CN115032540A - 锂离子电池健康状态估计方法、装置、设备及介质 - Google Patents

锂离子电池健康状态估计方法、装置、设备及介质 Download PDF

Info

Publication number
CN115032540A
CN115032540A CN202210351778.1A CN202210351778A CN115032540A CN 115032540 A CN115032540 A CN 115032540A CN 202210351778 A CN202210351778 A CN 202210351778A CN 115032540 A CN115032540 A CN 115032540A
Authority
CN
China
Prior art keywords
lithium
ion battery
model
health
state
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
CN202210351778.1A
Other languages
English (en)
Other versions
CN115032540B (zh
Inventor
张涛
刘亚杰
张亚军
王锐
黄生俊
周星
雷洪涛
黄旭程
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210351778.1A priority Critical patent/CN115032540B/zh
Publication of CN115032540A publication Critical patent/CN115032540A/zh
Application granted granted Critical
Publication of CN115032540B publication Critical patent/CN115032540B/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
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

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

Abstract

一种锂离子电池健康状态估计方法、装置、设备及介质，包括构建锂离子电池等效阻抗电路模型；获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；选取模型参数作为输入变量，锂离子电池容量数据作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。基于锂离子电池等效阻抗电路模型参数所建立的支持向量机回归预测模型不仅计算简单，且具有很高的预测精度以及很强的预测稳定性。

Description

锂离子电池健康状态估计方法、装置、设备及介质
技术领域
本发明属于锂离子电池技术领域，特别涉及一种锂离子电池健康状态估计方法、装置、设备及介质。
背景技术
锂离子电池因其环保无害、能量密度高、自放电率低、循环寿命长、输出电压高、无记忆效应、工作温度范围宽、重量轻等优势，在电子产品、新能源汽车、智能电网以及航空航天等领域得到了广泛的应用。在国家政策的重点支持下，经过多年的不懈努力，我国锂离子电池技术及产业均取得了从无到有、从模仿到自主创新的长足发展，锂离子电池材料体系从钴酸锂发展到磷酸铁锂、三元材料，再到高镍和富锰体系，制造技术从作坊式生产发展到现今的自动化、智能化生产，产业规模不断扩大，并逐步成为全球最大的锂离子电池生产地和消费地。
但是在长期复杂工况循环下，锂离子电池会不可避免地出现性能衰退，主要表现为内阻增加与容量衰减，而当电池性能下降到一定程度时，会很容易引发安全事故，比如三星note7手机电池爆炸、特斯拉汽车多次起火、比亚迪SUV混动车自燃、北京储能电站起火爆炸等。因此，对锂离子电池当前的健康状态(State of Health，SOH)展开估计，对于准确掌握电池系统的老化状态，及时纠正和规范对锂离子电池的操作，指导电池系统运行与维护以延长其循环寿命等，具有重要意义。
对于锂离子电池的SOH，通常从容量与内阻的角度进行定义，如式(1.1)与式(1.2)所示。
Figure BDA0003580839290000011
Figure BDA0003580839290000021
其中，基于容量的SOH表示为电池当前最大可用容量Qcur与额定容量Qmax的比值；基于内阻的SOH表示为电池当前内阻Rcur与寿命结束时内阻Reol的相对差距，Rbol表示电池寿命初期时的内阻。容量反映的是电池的能量特性，内阻反映的是功率特性，电池老化过程中最主要的表现就是容量损失与内阻增加。通常，当电池的容量下降到额定值的80％以下或当其内阻翻倍时，则认为电池寿命结束，因此，一个准确的电池SOH不仅可以提供电池当前的老化状态信息，对于剩余寿命预测也是至关重要的。
锂离子电池的健康状态及其寿命研究越来越受到重视，但相关的进展却仍处于起步阶段。一方面，锂离子电池的循环寿命长，导致电池的老化实验周期很长，而且在测试过程中需要对一些外部因素进行严格控制；另一方面，对锂电池SOH的深入研究需要了解电池内部的状态变量，但电池内部有着复杂的老化机理，外部面临高度耦合的老化因素，对内部状态的监测十分困难。
发明内容
针对现有技术存在的技术问题，本发明提出了一种锂离子电池健康状态估计方法、装置、设备及介质。
为实现上述技术目的，本发明提出的技术方案为：
一方面，本发明提供一种锂离子电池健康状态估计方法，包括：
构建锂离子电池等效阻抗电路模型；
获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
选取模型参数作为输入变量，锂离子电池容量数据作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
进一步地，基于等效电路元件及其阻抗频率响应函数，构建锂离子电池等效阻抗电路模型及其对应的阻抗频率响应函数。
所述等效电路元件包括电阻R、电容C、电感L以及恒相位元件Q，基于所述等效电路元件构建锂离子电池等效阻抗电路模型，得到所构建的锂离子电池等效阻抗电路模型的阻抗频率响应函数为：
Figure BDA0003580839290000031
其中w为频率，L、Ro分别用于描述阻抗谱极高频段的感抗特性以及欧姆内阻；RSEI表示锂离子扩散迁移通过固体电解质界面膜的电阻，CSEI表示锂离子扩散迁移通过固体电解质界面膜的电容效应；Rct表示电荷转移电阻，Qdl表示非理想条件下的双电层电容。电池双电层电容的性质介于电阻与电容之间，与理想电容的阻抗行为表现不一致，在阻抗谱上表现为中高频段半圆形的偏移，这被称作“弥散效应”。α为弥散指数，表示Qdl偏离理想电容的程度，当α＝1时，表示纯电容；α＝0时，表示纯电阻；α＝-1时，表示纯电感。
进一步地，利用非线性最小二乘法将所述锂离子电池等效阻抗电路模型的阻抗频率响应函数拟合到测得的电化学阻抗谱数据，完成参数辨识，获得对应的模型参数。
进一步地，选取与电池容量退化相关性强的模型参数作为输入变量。其中：基于皮尔逊相关性分析法对拟合得到的各个模型参数进行选择，进而得到与电池容量退化相关性强的几个模型参数。当然也可以通过绘制拟合得到的各个模型参数随着电池容量衰退的变化曲线图分析得到与电池容量退化关联性较强的几个模型参数。本发明中选取的与电池容量退化相关性强的模型参数有Ro，CSEI，Rct和Qdl。
另一方面，本发明提供一种锂离子电池健康状态估计装置，包括：
构建模块，用于构建锂离子电池等效阻抗电路模型；
数据模块，用于获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
参数辨识模块，用于根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
训练模块，用于选取模型参数作为输入变量，锂离子电池容量作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
估计模块，用于基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
另一方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
构建锂离子电池等效阻抗电路模型；
获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
选取模型参数作为输入变量，锂离子电池容量数据作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
构建锂离子电池等效阻抗电路模型；
获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
选取模型参数作为输入变量，锂离子电池容量数据作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
与现有技术相比，本发明的优点在于：
本发明构建锂离子电池等效阻抗电路模型对锂离子电池电化学阻抗谱数据进行解析，以深度挖掘阻抗谱数据中蕴含的电池老化状态信息。针对常用等效电路模型在拟合阻抗谱数据时所存在的精度差等问题，构建了一种改进的锂离子电池等效阻抗电路模型；基于改进的锂离子电池等效阻抗电路模型辨识拟合得到了表征锂离子电池内部极化过程的模型参数，能够精准地捕捉到阻抗谱数据的变化规律，为开展电池健康状态估计打下了坚实的基础。
基于锂离子电池等效阻抗电路模型参数所建立的支持向量机回归预测模型不仅计算简单，且具有很高的预测精度以及很强的预测稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明一实施例的流程图；
图2为典型的锂离子电池的电化学阻抗谱曲线图；
图3示出了几种常用等效阻抗电路模型图，其中(a)为单极化模型，(b)为单极化模型，(c)为多极化模型；
图4示出了6种常用等效阻抗电路模型对锂离子电池的电化学阻抗谱的拟合结果图，其中(a)为RC-1模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为RC-2模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为RC-3模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为RQ-1模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为RQ-2模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为RQ-3模型对25C06锂离子电池的电化学阻抗谱的拟合结果图；
图5为本发明一实施例构建的锂离子电池等效阻抗电路模型；
图6为基于图5所示模型对25℃恒温条件循环下、25C06锂离子电池的电化学阻抗谱的拟合结果图，其中(a)为基于图5所示模型对25℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为基于图5所示模型对25℃恒温条件下，循环数为40时25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为基于图5所示模型对25℃恒温条件下，循环数为80时25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为基于图5所示模型对25℃恒温条件下，循环数为120时25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为基于图5所示模型对25℃恒温条件下，循环数为160时25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为基于图5所示模型对25℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图；
图7为基于图5所示模型对35℃与45℃恒温条件循环下、25C06锂离子电池的电化学阻抗谱的拟合结果图；其中(a)为基于图5所示模型对35℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为基于图5所示模型对45℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为基于图5所示模型对35℃恒温条件下，循环数为100时25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为基于图5所示模型对45℃恒温条件下，循环数为100时25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为基于图5所示模型对35℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为基于图5所示模型对45℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图；
图8为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下的各模型参数变化曲线图；其中(a)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数L的变化曲线图，(b)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数R0的变化曲线图，(c)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数RSEI的变化曲线图，(d)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数CSEI的变化曲线图，(e)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数Rct的变化曲线图，(f)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数Qdl的变化曲线图；
图9为基于25C06锂离子电池的电化学阻抗谱数据拟合出的各模型参数随电池容量的变化曲线图，其中(a)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数L随电池容量的变化曲线图，(b)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数R0随电池容量的变化曲线图，(c)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数RSEI随电池容量的变化曲线图，(d)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数CSEI随电池容量的变化曲线图，(e)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数Rct随电池容量的变化曲线图，(f)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数Qdl随电池容量的变化曲线图；
图10为本发明一实施例中采用本发明提出的模型(模型2)以及另外一种模型(模型1)在三个锂离子电池数据集上的训练、测试结果结果对比图以及模型2对应的相对误差变化曲线图；其中(a)为模型1以及模型2在25C06锂离子电池数据集上的训练、测试结果对比图，(b)为模型2在25C06锂离子电池数据集上的相对误差变化曲线图，(c)为模型1以及模型2在35C02锂离子电池数据集上的训练、测试结果对比图，(d)为模型2在35C02锂离子电池数据集上的相对误差变化曲线图，(e)为模型1以及模型2在45C02锂离子电池数据集上的训练、测试结果对比图，(f)为模型2在45C02锂离子电池数据集上的相对误差变化曲线图；
图11为本发明一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细叙述来清楚说明本发明所揭示内容的精神，任何所属技术领域技术人员在了解本发明内容的实施例后，当可由本发明内容所教示的技术，加以改变及修饰，其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在一实施例中，参照图1，提供一种锂离子电池健康状态估计方法，包括：
(S1)构建锂离子电池等效阻抗电路模型；
(S2)获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
(S3)根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
(S4)选取模型参数作为输入变量，锂离子电池容量作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
(S5)基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
电化学阻抗谱是对锂离子电池交流阻抗进行测量的一种技术，通过给锂离子电池加载一系列不同频率的小振幅正弦电流信号，会产生相应的正弦电压响应，这两者的比值即锂离子电池的电化学阻抗谱。一系列不同频率下的锂离子电池的电化学阻抗谱就形成锂离子电池的电化学阻抗谱曲线。
测得的阻抗谱曲线一般由Nyquist图进行表示，横轴为阻抗Z(ω)的实部Re(Z)，通常用Z'表示，纵轴为负虚部-Im(Z)，通常表示为-Z″。如图2所示的是典型的锂离子电池的电化学阻抗谱曲线，测量频率从左到右逐渐降低，结合曲线的形状变化可分为极高频区域、高频区域、中频区域和低频区域。阻抗谱曲线包含了丰富的电池工作机理的信息：
i.极高频区域表征着电池的感抗行为，主要是受到电池卷绕结构的影响，与实轴的交点表示由电解液、电极材料和集流器等的接触电阻引起的欧姆电阻；
ii.高频区域呈半圆形，表示锂离子通过固体电解质界面膜过程引起的阻抗；iii.中频区域也呈半圆形，代表的是电荷转移过程引起的阻抗，也被称作电化学反应阻抗；
iv.低频区域近似一条射线，表示由锂离子在固、液相扩散过程中引起的阻抗。
电化学阻抗谱是一种无损的非侵入式电池分析技术，从较宽的频率范围对电池的阻抗进行测定，相较于其它电化学方法，可以获得更多关于电池电极反应动力学和界面结构的信息，是研究电极材料以及电池老化机理的重要方法。
进一步地，基于等效电路元件及其阻抗频率响应函数，构建锂离子电池等效阻抗电路模型及其对应的阻抗频率响应函数，其中：所述等效电路元件包括电阻R、电容C、电感L以及恒相位元件Q。
常用的锂离子电池等效阻抗电路模型有单极化模型、双极化模型以及多极化模型：
(1)单极化模型
单极化模型也被称作Thevenin模型，其模型结构如图3(a)所示，由一个电阻元件与一个RC并联组件串联而成，其中，电阻元件用以描述电池的欧姆内阻，RC并联组件用以描述电池的电化学极化过程，模型的阻抗频率响应函数如下所示。
Figure BDA0003580839290000091
(2)双极化模型
双极化模型是在Thevenin模型的基础上再串联一个RC并联组件，其模型结构如图3(b)所示，两个RC并联组件分别用于描述电池的电化学极化和浓差极化过程。其中，RSEI表示锂离子扩散迁移通过固体电解质界面膜的电阻，CSEI为扩散电容；Rct表示电荷转移电阻，Cdl为双电层电容，模型的阻抗频率响应函数如下所示。
Figure BDA0003580839290000092
(3)多极化模型
多极化模型由3个及以上的RC并联组件串联而成，其模型结构如图3(c)所示，多个并联RC组件用于综合描述电池内部复杂的极化过程，串联的组件数越多，模型对于真实电化学系统的仿真度也就越高，但同时，参数过多也会增加计算的复杂性与不确定性，对模型参数进行解释也会变得困难，通常情况下，电化学研究分析的等效电路包含不超过3个RC并联组件。模型的阻抗频率响应函数如下所示。
Figure BDA0003580839290000101
对于以上所介绍的模型，其中的电容元件均可以替换为恒相位元件以克服“弥散效应”的影响。因此常用模型有：
1、单极化模型：RC-1
2、双极化模型：RC-2
3、三极化模型：RC-3
4、带恒相位元件的单极化模型：RQ-1
5、带恒相位元件的双极化模型：RQ-2
6、带恒相位元件的三极化模型：RQ-3
为了充分分析电池老化对于等效电路模型拟合结果的影响，本发明一实施例中选取了25℃恒温条件循环下，Eunicell公司生产的25C06锂离子电池在中高频及以上频段，循环数分别为1、100和200时的电化学阻抗谱数据。详细的拟合结果如表1所示，可以发现，所有模型在不同循环数下的拟合结果均没有大幅度的波动，展现出了较好的一致性，因此，选择第100个循环的拟合结果来对上述6中模型进行深入的分析比较。
表26种等效电路模型对25C06电池阻抗谱数据的拟合结果
Figure BDA0003580839290000102
Figure BDA0003580839290000111
如图4所示，图4中(a)为RC-1模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为RC-2模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为RC-3模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为RQ-1模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为RQ-2模型对25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为RQ-3模型对25C06锂离子电池的电化学阻抗谱的拟合结果图。从图4可以很清楚地看到，存在于阻抗谱中高频段的“弥散效应”使得各个RC元件模型在各个频段均展现出了较差的拟合结果，而在将理想电容替换为恒相位元件之后，拟合精度有了大幅的提高。而且随着RQ并联组件的增多，拟合的精度也越来越高，具体来说，RQ-1模型和RQ-2模型在高频段的拟合精度较好，RQ-3模型在中高频段都展现出了比其它两个模型更高的拟合精度。但与此同时，RQ-3模型有着更复杂的模型结构与更多的模型参数，一方面导致拟合出来的参数有着较大的偏差，可能会导致其失去实际的物理意义；另一方面需要更多的时间去实现参数寻优。此外，可以发现这三个模型由于元件的阻抗特性限制，对于极高频段的阻抗谱数据均没有很好地拟合到。
在本发明一实施例中，为了提高对于极高频段阻抗谱的刻画，引入了一个电感元件，基于所述等效电路元件构建如图5所示的锂离子电池等效阻抗电路模型。所构建的锂离子电池等效阻抗电路模型的阻抗频率响应函数为：
Figure BDA0003580839290000112
其中w为频率，L、Ro分别用于描述阻抗谱极高频段的感抗特性以及欧姆内阻；RSEI表示锂离子扩散迁移通过固体电解质界面膜的电阻，CSEI表示锂离子扩散迁移通过固体电解质界面膜的电容效应；Rct表示电荷转移电阻，Qdl表示非理想条件下的双电层电容。电池双电层电容的性质介于电阻与电容之间，与理想电容的阻抗行为表现不一致，在阻抗谱上表现为中高频段半圆形的偏移，这被称作“弥散效应”。α为弥散指数，表示Qdl偏离理想电容的程度，当α＝1时，表示纯电容；α＝0时，表示纯电阻；α＝-1时，表示纯电感。
本发明对所提出的改进模型结构的有效性进行了验证，首先选取了25℃恒温条件循环下，Eunicell公司生产的25C06锂离子电池在中高频及以上频段，循环数分别为1、40、80、120、160和200时的电化学阻抗谱数据，详细的拟合结果如表2所示。可以看到，相较于前面6种模型，改进后的模型拟合精度有了较大的提高，在不同循环下的阻抗谱数据上都展现出良好的一致性，且参数的最大偏差都被很好地限制在了10％以内，此外，模型的拟合计算时间与RQ-2模型近似，处于一个良好的范围，图6对这些拟合结果进行了形象直观的展示，图6中(a)为基于图5所示模型对25℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为基于图5所示模型对25℃恒温条件下，循环数为40时25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为基于图5所示模型对25℃恒温条件下，循环数为80时25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为基于图5所示模型对25℃恒温条件下，循环数为120时25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为基于图5所示模型对25℃恒温条件下，循环数为160时25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为基于图5所示模型对25℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图。
表2改进模型对25C06电池阻抗谱数据的拟合结果
Figure BDA0003580839290000121
本发明对所提出的改进模型在不同温度测得的阻抗谱数据上的有效性也是值得验证的，为此，本发明分别选取了35℃与45℃恒温条件循环下，Eunicell公司生产的25C06锂离子电池在中高频及以上频段，循环数为1、100和200时的电化学阻抗谱数据，来对改进模型进行拟合。详细的拟合结果如表3所示。可以看到，改进后的模型在不同温度下的数据集上也展现出了很高的拟合精度，参数最大偏差与计算时间也均在可接受的范围内，图7对这些拟合结果进行了形象直观的展示，图7中(a)为基于图5所示模型对35℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(b)为基于图5所示模型对45℃恒温条件下，循环数为1时25C06锂离子电池的电化学阻抗谱的拟合结果图，(c)为基于图5所示模型对35℃恒温条件下，循环数为100时25C06锂离子电池的电化学阻抗谱的拟合结果图，(d)为基于图5所示模型对45℃恒温条件下，循环数为100时25C06锂离子电池的电化学阻抗谱的拟合结果图，(e)为基于图5所示模型对35℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图，(f)为基于图5所示模型对45℃恒温条件下，循环数为200时25C06锂离子电池的电化学阻抗谱的拟合结果图。
表3改进模型对不同循环温度下电池阻抗谱数据的拟合结果
Figure BDA0003580839290000131
在本发明一实施例中，利用非线性最小二乘法将所述锂离子电池等效阻抗电路模型的阻抗频率响应函数拟合到测得的电化学阻抗谱数据，完成参数辨识，获得对应的模型参数。
在表4中所列的是利用25℃恒温条件循环下，Eunicell公司生产的25C06锂离子电池在中高频及以上频段时的阻抗谱数据拟合得到的不同循环下的模型参数，图8对模型参数的变化进行了直观的展示，图8中(a)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数L的变化曲线图，(b)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数R0的变化曲线图，(c)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数RSEI的变化曲线图，(d)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数CSEI的变化曲线图，(e)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数Rct的变化曲线图，(f)为在25℃恒温条件下，基于图5所示模型拟合得到的25C06锂离子电池不同循环下模型参数Qdl的变化曲线图。这里选取的循环数在寿命老化试验前期的间隔为20，因为由前期的分析可知，早期的电池阻抗谱曲线变化不是很显著，在120个循环之后，缩小循环间隔到10以充分展现出阻抗谱曲线的变化。从结果中可以发现：L的数量级非常小，且随循环数的变化规律不明显，R0随着电池的不断循环出现了逐渐增加的趋势，但趋势慢慢变缓，这体现了阻抗谱曲线在极高频段的缓慢变化；RSEI在大概150个循环之前呈下降趋势，与阻抗谱高频段弧形曲率的衰减相对应，150个循环之后开始逐渐增加；Rct随着循环数的增加呈现出了明显的变化规律，在大概150个循环之后出现了较大的增长幅度，这也正好解释了阻抗谱曲线在中频段出现的大幅扩张现象。
而且，参数的变化可以反映出锂离子电池内部的老化机理，比如：欧姆内阻Ro的增大来源于电池正负极集流体的腐蚀以及电解液的分解；电荷转移内阻Rct的增大则是由于固液相界面的老化，对参数的深入分析可以进一步揭示锂离子电池的老化机理，有助于对电池的健康状态做出一个全面的评估。
综上所述，基于本发明所提出的等效电路模型结构，可以对锂离子电池的电化学阻抗谱数据进行一个很好的拟合，且拟合得到的参数对阻抗谱数据随循环次数的变化有一个准确的刻画，也就是说，这些模型参数可以反映出电池的老化状态。接下来将基于这些模型参数与通过加速寿命老化试验得到的电池容量数据，用来对电池的健康状态做出估计。
表4本发明提出的改进模型对25C06电池不同循环数据的拟合参数
Figure BDA0003580839290000151
本发明所提出的锂离子电池等效阻抗电路模型能够高精度拟合锂离子电池的电化学阻抗谱，且拟合得到的参数对阻抗谱数据随循环次数的变化有一个准确的刻画，也就是说，这些参数可以反映出电池的老化状态。
本发明在上述实施例中选择了中高频及以上频段获取的锂离子电池的电化学阻抗谱数据以开展后续的研究，因为其更能反映电池的退化规律。本发明提出的锂离子电池等效阻抗电路模型，在不同温度、不同老化状态的阻抗谱数据上的验证结果表明，所提出的模型可以取得很高的拟合精度和参数稳定性。本发明接着通过试验在锂离子电池全寿命周期内的电化学阻抗谱数据上展开了等效电路模型的参数辨识，拟合得到的参数精确地捕捉了阻抗谱数据的变化规律，为开展电池健康状态估计打下了坚实的基础。
支持向量回归算法是一种经典的机器学习算法，它基于结构风险最小化原则构建学习机，其优点是具有全局最优性，不存在收敛速度慢以及需要大量训练数据的问题，基于有限的样本就能获得较好的训练与测试效果，且模型具有稀疏性，计算量较少。
本发明选取与电池容量退化相关性强的模型参数作为支持向量回归算法的输入变量，锂离子电池容量作为支持向量回归算法的输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型。其中：基于皮尔逊相关性分析法对拟合得到的各个模型参数进行选择，进而得到与电池容量退化相关性强的几个模型参数。当然也可以通过绘制拟合得到的各个模型参数随着电池容量衰退的变化曲线图分析得到与电池容量退化关联性较强的几个模型参数。本发明中选取的与电池容量退化相关性强的模型参数有Ro，CSEI，Rct和Qdl。
图9展示的是基于25C06电池全寿命周期阻抗谱数据拟合得到的各个模型参数随着电池容量衰退的变化曲线，图9中(a)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数L随电池容量的变化曲线图，(b)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数R0随电池容量的变化曲线图，(c)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数RSEI随电池容量的变化曲线图，(d)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数CSEI随电池容量的变化曲线图，(e)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数Rct随电池容量的变化曲线图，(f)为基于25C06锂离子电池的电化学阻抗谱数据拟合出的模型参数Qdl随电池容量的变化曲线图。可以发现，观察这些参数的变化规律，与电池容量退化关联性较强的有Ro，CSEI，Rct和Qdl，所以，本发明选择这四个参数来表征锂离子电池容量容量的退化状态，并作为支持向量回归算法的输入变量，输出为归一化的电池容量，以此来构建支持向量回归预测模型。输入变量和对应的输出变量构成数据集，将数据集划分为训练集和测试集，对该模型进行训练，得到训练好的支持向量回归预测模型。
将本发明构建的支持向量回归预测模型记为模型2。同时，为了对处理电化学阻抗谱数据的两种方式进行一个比较，本发明将电池每个循环的中高频及以上频段的阻抗谱数据的实部与虚部，共90个数据作为输入，构建了另一类支持向量回归模型，记为模型1。在建立模型时，各个电池前60％的循环数据用于模型的训练，后40％的数据用于模型的验证。
图10所示的是两类模型在在三个锂离子电池数据集上的训练、测试结果结果对比图以及模型2对应的相对误差变化曲线图，图10中(a)为模型1以及模型2在25C06锂离子电池数据集上的训练、测试结果对比图，(b)为模型2在25C06锂离子电池数据集上的相对误差变化曲线图，(c)为模型1以及模型2在35C02锂离子电池数据集上的训练、测试结果对比图，(d)为模型2在35C02锂离子电池数据集上的相对误差变化曲线图，(e)为模型1以及模型2在45C02锂离子电池数据集上的训练、测试结果对比图，(f)为模型2在45C02锂离子电池数据集上的相对误差变化曲线图。很显然，在所有案例上模型2的估计精度与稳定性都要高于模型1。模型1在训练阶段的预测值与实际值较为接近，但在测试阶段后期误差越来越大，有可能的原因是出现了过拟合问题。模型2除了在初期训练阶段对于电池容量快速衰退的预测精度不高之外，整体误差都被很好地限制在了3％以内，在45C02电池上的相对误差更是基本上都低于0.5％。此外，模型1的输入维度为90，而模型2的输入维度最大只有5，这之间的计算量差距是显而易见的。
为了对模型的性能进行一个量化评估，本发明采用了两种常用的误差分析方法：平均绝对误差(mean absolute error，MAE)与均方根误差(root mean square error，RMSE)，计算公式由下式给出：
Figure BDA0003580839290000171
Figure BDA0003580839290000172
其中，n为样本数，yi为实际值，
Figure BDA0003580839290000173
为模型预测值。分别计算各个测试数据集上模型的平均绝对误差与均方根误差，结果如表5所示。可以看到，模型2在三个测试数据集上的最大平均绝对误差还不到0.7％，最大均方根误差也仅0.726％。这进一步表明，基于等效电路模型参数所建立的支持向量回归模型不仅计算简单，且具有很高的预测精度以及很强的预测稳定性。
表5电池健康状态估计误差分析结果
Figure BDA0003580839290000181
在一实施例中，提供一种锂离子电池健康状态估计装置，包括：
构建模块，用于构建锂离子电池等效阻抗电路模型；
数据模块，用于获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
参数辨识模块，用于根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
训练模块，用于选取模型参数作为输入变量，锂离子电池容量作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
估计模块，用于基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
上述各模块功能的实现方法，可以采用前述各实施例中相同的方法实现，在此不再赘述。
在本实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述实施例中锂离子电池健康状态估计方法的步骤。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中锂离子电池健康状态估计方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中锂离子电池健康状态估计方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.锂离子电池健康状态估计方法，其特征在于，包括：
构建锂离子电池等效阻抗电路模型；
获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
选取模型参数作为输入变量，锂离子电池容量数据作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
2.根据权利要求1所述的锂离子电池健康状态估计方法，其特征在于，基于等效电路元件及其阻抗频率响应函数，构建锂离子电池等效阻抗电路模型及其对应的阻抗频率响应函数。
3.根据权利要求2所述的锂离子电池健康状态估计方法，其特征在于：所述等效电路元件包括电阻R、电容C、电感L以及恒相位元件Q，基于所述等效电路元件构建锂离子电池等效阻抗电路模型，得到所构建的锂离子电池等效阻抗电路模型的阻抗频率响应函数为：
Figure FDA0003580839280000011
其中w为频率，L、Ro分别用于描述阻抗谱极高频段的感抗特性以及欧姆内阻；RSEI表示锂离子扩散迁移通过固体电解质界面膜的电阻，CSEI表示锂离子扩散迁移通过固体电解质界面膜的电容效应；Rct表示电荷转移电阻，Qdl表示非理想条件下的双电层电容；α为弥散指数，表示Qdl偏离理想电容的程度，当α＝1时，表示纯电容；α＝0时，表示纯电阻；α＝-1时，表示纯电感。
4.根据权利要求1或2或3所述的锂离子电池健康状态估计方法，其特征在于：利用非线性最小二乘法将所述锂离子电池等效阻抗电路模型的阻抗频率响应函数拟合到测得的电化学阻抗谱数据，完成参数辨识，获得对应的模型参数。
5.根据权利要求3所述的锂离子电池健康状态估计方法，其特征在于：选取与电池容量退化相关性强的模型参数作为输入变量。
6.根据权利要求5所述的锂离子电池健康状态估计方法，其特征在于：基于皮尔逊相关性分析法对拟合得到的各个模型参数进行选择，进而得到与电池容量退化相关性强的几个模型参数；或者通过绘制拟合得到的各个模型参数随着电池容量衰退的变化曲线图进而分析得到与电池容量退化关联性较强的几个模型参数。
7.根据权利要求5或6所述的锂离子电池健康状态估计方法，其特征在于：选取得到的与电池容量退化相关性强的模型参数有Ro，CSEI，Rct和Qdl。
8.一种锂离子电池健康状态估计装置，其特征在于，包括：
构建模块，用于构建锂离子电池等效阻抗电路模型；
数据模块，用于获取不同充放电循环次数下锂离子电池的电化学阻抗谱及其对应的电池容量数据；
参数辨识模块，用于根据电化学阻抗谱数据对所述锂离子电池等效阻抗电路模型中各电器元件进行参数辨识，得到对应的模型参数；
训练模块，用于选取模型参数作为输入变量，锂离子电池容量作为输出变量，对支持向量机回归预测模型进行训练，得到训练好的支持向量机回归预测模型；
估计模块，用于基于训练好的支持向量机回归预测模型实现对锂离子电池健康状态的估计。
9.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行所述计算机程序时实现如权利要求1所述锂离子电池健康状态估计方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：处理器执行计算机程序时实现如权利要求1所述锂离子电池健康状态估计方法的步骤。
CN202210351778.1A 2022-04-02 2022-04-02 锂离子电池健康状态估计方法、装置、设备及介质 Active CN115032540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210351778.1A CN115032540B (zh) 2022-04-02 2022-04-02 锂离子电池健康状态估计方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210351778.1A CN115032540B (zh) 2022-04-02 2022-04-02 锂离子电池健康状态估计方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115032540A true CN115032540A (zh) 2022-09-09
CN115032540B CN115032540B (zh) 2024-09-20

Family

ID=83119651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210351778.1A Active CN115032540B (zh) 2022-04-02 2022-04-02 锂离子电池健康状态估计方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115032540B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115598534A (zh) * 2022-09-27 2023-01-13 西安交通大学（Cn） 一种基于电化学阻抗谱的锂电池过充电过放电检测方法
CN115684849A (zh) * 2022-09-15 2023-02-03 清华大学 高压气体绝缘输电设备绝缘子直流沿面闪络电压预测方法
CN115856690A (zh) * 2022-11-14 2023-03-28 广东电网有限责任公司 一种储能电池SoH检测方法、装置、设备及存储介质
CN115993551A (zh) * 2023-03-01 2023-04-21 北京航空航天大学 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法
CN116679217A (zh) * 2023-07-17 2023-09-01 广东电网有限责任公司 基于二阶等效电路的soh检测方法、装置、设备及介质
CN116908696A (zh) * 2023-07-18 2023-10-20 广东电网有限责任公司东莞供电局 一种基于阻抗谱的电池健康状态估计方法及系统
CN117214728A (zh) * 2023-11-09 2023-12-12 溧阳中科海钠科技有限责任公司 电池的劣化程度确定方法、装置、电子设备及存储介质
CN117388743A (zh) * 2023-10-31 2024-01-12 中国汽车工程研究院股份有限公司 基于锂离子电池机理模型的电动汽车soh快速检测方法
CN117825970A (zh) * 2024-02-05 2024-04-05 深圳市拓湃新能源科技有限公司 电池退化分析方法、装置、设备及存储介质
CN118501761A (zh) * 2024-07-17 2024-08-16 泉州装备制造研究所 一种基于eis多重相关分析的电池健康状态估计方法
CN118795372A (zh) * 2024-08-20 2024-10-18 江苏安之孚能源科技有限公司 一种储能电池健康状态监测方法、系统及存储介质
CN118818353A (zh) * 2024-06-28 2024-10-22 西安交通大学 一种结合铅酸电池老化机理的电池性能估计方法及系统
CN118914866A (zh) * 2024-10-10 2024-11-08 北京国电通网络技术有限公司 一种用于储能电站的电池状态评估系统
EP4484983A1 (fr) 2023-06-27 2025-01-01 Safran Electrical & Power Procédé de surveillance d'un état de santé d'une batterie
CN119259515A (zh) * 2024-12-09 2025-01-07 元能科技（厦门）有限公司 电池分选方法及电池自动分选设备
CN119362363A (zh) * 2024-12-25 2025-01-24 杭州沃伦森电气有限公司 基于电容器组支路阻抗监控的防止保护误动作的控制方法
CN119689291A (zh) * 2024-12-13 2025-03-25 上海轩邑新能源发展有限公司 电芯性能参数预测方法、装置及电子设备
CN119808599A (zh) * 2025-03-12 2025-04-11 安徽国麒科技有限公司 一种基于深度学习算法的eis技术的动力电池内部温度预估方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090047A (zh) * 2019-12-09 2020-05-01 泉州装备制造研究所 一种基于多模型融合的锂电池健康状态估计方法
CN111736085A (zh) * 2020-07-07 2020-10-02 中国检验检疫科学研究院 一种基于电化学阻抗谱的锂离子电池健康状态估计方法
CN113985306A (zh) * 2021-10-25 2022-01-28 重庆大学 固-液混合锂电池阻抗谱的等效电路模型建立方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111090047A (zh) * 2019-12-09 2020-05-01 泉州装备制造研究所 一种基于多模型融合的锂电池健康状态估计方法
CN111736085A (zh) * 2020-07-07 2020-10-02 中国检验检疫科学研究院 一种基于电化学阻抗谱的锂离子电池健康状态估计方法
CN113985306A (zh) * 2021-10-25 2022-01-28 重庆大学 固-液混合锂电池阻抗谱的等效电路模型建立方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭珮瑶: "基于相关向量机的锂电池健康状态估计和剩余寿命预测方法的研究", 硕士电子期刊, vol. 2022, no. 1, 15 January 2022 (2022-01-15) *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115684849A (zh) * 2022-09-15 2023-02-03 清华大学 高压气体绝缘输电设备绝缘子直流沿面闪络电压预测方法
CN115598534A (zh) * 2022-09-27 2023-01-13 西安交通大学（Cn） 一种基于电化学阻抗谱的锂电池过充电过放电检测方法
CN115856690A (zh) * 2022-11-14 2023-03-28 广东电网有限责任公司 一种储能电池SoH检测方法、装置、设备及存储介质
CN115993551A (zh) * 2023-03-01 2023-04-21 北京航空航天大学 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法
CN115993551B (zh) * 2023-03-01 2026-01-27 北京航空航天大学 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法
EP4484983A1 (fr) 2023-06-27 2025-01-01 Safran Electrical & Power Procédé de surveillance d'un état de santé d'une batterie
FR3150602A1 (fr) * 2023-06-27 2025-01-03 Safran Electrical & Power Procédé de surveillance d’un état de santé d’une batterie
CN116679217A (zh) * 2023-07-17 2023-09-01 广东电网有限责任公司 基于二阶等效电路的soh检测方法、装置、设备及介质
CN116908696A (zh) * 2023-07-18 2023-10-20 广东电网有限责任公司东莞供电局 一种基于阻抗谱的电池健康状态估计方法及系统
CN117388743A (zh) * 2023-10-31 2024-01-12 中国汽车工程研究院股份有限公司 基于锂离子电池机理模型的电动汽车soh快速检测方法
CN117214728B (zh) * 2023-11-09 2024-04-05 溧阳中科海钠科技有限责任公司 电池的劣化程度确定方法、装置、电子设备及存储介质
CN117214728A (zh) * 2023-11-09 2023-12-12 溧阳中科海钠科技有限责任公司 电池的劣化程度确定方法、装置、电子设备及存储介质
CN117825970A (zh) * 2024-02-05 2024-04-05 深圳市拓湃新能源科技有限公司 电池退化分析方法、装置、设备及存储介质
CN118818353A (zh) * 2024-06-28 2024-10-22 西安交通大学 一种结合铅酸电池老化机理的电池性能估计方法及系统
CN118501761A (zh) * 2024-07-17 2024-08-16 泉州装备制造研究所 一种基于eis多重相关分析的电池健康状态估计方法
CN118501761B (zh) * 2024-07-17 2024-10-11 泉州装备制造研究所 一种基于eis多重相关分析的电池健康状态估计方法
CN118795372A (zh) * 2024-08-20 2024-10-18 江苏安之孚能源科技有限公司 一种储能电池健康状态监测方法、系统及存储介质
CN118795372B (zh) * 2024-08-20 2025-02-18 江苏安之孚能源科技有限公司 一种储能电池健康状态监测方法、系统及存储介质
CN118914866B (zh) * 2024-10-10 2024-12-17 北京国电通网络技术有限公司 一种用于储能电站的电池状态评估系统
CN118914866A (zh) * 2024-10-10 2024-11-08 北京国电通网络技术有限公司 一种用于储能电站的电池状态评估系统
CN119259515A (zh) * 2024-12-09 2025-01-07 元能科技（厦门）有限公司 电池分选方法及电池自动分选设备
CN119259515B (zh) * 2024-12-09 2025-04-08 元能科技（厦门）有限公司 电池分选方法及电池自动分选设备
CN119689291A (zh) * 2024-12-13 2025-03-25 上海轩邑新能源发展有限公司 电芯性能参数预测方法、装置及电子设备
CN119362363A (zh) * 2024-12-25 2025-01-24 杭州沃伦森电气有限公司 基于电容器组支路阻抗监控的防止保护误动作的控制方法
CN119808599A (zh) * 2025-03-12 2025-04-11 安徽国麒科技有限公司 一种基于深度学习算法的eis技术的动力电池内部温度预估方法、系统、设备及介质

Also Published As

Publication number Publication date
CN115032540B (zh) 2024-09-20

Similar Documents

Publication Publication Date Title
CN115032540B (zh) 锂离子电池健康状态估计方法、装置、设备及介质
Che et al. State of health prognostics for series battery packs: A universal deep learning method
Xiong et al. A systematic model-based degradation behavior recognition and health monitoring method for lithium-ion batteries
Xia et al. State of health and remaining useful life prediction of lithium-ion batteries based on a disturbance-free incremental capacity and differential voltage analysis method
Wang et al. Estimation of state of health of lithium-ion batteries based on charge transfer resistance considering different temperature and state of charge
Huang et al. State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining
Kim et al. Transfer learning applying electrochemical degradation indicator combined with long short-term memory network for flexible battery state-of-health estimation
Piao et al. A feature extraction approach for state-of-health estimation of lithium-ion battery
CN106443467A (zh) 基于充电过程的锂离子电池充入电量建模方法与应用
Liu et al. Health estimation of lithium-ion batteries with voltage reconstruction and fusion model
Sun et al. State of health estimation of lithium-ion battery based on constant current charging time feature extraction and internal resistance compensation
Tang et al. State of health estimation based on inconsistent evolution for lithium-ion battery module
Qu et al. A joint grey relational analysis based state of health estimation for lithium ion batteries considering temperature effects
CN105866700A (zh) 一种锂离子电池快速筛选的方法
Jiang et al. Multiple health indicators assisting data-driven prediction of the later service life for lithium-ion batteries
Li et al. Characterizing degradation in lithium-ion batteries with pulsing
Zhao et al. Lithium-ion battery state-of-health estimation based on TVFEMD and BiLSTM-Attention
Liu et al. Degradation mechanism of sodium-ion batteries and state of health estimation via electrochemical impedance spectroscopy under temperature disturbances
CN120652335A (zh) 锂离子电池健康状态的估算方法及系统
Dai et al. State-of-health estimation of lithium-ion batteries using multiple correlation analysis-based feature screening and optimizing echo state networks with the weighted mean of vectors
Tang et al. State of charge estimation with representative cells-based hybrid model for lithium-ion battery pack
Zhou et al. Estimation of overcharge-induced degradation state in lithium-ion cells using differential thermal voltammetry and distribution of relaxation times
Patrizi et al. Study of Accelerated Ageing Effects on Hybrid Supercapacitors Under Different Fast-Charging Strategies
Lin et al. An Ensemble Convolutional Neural Network Based Transfer Learning Framework for Achievable Lithium-Ion Battery Health Perception in Flexible Charging Procedure
Padalkar et al. Impact of cooling on battery cycle life based on direct current internal resistance and machine learning model prediction

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