测模型中，包括输入层以及与输入层依次连接的卷积层、最大池化层、批标准化层等，其后再经过多个一维Inception网络、最大池化层，最终通过全局平均池化层、全连接层、输出层，输出最终预测结果。其中，Inception网络结构中，将1×1、3×3、5×5的卷积层和3×3的最大池化层堆叠起来的，在3×3、5×5的卷积层之前和3×3最大池化层之后加1×1卷积层降维。Inception网络增加了网络的宽度，融合了不同小尺度的卷积与池化操作，能够达到更好的识别效果，将网络由深变宽，避免了网络太深出现梯度消失和模型退化的问题。此外，GoogLeNet网络还采取了全局均值池化策略，避免了全连接层参数过多而容易过拟合的问题。
在构建完成早期预测模型的基础上，根据获取的训练集数据，构建早期预测模型的输入和输出数据，以电池样本寿命初期/早期的单次放电曲线数据作为模型的输入，将未来的电池老化轨迹作为模型的输出，训练该早期预测模型，具体的：
单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列。放电曲线数据为预测起始循环时的电池放电过程中的％Q-V序列(即放电容量比-电压序列)，该序列的获取方法为：首先设定输入放电曲线的电压范围，得到电压范围内的电压值序列及对应的放电安时数序列，对放电安时数序列进行标准化处理得到放电容量比序列，即％Q序列，再通过B样条插值法，得到设定电压范围内均匀分布的电压值其对应的放电容量比％Q序列，其所构成的序列如下式所示：
其中，序列(v1,v2,…,vn)表示在设定电压窗口(即电压范围)内均匀分布的放电电压值；在本实例中n为201，表示输入序列的长度；序列(q1,q2,…,qn)表示各电压值对应的放电安时数与标准放电容量的比值，标准化处理的计算公式如下式所示：
其中，Idis表示标准容量测试循环的放电电流；t表示在相应电压的时间点；vini和vend分别表示输入电压窗口/电压范围的起始电压和终止电压；vi表示电压范围内第i个电压值。
早期预测模型的全连接层输出预测的老化轨迹数据，该老化轨迹数据为放电容量-循环次数序列，该放电容量-循环次数序列为从预测起始循环到寿命结束这一过程中均匀分布的放电容量值及其对应的循环次数所构成的序列，从预测起始循环到寿命结束这一过程中均匀分布的放电容量值所对应的循环数，如下式所示：
其中，[Qf1,Qf2,…,Qfm]表示从预测起始循环的容量到寿命结束时的容量均匀分布的放电容量；m为输出值的数目，在本实例中设置为21；表示电池容量衰减到相应容量时的循环次数，通过B样条插值得到从预测起始循环到寿命结束这一过程中的所有循环对应的容量值，如下式所示：
其中，cyclestart表示输入早期放电曲线数据所在的循环数，表示cyclestart循环时的放电容量，下标(cyclestart+i)表示cyclestart之后的第i个循环，表示(cyclestart+i)循环时的放电容量，cycleend表示电池容量衰减到额定容量的80％时的循环数。
利用训练集对早期预测模型进行训练，在训练过程中利用验证集监测模型性能，获得训练后的电池容量衰减轨迹早期预测模型。具体的，基于Keras对早期预测模型进行训练，为了防止训练过程中的过拟合，数据集被分为了训练集、验证集和测试集；利用训练集对模型进行训练，优化器为RMSProp，初始学习率为0.0001，损失函数为均方根误差，训练轮次为300；在训练过程中利用验证集监测模型性能，当验证损失在30个训练轮次内不再改善时，调整学习率为当前的0.1倍。通过上述方式进行训练，得到训练完成的早期预测模型。
最后，利用验证集的早期阶段的单次放电曲线数据，结合训练好的早期预测模型对新电池进行老化轨迹早期预测。具体的，对锂电池进行充放电循环测试，采集测试过程中锂电池的电压、电流等数据，仅经过20个充放电循环即可在测试集实现精确的预测，而随着电池循环数的增加，预测精度进一步提高，如图3所示，在预测起始循环数为20时，能够实现复杂运行工况下的电池容量衰减轨迹早期精准预测。即，在本实施例中，早期单次放电曲线数据为待测锂电池经过20个充放电循环后，在第20次放电时的放电曲线数据。
本实施例通过对预测结果的分析，进一步证明所述方法的准确性。所有数据集样本的预测结果的平均绝对误差和平均百分比误差的均值如下表1所示，该方法不仅可以对与训练集和验证集中运行工况相似的电池进行准确的电池容量衰减轨迹早期预测，如图4所示，而且可以对与训练集和验证集相差较大的运行工况进行准确预测，如图5所示。
此外，本实施例还进一步探究了不同输入电压窗口对模型性能的影响，如图6所示，在实际使用中输入的单次放电曲线的电压范围可依据数据获取情况灵活调整，最低100mV的电压窗口长度的数据即可实现小于3％的平均误差，当电压窗口增加到300mV时，大多数情况下均可实现准确预测，在实际使用中依据数据获取情况灵活调整输入电压窗口的大小和位置，使预测精度和数据获取难度达到一个平衡。
进一步地，将该早期预测模型应用于LFP/graphite锂离子电池的老化轨迹早期预测，所应用的电池数据为来自于Stanford-MIT的数据集，共包含169节LFP/graphite电池。一些电池由于存在异常的初始健康状态、放电数据以及寿命被排除，将剩余的电池划分为训练集(70节电池)、验证集(35节电池)和测试集(34节电池)。为了展示所提模型的广泛适用性，应用与NMC/graphite锂离子电池相同的超参数设置。利用第20个循环的电池放电曲线数据作为早期预测模型的输入，输入电压窗口为2.05V到3.55V。预测结果如下表2所示，该模型在LFP/graphite锂离子电池上同样也实现了准确的老化轨迹早期预测。
本实施例所述方法适用于各种材料体系的锂离子电池，通过上述实例验证了其在NMC532/graphite和LFP/graphite两种最常用的锂离子电池上的应用，进一步的，可将该方法扩展到其他材料体系的电池老化预测中。
综上，本实施例所提出的一种基于单次放电曲线的锂电池老化轨迹早期预测方法，根据电池寿命早期阶段的单次放电曲线数据，准确识别电池老化状态，实现复杂运行工况下的更高准确性、更早预测时间的电池老化轨迹/容量衰减轨迹的早期预测。
实施例二
本实施例提供了一种基于单次放电曲线的锂电池老化轨迹早期预测系统，包括：
数据获取模块，用于对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
数据处理模块，用于根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
老化轨迹预测模块，用于将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于单次放电曲线的锂电池老化轨迹早期预测方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于单次放电曲线的锂电池老化轨迹早期预测方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，包括：
对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
2.如权利要求1所述的基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，所述老化轨迹数据为放电容量-循环次数序列，所述放电容量-循环次数序列为从预测起始循环到寿命结束这一过程中均匀分布的放电容量值及其对应的循环次数所构成的序列。
3.如权利要求1所述的基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，所述设定次数为20次，所述早期单次放电曲线数据为待测锂电池经过20个充放电循环后，在第20次放电时的放电曲线数据。
4.如权利要求1所述的基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，所述早期预测模型的训练过程为：
对多块锂电池样本进行循环充放电测试，采集循环充放电测试过程中各锂电池样本的电流、电压数据，构建电池老化数据集；
基于一维GoogLeNet网络构建早期预测模型；
根据电池老化数据集，构建早期预测模型的输入和输出数据，以锂电池样本寿命早期的单次放电曲线数据作为模型的输入，将未来的电池老化轨迹作为模型的输出，训练所构建的早期预测模型。
5.如权利要求1所述的基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，所述放电曲线数据的获取方法，包括：
设定放电曲线的电压范围，得到电压范围内的电压值序列及对应的放电安时数序列；
对放电安时数序列进行标准化处理，得到放电容量比序列；
利用B样条插值法，得到设定电压范围内均匀分布的电压值其对应的放电容量比，获取放电容量比-电压序列。
6.如权利要求1所述的基于单次放电曲线的锂电池老化轨迹早期预测方法，其特征是，所述放电容量比为放电安时数与标准放电容量的比值，公式为：
其中，Idis表示标准容量测试循环的放电电流；t表示在相应电压的时间点；vini和vend分别表示电压范围的起始电压和终止电压；vi表示电压范围内第i个电压值。
7.一种基于单次放电曲线的锂电池老化轨迹早期预测系统，其特征是，包括：
数据获取模块，用于对待测锂电池进行设定次数的充放电循环测试，采集最后一次测试过程中待测锂电池的电压、电流数据；
数据处理模块，用于根据采集的电压、电流数据，计算获取待测锂电池的早期单次放电曲线数据；其中，单次放电曲线数据为单次放电过程中的放电容量比-电压序列，所述放电容量比-电压序列为设定电压范围内均匀分布的电压值及其对应的放电容量比所构成的序列；
老化轨迹预测模块，用于将待测锂电池的早期单次放电曲线数据输入至训练完成的早期预测模型中，输出待测锂电池的老化轨迹预测数据。
8.如权利要求7所述的基于单次放电曲线的锂电池老化轨迹早期预测系统，其特征是，所述老化轨迹数据为放电容量-循环次数序列，所述放电容量-循环次数序列为从预测起始循环到寿命结束这一过程中均匀分布的放电容量值及其对应的循环次数所构成的序列。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于单次放电曲线的锂电池老化轨迹早期预测方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于单次放电曲线的锂电池老化轨迹早期预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565772.9A CN116449244A (zh) | 2023-05-17 | 2023-05-17 | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310565772.9A CN116449244A (zh) | 2023-05-17 | 2023-05-17 | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116449244A true CN116449244A (zh) | 2023-07-18 |
Family
ID=87133892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310565772.9A Pending CN116449244A (zh) | 2023-05-17 | 2023-05-17 | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449244A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226281A (zh) * | 2024-05-24 | 2024-06-21 | 深圳屹艮科技有限公司 | 锂离子电池的衰减轨迹预测方法、装置、设备和存储介质 |
-
2023
- 2023-05-17 CN CN202310565772.9A patent/CN116449244A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226281A (zh) * | 2024-05-24 | 2024-06-21 | 深圳屹艮科技有限公司 | 锂离子电池的衰减轨迹预测方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
| CN114280479B (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN111414709B (zh) | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN116381541B (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
| CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
| CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、系统、设备及介质 | |
| CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
| CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 | |
| CN112782585B (zh) | 一种基于电池衰减机制的寿命评估方法及系统 | |
| CN110133534B (zh) | 蓄电池老化趋势的评估方法 | |
| CN117074957B (zh) | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| CN117709396A (zh) | 一种锂离子电池能量状态预测方法 | |
| CN115267586B (zh) | 锂电池soh评估方法 | |
| CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
| CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 | |
| CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
| Zhang et al. | Capacity estimation for series-connected battery pack based on partial charging voltage curve segments | |
| CN111983458B (zh) | 并联电池最优模型判定及优化方法 | |
| Li et al. | Forecast of State of Charge and Adaptive Voltage for Lithium-ion Batteries Using Artificial Neural Network |
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 |