使用恒定电流脉冲比(CCIR)校准的旧电池快速筛选方法

摘要

根据测量的恒定电流脉冲比来筛选旧电池。使用恒定电流(CC)对用过的旧电池充电，直到达到电压目标，对电流进行积分，以获得所施加的CC电荷Qcc。然后继续使用电压目标的恒定电压(CV)对电池充电，直到充电电流降至最小目标电流。对CV周期内的电流积分，以获得施加的CV电荷Qcv。测量的CCIR是Qcc与(Qcc+Qcv)之比。测量的CCIR输入到校准曲线函数，以获得模型健康状态(SOH)值。根据模型SOH值对用过的旧电池进行分类，以再利用或处置。通过对新电池进行老化，获得CCIR和SOH数据，利用神经网络对其进行建模，得到校准曲线函数。

说明书

【技术领域】

本发明涉及电池筛选方法，特别涉及筛选老化或退役电池再利用的方法。

【背景技术】

电池被广泛应用于各种系统的供电。传统上许多电池供电系统的功耗较低，但最近对电动汽车(EV)使用的电池的需求正在增长。每辆电动汽车都需要一个大电池组，以提供推动电动汽车所需的大量动力。

电动汽车通常使用较昂贵的锂离子电池。这种先进电池中使用的化学物质会带来处置问题。有毒的化学物质会从废弃电池中泄漏，污染水源。随着电动汽车的普及，随着EV电池的退役，将给垃圾填埋场带来额外的负担。

回收锂离子电池和其他电池可能需要使用酸或高炉，这会引起其他环境问题。低利润率导致电池回收毫无吸引力。

特别是EV电池组可能会被提前更换。电动车制造商的建议可能会要求维修店更换低于确保EV运动性能所需的相当高放电容量的电池组。EV电池组可能会在所有电池单元耗尽之前被拆除。尤其是对于大型电池组，可能会有许多电池单元或电池组仍有相当的剩余使用寿命。这些电池单元可用于为功率要求不那么严格的其他系统供电，例如通信和计算机备用系统。与其将更换的EV电池丢弃在垃圾填埋场中或将其熔化，不如重新使用EV电池，将其使用寿命延长5至7年，从而提供了一种更可持续和环境友好的方法。

废旧电池的可用性可由其健康状态(SOH)比率来定义。SOH是指电池当前存储容量与该电池的初始或标称存储容量之比。存储容量约为电池的放电容量。

图1显示一个现有技术的电池容量测试。可以有许多变化，图1仅用于说明，不一定代表任何特定的电池测试。

准确测量电池的全部存储容量可能需要很多时间。快速充电或放电会使电池发热，影响测量。电池最初可能存储有剩余电量，需要在进行容量测量之前将其放电。

在步骤202，首先通过施加一个1C安培值的恒定电流(CC)将被测电池充电至3.8伏，然后一旦达到3.8伏的目标电压，则减小该电流以保持恒定电压(CV)或3.8伏电压。在CV阶段电流将下降，直到达到一个低电流值，例如0.01C，或者直到经过一段时间。

让电池冷却一小时后再进行下一步。同样，在步骤202的初始充电之前，可以让电池冷却10分钟。

在步骤204，在1小时的冷却时间后，使用固定电流值为1C的恒定电流(CC)对电池进行放电。一旦电池的电压从3.8伏降至2.8伏，就停止放电，让电池静置并冷却一小时。

然后在步骤206，通过施加1C的恒定电流(CC)将电池充电，使电池电压达到较高的4.25伏，当电池电压达到4.25伏时，进行恒定电压(CV)充电，电流会减小，以保持电池电压恒定在4.25伏。在充电电流降至较低阈值以下之后，充电结束，并使电池静置并冷却另外一小时。

最后在步骤208，使用仅先前放电电流的5％或0.05C的恒定电流(CC)对电池缓慢放电。该放电电流一直持续到电池电压达到2.8伏。通过将0.05C放电电流在达到2.8伏终点所需的时间内积分，来测量电池的放电容量。该积分电流可与新电池上进行类似测试的指定电量进行比较，以计算SOH比率。

当步骤204的1C放电超过一小时时，放电步骤208中的0.05C小电流可能需要较长的时间，例如20小时。总测试时间可能超过26小时，包括步骤202、204、206中长达一小时的休息静置时间。该冗长的测试时间既昂贵又不合需要。

现有的快速筛选方法，例如库仑计数法和内阻法，可能会受到如此长测试时间的影响。内阻法的拟合度可能较低。这些方法可能需要复杂的设置。

期望有一种旧电池的筛选方法。期望使用较高的电流来测量用过的电池的放电容量，以加快测试速度。期望使用恒定电流和恒定电压方法的组合来更快地确定电池的健康状况。期望有一种使用人工智能(AI)的校准方法来更快地筛选用过的电池。

【附图说明】

图1显示现有技术的电池容量测试。

图2A-2B是新旧电池的CC-CV充电图。

图3是根据CC-CV充电过程中测得的CCIR比值对电池进行测试和分类的方法。

图4更详细地显示了CCIR测试。

图5显示了对新电池进行老化以获得CCIR值以建模校准曲线的过程。

图6是SOH的校准曲线与CCIR的函数关系图。

图7显示了一个神经网络，用于建模SOH的校准曲线作为CCIR的函数。

图8显示了以测得的SOH为目标来训练神经网络以生成旧电池校准模型。

【具体实施方式】

本发明涉及对电池筛选的改进。下面的描述是为了使本领域普通技术人员能够在特定应用及其要求的背景下制造和使用本发明。对优选实施例的各种修改对于本领域的技术人员来说将是显而易见的，并且本文所定义的一般原则可应用于其它实施例。因此，本发明并不打算局限于所示和所述的特定实施例，而是要给予符合本文所公开的原则和新颖特征的最广泛的范围。

图2A-2B是新旧电池的CC-CV充电曲线图。在图2A，通过施加恒定电流(CC)，如0.2C，为新电池进行充电，直到电池电压，曲线312，在时间T1达到V2。恒定电流可以根据工作电流或电池规格文件中定义的标称电流来确定。然后在时间T1，充电模式从CC变为CV。在恒压(CV)模式下，施加于电池的电压保持固定在V2，同时调整充电电流。特别地，在CV模式期间，当电池接近充满电时，充电电流，曲线310，从I1下降。当达到某个终点，如充电电流降至阈值，如CC的10％或0.02C时，确定CV模式并停止充电。

在图2B，使用同样的CC-CV方法对旧电池进行充电。旧电池比新电池存储的电量少。因此，当在CC模式期间施加相同的恒定电流I1时，图2B的旧电池的电压达到目标电压V2的时间T1’比图1A的新电池更早。图2B的旧电池的电压曲线312’比图2A的新电池的曲线312更快地上升到V2。

旧电池内的内阻可能会增加，需要更短的CC模式的时间。图2B的旧电池的电流曲线310’的下降速度往往比图2A的新电池的电流曲线310慢。

恒定电流脉冲是电池达到目标电压所需的初始恒定电流脉冲。图2A的新电池的恒定电流脉冲周期是时间T1，图2B的旧电池的恒定电流脉冲周期是时间T1’。在恒定电流脉冲期间提供给电池的电荷Qcc，对于新电池为I1×T1，对于旧电池为I1×T1’。

在CV期间提供给电池的剩余电荷Qcv，可以通过积分CV期间内随时间变化的电流而获得。电流曲线310在CV阶段内，从T1到终点进行积分，以获得新电池的Qcv，而电流曲线310’在CV阶段内，从T1’到终点进行积分，以获得旧电池的Qcv。

电池的老化或健康状况可以表示为CC电荷与总电荷的恒流脉冲比(CCIR)，即

CCIR＝Qcc/(Qcc+Qcv)。

发明人认识到，CC-CV过渡点T1的偏移可以作为电池老化或健康的衡量指标。特别是，发明人测量T1之前的CC电荷Qcc，然后测量T1之后的CV电荷Qcv，以便能够计算恒定电流脉冲比(CCIR)。然后将CCIR与校准曲线进行比较，以确定电池的健康状态(SOH)。电池根据其SOH值进行分类、丢弃或再利用。

图3是根据CC-CV充电过程中测得的CCIR比值对电池进行测试和分类的方法。在步骤102，测量每个用过的电池的电压为Vcel。在步骤104，当Vcel高于最大电压Vmax或低于最小电压Vmin时，在步骤106，对电池进行处置。

在步骤104，进一步处理具有初始电压Vcel在Vmin和Vmax之间的电池。如图4所示，对用过的电池进行CCIR测试110，以测量CC模式期间的电量Qcc和CV模式期间的电量Qcv。通过Qcc和Qcv，计算出恒流脉冲比(CCIR)为Qcc/(Qcc+Qcv)。

在步骤112，将从CC和CV充电测量值计算出的CCIR值与校准曲线进行比较，以获得健康状态(SOH)值。通过重复的充电/放电循环对新电池的数据集进行老化(图5)，并使用AI建模以获得校准曲线(图6)。

在步骤114，被测电池的SOH与SOH阈值(例如75％)进行比较，在步骤106，将SOH低于阈值的电池进行处置。在步骤116，将高于SOH阈值的电池根据其SOH分为质量等级。分类的电池可基于质量等级而重新用于各种应用。一些应用可能比其他应用需要更高质量的再利用电池。例如，与SOH值在80和75％之间的电池相比，SOH高于95％的电池可以获得更高的价格，并用于要求更高的应用中。

图4更详细地显示了CCIR测试。在步骤142，首先使用0.2C的恒定电流对要测试的电池进行放电，直到达到目标最小电压Vmin。让电池冷却并静置休息一小时。

在休息时间之后，在步骤144，以0.2C的恒定电流(CC)对电池充电，直到达到目标最大电压Vmax。将恒定电流随时间进行积分以获得Qcc。Qcc被存储或以其他方式记录下来。

然后充电从CC模式切换到CV模式。电池电压保持恒定在Vmax，同时充电电流随时间减小以保持Vmax。在步骤146，一旦达到最小充电电流Imin，CV充电模式结束，电池休息并冷却3分钟。将从CV阶段开始时的0.2C下降到CV结束时的Imin的电流，在CV阶段的时间内进行积分，以获得CV电荷Qcv。Qcv存储在计算机存储器中或以其他方式记录下来。

在步骤148，为被测电池计算当前的CCIR。CCIR被计算为Qcc与Qcc+Qcv之比。CCIR表示CC阶段总电量的百分比。在步骤150，存储被测电池的CCIR值，例如写入计算机存储器中，如寄存器文件、SRAM、DRAM或硬盘。

图5显示了对新电池进行老化以获得CCIR值以建模校准曲线的过程。图5过程可以使用许多新电池重复进行，以获得一个数据集，其可以建立一个校准曲线的模型，该校准曲线可以用于对旧电池进行分类。

首先，使用0.2C的恒定电流对要测试的新电池进行放电，直到达到目标最小电压Vmin(步骤122)。让电池冷却并静置休息一小时。

在步骤124，在休息时间之后，以0.2C的恒定电流(CC)对电池充电，直到达到目标最大电压Vmax。对恒定电流随时间进行积分以获得Qcc。Qcc被存储或以其他方式记录下来。

然后充电从CC模式切换到CV模式。电池电压保持恒定在Vmax，同时充电电流随时间减小以保持Vmax。一旦达到最小充电电流Imin，CV充电模式结束，电池休息并冷却3分钟(步骤126)。将从CV阶段开始时的0.2C下降到和CV结束时的Imin的电流，在CV阶段的时间内进行积分，以获得CV电量Qcv。Qcv被存储在计算机存储器中或以其他方式记录下来。

在步骤128，使用0.2C的恒定电流对电池进行放电，直到达到Vmin。将0.2C恒定电流随时间进行积分，以获取老化电池的当前充电容量Cnow。老化电池的当前健康状态(SOH)计算为Cnow/Cinit，其中Cinit是老化之前电池的初始充电容量，可以在步骤128中测量，在步骤134中从充电/放电循环发生任何老化之前。

在步骤128，电池休息并冷却2小时。从步骤124获得的Qcc和从步骤126获得的Qcv计算出CCIR，即CCIR＝Qcc/(Qcc+Qcv)。在步骤130，CCIR和SOH都存储在计算机存储器中。

当SOH高于30％时(步骤132)，通过使用1C恒定电流进行50次放电/充电循环来老化电池(步骤134)。然后从步骤122开始重复CCIR序列。通过步骤134的放电/充电循环，电池的SOH逐渐减小。一旦SOH降至30％以下(步骤132)，将存储的CCIR和SOH数据应用于AI引擎，以生成SOH模型，作为CCIR的函数，即校准曲线(步骤138)。

图6是SOH的校准曲线与CCIR的函数关系图。通过图5的老化过程获得的SOH、CCIR数据点在图中绘制为点。校准曲线302是最适合这些数据点的最佳拟合函数。图3的步骤112使用校准曲线302来获得由旧电池的CC-CV充电期间的测量值计算出的CCIR的SOH模型值。

校准曲线302可以从这些(SOH，CCIR)数据点的AI建模中获得，例如使用最小二乘法寻找参数，使用神经网络进行优化。也可以使用其他统计方法。

人工神经网络(ANN)可用于生成SOH模型，作为CCIR的函数。人工神经网络对于以复杂方式处理大量非线性数据特别有用，而这些方式很难使用传统的计算机程序来定义。不是用指令进行编程，而是训练数据被输入到神经网络，并与预期输出进行比较，然后在神经网络内进行调整，并对训练数据再次进行处理和输出比较，以生成对神经网络的进一步调整。经过许多次这样的训练周期后，神经网络被改变，以有效地处理类似于训练数据和预期输出的数据。神经网络是机器学习的一个例子，因为神经网络学习如何为训练数据生成预期的输出。然后可以将类似于训练数据的真实数据输入到神经网络中，以处理实时数据。

图7显示一个神经网络，用于模拟SOH校准曲线，作为CCIR的函数。输入节点12接收输入数据CCIR，而输出节点60输出神经网络的运算结果SOH_CALC，它是输入CCIR值的SOH建模值。在此神经网络内进行两层运算。节点20、22、24、…、28、29每个都从输入节点12接收输入，进行小波函数运算，并将输出发送到第二层的节点。第二层节点52、54、…、58、59也接收多个输入，将这些输入组合起来以生成输出，例如通过生成乘积，然后将输出发送到第三层节点60，该节点同样对输入进行组合或相加，以生成输出。

每一级的输入通常都是加权的，因此在每个节点上都会生成加权和(或其他加权运算结果)。可以为节点上的每个输入分配一个权重，该权重乘以输入，然后再将所有加权输入相加、相乘或以其他方式由该节点进行运算以生成该节点的输出。这些权重对小波层中的节点20、22、24、…28、29被指定为A

这些权重可以存储在权重存储器100或另一个存储器中。由于神经网络通常具有许多节点，因此可能有许多权重要存储在权重存储器100中。每个权重可能需要多个二进制位来表示该权重的可能值的范围。权重通常需要8到16位。权重存储器100可以是SRAM、DRAM、闪存、磁盘或这些或其他计算机存储设备的各种组合。

图8显示使用测量的SOH作为目标来训练神经网络以生成旧电池校准模型。对旧电池进行测量，并在图5的步骤130中存储测量的CCIR和SOH数据。测量的CCIR数据被用作训练数据34，CCIR_MEAS。对应于CCIR_MEAS值的测量的SOH数据被记录为目标数据38，SOH_MEAS。SOH_MEAS的每个值对应于CCIR_MEAS的值，该值是在使用图5的过程测试旧电池寿命中同时测量的。

神经网络36接收训练数据34和当前一组权重A

神经网络36可以具有多个输出节点60，以从CCIR_MEAS的并行输入并行生成多个SOH_CALC值，而不是生成SOH_CALC的单个值。损失函数42可以并行地将SOH_CALC的多个值与SOH_MEAS的多个值进行比较，以产生损失函数值。

【替代实施例】

发明人还设想了若干其他实施例。例如，一些步骤的顺序或序列可以改变。作为一个示例，图5中的步骤130，存储CCIR和SOH数据可以发生在步骤128期间，而不是在该步骤之后。可以对神经网络有各种修改，例如具有更多的层或权重或不同的功能。可以输入更多的样本点，并且可以使用更多的迭代周期或时期。可以使用神经网络建模和优化来获得对校准曲线302的模型的非常好的拟合。

校准曲线302可以实现为一个查找表，当测量的CCIR被输入到查找表时，查找表输出一个模拟的SOH值。校准曲线302也可以被实现为由处理器如微处理器、中央处理单元、算术逻辑单元、协处理器或其他编程机器执行的功能。存储器可以是共享的或单独的、本地的、远程的或各种组合，处理器和其他计算块可以是共享的、分布式的、本地的、远程的或各种组合。

虽然校准端点如图5的步骤132所示为基于SOH阈值，但可以在收集到一定数量的数据点后或经过一定时间后、或步骤134的老化周期或重复次数达到一定数量、或其他一些标准，停止CCIR、SOH数据的收集。测试技术人员可以简单地用完时间并停止进一步的数据收集，然后继续进行步骤138以生成校准曲线302的模型。可以生成一个初始模型以供使用，然后从更多数据点中替换出一个更精细的模型。

使用CCIR建模和0.2C而不是0.05C，可以将旧电池的总体测试时间从26小时减少到6小时。SOH估计方法精度的提高，可以使用更高的电流，使测试时间更快。

尽管已经描述了积分电流以产生Qcc和Qcv，但是对于恒定电流的积分，可以将恒定电流乘以施加恒定电流的时间段。可以应用各种近似的积分方法，例如使用PWL或将电流乘以几个短时间周期中的每一个时间周期。库仑计数方法可用于随时间积分电荷。积分方法可以累积在小时间段内传输的电荷。

尽管不需要最初的深度放电，但是如果需要，可以在其他步骤中对电池进行预放电或预充电。休息时间可以缩短或延长。可以使用一个简单的电池台架测试装置，而不是复杂的测试台架。可以不将CCIR定义为Qcc/(Qcc+Qcv)，可以替代地将CCIR定义为Qcv/(Qcc+Qcv)，并根据新定义调整校准曲线302。

校准曲线可以通过一个或多个函数来近似，例如逐段线性(PWL)或多变量函数。SOH可以用CCIR的平方根、对数等项的方程来建模。

测试期间电池的温度应保持恒定值，如室温。电池充电或放电后的休息时间长度可以取决于充电/放电电流和电池的热性能。电池的热特性可能会随着年龄而变化，例如由于内部电阻增加而导致旧电池的发热增加。

从给定的示例中可以更改许多参数和值。电压如Vmax、Vmin、V2等以及电流C、I1可以有不同的值，或彼此的比率不同。Imin可以为0.02C，Vmax可以为4.2伏，Vmin可以为2.75伏，这只是众多示例之一。老化过程中每一步所使用的放电/充电循环次数可以调整为其他值，例如10次循环、100次循环等，具体取决于校准曲线302需要的精确程度。

测试校准的电池数量可以是一个相对较少的数字，如AI建模有效时的3个电池，或者当使用效果较差的建模时或当需要更精确的校准时，可以测试更多的电池，如100个电池。一些电池再利用应用可能不需要精确的SOH建模。理想情况下，测试校准的电池与被筛选的电池非常匹配，如制造商和型号相同。被测试电池可以是单个电池或电池组、单节或多节电池。

根据在利用电池的应用或预期用途，可以容忍一些测试误差。在某些情况下，可能会出现实际SOH的+/-3％的测试误差。当能够使用较大的电流来达到所需的测试精度或误差公差时，测试时间可能会缩短。

一些实施例可能不使用所有组件。可以添加其他组件。损失函数42可以使用各种误差/损失和成本生成器，例如权重衰减项，防止权重在训练优化的多个周期中增长太大；稀疏性惩罚则可以鼓励节点将其权重归零，因此只有总节点的一小部分是这样。许多替代、组合和变化是可能的。其他变化和损失或成本项可以添加到损失函数42中。可以调整不同成本函数的相对比例因子的值，以平衡各种函数的影响。神经网络的训练终点可以针对各种条件的组合进行设置，例如期望的最终精度、精度-硬件成本、目标硬件成本等。

可以使用软件、硬件、固件、例程、模块、功能等的各种组合，以多种技术来实现神经网络36、损失函数42和其他组件。最终结果、校准曲线302或校准函数生成器，可以从具有最终权重的神经网络36导出，并且可以作为程序模块来实现，或者在专用集成电路(ASIC)或其他硬件中实现，以提高处理速度和降低功耗。

本发明的背景部分可以包含关于本发明问题或环境的背景资料，而不是描述他人的现有技术。因此，在背景技术部分中包含的材料并不是申请人对现有技术的承认。

本文描述的任何方法或过程都是机器实现的或计算机实现的，旨在由机器、计算机或其他设备执行，而不是在没有机器辅助的情况下仅由人类执行。产生的有形结果可以包括报告或其他机器生成的显示在诸如计算机显示器、投影设备、音频生成设备和相关媒体设备的显示设备上，可以包括也是机器生成的硬拷贝打印输出。其他机器的计算机控制是另一个有形的结果。

所述的任何优点和好处不一定适用于本发明的所有实施例。当“手段”一词出现在权利要求元素中时，申请人意在该权利要求元素落入35 USC第112节第6款的规定。通常，在“手段”一词之前有一个或多个词的标签。在“手段”一词前面的一个或多个词是一个标签，目的是为了便于权利要求元素的引用，而不是为了表达结构上的限制。这种手段加功能的权利要求不仅要涵盖本文所述的用于执行该功能的结构及其结构等同物，而且要涵盖等效结构。例如，虽然钉子和螺钉具有不同的构造，但它们是等效结构，因为它们都执行紧固功能。未使用“手段”一词的权利要求不落入35 USC第112节第6款的规定。信号通常是电子信号，但也可以是光信号，例如可以通过光纤线路传输。

对本发明实施例的上述描述是为了说明和描述的目的而提出的。它并不打算是详尽的，也不打算将本发明限制在所公开的精确形式中。根据上述教学，许多修改和变化是可能的。其目的是本发明的范围不受本详细说明的限制，而是受附于权利要求书的限制。