一种基于混合脉冲电压变化的锂电池寿命估算方法

摘要

本发明公开了一种基于混合脉冲电压变化的锂电池寿命估算方法，包括以下步骤：建立锂电池的等效电路模型；在经过不同充放电循环次数的混合脉冲电压变化曲线中提取六个包含不同信息的电压点；将不同循环次数下的电压点作为输入，对应的健康状态作为输出，采用BP神经网络训练输入与输出的关系；训练完毕过后，输入电池的混合脉冲电压变化曲线提取到的电压点，就可得到电池的健康状态，从而实现对寿命的估算。

说明书

技术领域

本发明涉及锂电池技术领域，尤其是涉及一种基于混合脉冲电压变化的锂电池寿命估算方法。

背景技术

近年来，由于高能量密度和循环寿命长的优势，锂离子电池被广泛用于电动汽车。但是，容量低于80％的锂离子电池将不再适合电动汽车中的应用。这些电池可以投入在智能电网中运行，预计其成本将大大低于回收利用。在智能电网的高可靠性应用中，健康状态(SOH)可以分为两个梯度。SOH大于80％的电池可用于电动设备应用(例如EV)，通常称为第一梯度。低容量电池(SOH范围为50％-80％)在智能电网中的应用主要着眼于解决可再生能源(风能和太阳能)的不稳定问题，并为分布式微网络系统和备用电源供电。由于低容量电池的老化过程较快，因此准确的在线寿命估算对于这些应用至关重要。通过可测量的信号(例如电压，电流等)探索健康指标是有效的。目前已经提出了基于阻抗，电压和充电曲线的健康指标。

大多数研究都认为，容量衰减可以用等效电路模型(ECM)中的内部电阻和其他参数的增加来表示。一些参考文献中表明，ECM中的扩散参数与寿命有很大的相关性。对于基于电压的指示器，参考文献中将脉冲激励的端电压响应用作健康指示器。此外，循环测试的统计信息可以用熵来描述，这反映了电池的老化。近年来，提出了基于健康指标的寿命估算方法，这些指标是根据增量容量(IC)，差分电压(DV)和端电压曲线得出的。参考文献中提出了一种基于六个特征参数的多指标系统，分别对应于从IC曲线提取的锂存量损失和电极材料损失。此外，参考文献中还提出了三种低相关性健康指标，即平均瞬态电阻(ATR)，校正标准偏差(CSD)和部分峰面积(PPA)。但是，这些方法未充分考虑健康指标的分散性。此外，这些方法主要针对电动汽车中的电池。因此，能够用于低容量电池寿命准确估算的指标尚待研究。

发明内容

有鉴于此，本发明的目的是针对现有技术的不足，提出一种基于混合脉冲电压变化的锂电池寿命估算方法，以混合脉冲电压变化变化曲线提取的六个电压点作为新的健康指标，准确地估算低容量电池寿命。

为达到上述目的，本发明采用以下技术方案：

一种基于混合脉冲电压变化的锂电池寿命估算方法，包括以下步骤：

建立锂电池的等效电路模型；

在经过不同充放电循环次数的混合脉冲电压变化曲线中提取六个包含不同信息的电压点；

将不同循环次数下的电压点作为输入，对应的健康状态作为输出，采用BP神经网络训练输入与输出的关系；

训练完毕过后，输入电池的混合脉冲电压变化曲线提取到的电压点，就可得到电池的健康状态，从而实现对寿命的估算。

进一步的，所述等效电路为2阶RC等效电路。

进一步的，所述包含不同信息的电压点为6个，分别为：

U

进一步的，所述锂电池的健康状态下降至某一阈值时电池寿命终止，对应的电池的健康状态用SOH表示，SOH的计算方式为：

其中Q

本发明的有益效果是：

本发明首先建立了锂电池的等效电路模型；在不同充放电循环次数下，从混合脉冲电压变化曲线中提取六个包含不同信息的电压点；采用BP神经网络训练电压点和健康状态的关系，从而实现寿命的估算，以混合脉冲电压变化曲线的六个电压点作为新的健康指标，减小了由于电池单体的不一致性带来的估计误差，降低了不同电池单体带来的分散性，有效地提高锂离子电池寿命估算方法的精度。

附图说明

图1是本发明的计算方法流程图。

图2是n阶RC等效电路模型。

图3是锂电池的充放电循环次数为515次时，混合脉冲电压随时间变化曲线；

图4为锂电池的充放电循环次数分别为0、250、330、430、515、560、579次时混合脉冲电压随时间变化曲线；

图5为分别使用本发明的方法、基于内部电阻的锂电池寿命估算方法、基于IC曲线的锂电池寿命估算方法和基于DV曲线的锂电池寿命估算方法进行计算的平均误差；

图6为分别使用本发明的方法、基于内部电阻的锂电池寿命估算方法、基于IC曲线的锂电池寿命估算方法和基于DV曲线的锂电池寿命估算方法进行计算的峰值误差。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为本发明的计算流程，具体包括以下步骤：

建立锂电池的等效电路模型

建立等效电路模型的原则为：

等效电路模型用于模拟电池中复杂的电化学过程并描述不同阶段。由于扩散现象变化非常缓慢，因此增加RC数量能显示出更好的仿真结果。建立n阶RC等效电路，R

在经过不同充放电次数的混合脉冲电压变化曲线中提取六个包含不同信息的电压点

以锂电池充放电循环次数为515次为例，绘制此时的锂电池等效电路中混合脉冲电压随时间变化曲线，曲线如图3所示，从混合脉冲电压变化曲线中提取6包含不同信息的电压点，这6个电压点分别为U

U

按照上述方法分别绘制锂电池的充放电循环次数分别为0、250、330、430、515、560、579次时，混合脉冲电压随时间变化曲线，将所有的变化曲线均放入一个坐标系中，如图4所示，分别提取不同的充放电循环次数对应的U

将不同循环次数下的电压点作为输入，对应的健康状态作为输出，采用BP神经网络训练输入与输出的关系

电池的健康状态用SOH表示，SOH的计算方式为：

Q

不同充放电循环次数的六个电压点即对应一个SOH，通过训练即可得到电压点和SOH的关系。

训练完毕过后，输入电池的混合脉冲电压变化曲线提取到的电压点，就可得到电池的健康状态，从而实现对寿命的估算

训练之后确定了BP神经网络的输入输出关系，此时根据电池的健康状态即可估算电池的寿命。

锂电池的健康状态下降至某一阈值时电池寿命终止，将训练完毕的BP神经网络应用于其他电池中，即可根据电压点得到电池的健康状态，电池的寿命也得以估算。

为了验证本发明提出的方法对锂电池寿命预测的准确程度，进行以下检验：

采用NCM电池来验证所提出方法的性能。仪器由一台Neware BTS-4000-5V/10A测试仪组成。将电池保存在25℃的恒温箱中。

在检验过程中，进行循环诱导老化测试(CAT)和校准测试(CT)的组合。当SOH低于50％时，CAT结束。CAT在三个SOC范围和DOD下进行，CAT的电池放电倍率为1C。将20个电池分为4组。

校准测试(CT)包括容量校准测试和混合脉冲功率表征(HPPC)测试。容量校准测试包括三个重复的恒流恒压(CC-CV)充电和1C放电曲线。将平均容量作为标称容量。HPPC测试旨在通过结合放电脉冲和再生脉冲的测试曲线来确定设备可用电荷和电压范围内的动态功率能力。

在每个组中，每个电池的容量都被估计，而其他四个电池用于建立BP神经网络训练模型。即使电池的寿命少于70％，BP神经网络训练模型也能在15个选定的周期内建立，显示出较高的估算精度。值得注意的是，考虑到五个测试电池的个体差异，得到的估算器鲁棒性足够强。

随着电池在诸如EES的其他应用中进一步老化，电池之间的分散性降低了上述方法的鲁棒性。因此，结果表明有必要使用BP神经网络训练消除分散性。

随着训练电池数量的增加，估计器的误差显著降低。因此，可以将BP神经网络训练的训练过程添加到电池制造商的测试中，以尽可能获得分散性小且足够大的训练集。电池投入使用后，可以直接使用基于BP神经网络训练模型来实现高精度的锂电池健康状态的估算。

分别采用本发明的方法、基于内部电阻的锂电池寿命估算方法、基IC曲线的锂电池寿命估算方法和基于DV曲线的锂电池寿命估算方法对锂电池的寿命进行计算，估算结果如图5和图6所示，本发明的平均误差和峰值误差均小于其他三种方法，且当训练集分别由5个电池组成时，被测电池的估计平均误差和峰值误差均小于1％和4％，如表1所示。BP神经网络训练减少了电池分散对估计的影响，这对低容量电池寿命估计的准确性和鲁棒性表现出良好的性能。

表1寿命估算误差

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。