一种锂电池剩余寿命预测方法及装置制造方法及图纸

本发明专利技术公开了一种锂电池剩余寿命预测方法及装置，装置包括AC‑DC转换模块、DC‑DC转换模块和控制板；预测方法包括以下步骤：首先使用AC‑DC转换模块对锂电池进行充电；然后使用DC‑DC转换模块进行放电；在放电期间，对电池的电压及电流信号进行采集，并通过串口转UDP模块、4G‑LTE数传模块上传至云服务器；服务器分别根据电池的放电电流信号和电压信号求得电池的可用容量CAP及电压信号的波动指数VCFI；然后将归一化处理后的CAP和VCFI作为特征，送到训练好的基于梯度提升决策树的预测模型中，通过映射即可求得电测的预测寿命。本发明专利技术提高了锂电池剩余使用寿命预测的精度。

A Method and Device for Predicting the Residual Life of Lithium Batteries

【技术实现步骤摘要】
一种锂电池剩余寿命预测方法及装置
本专利技术属于锂电池预测与健康管理
，涉及一种锂电池剩余寿命预测方法及装置。
技术介绍
锂电池由于其具有高能量密度，高电压，低自放电和循环寿命长等优点，在工业、农业、交通、通讯和航空航天领域得到了广泛的应用。然而，在电池周而复始的使用过程中，随着锂离子电池正负极材料的退化，内部涂层粘合强度的退化，以及过电压过电流等对电池形成的不可修复的损害，锂离子电池的剩余使用寿命在渐渐的缩短。在对锂电池的使用中，一旦忽视其剩余寿命，超限期、超负荷使用锂离子电池，轻则损坏电池及仪器设备，重则甚至造成严重的故障事故的发生。锂电池的剩余寿命预测对于系统设备的维护是必不可少的重要信息，根据寿命预测结果的分析对系统设备进行良好管理，可以提高系统或设备可用性和可靠性，同时降低或避免故障造成的重大损失。传统的锂电池剩余使用寿命预测方法主要是基于对锂电池的内部机制分析。机理分析方法是基于对电化学机理的深入研究，考虑内部变量(如电解质浓度，扩散系数)和外部影响因素(如电压，电流，温度和荷电状态)，然后建立电池退化现象的物理模型。然而，由于电池内部的复杂电化学反应和外部性能变化，使用基于机制的方法难以实施并难以保证锂电池寿命预测的精度。因此，有必要设计一种能够保证预测精度的锂电池剩余寿命预测方法及装置。
技术实现思路
本专利技术所解决的技术问题是，针对现有技术的不足，提供一种锂电池剩余寿命预测方法及装置，提高了锂电池剩余使用寿命预测的精度。一方面，本专利技术提供了一种锂电池剩余寿命预测方法，包括如下步骤：步骤1：对锂电池先充电至完全充满；步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。进一步地，所述步骤2中，在放电期间周期性采集锂电池的电压和放电电流，即首先采集初始锂电池电压和放电电流，再以初始锂电池电压和放电电流采集时间为起始时刻并每间隔一个周期采集一下锂电池的电压和放电电流；由采集到的数据绘制整个放电期间锂电池的电压曲线和放电电流曲线。进一步地，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI。其中，电池的可用容量CAP的计算公式为：其中，Δt为采样周期，M为整个放电期间(从开始时间ta至结束时间tb)内的采样点的个数；Ii为第i个采样点采集到的锂电池放电电流；电压曲线的信号波动指数VCFI的计算公式为：式中，yi为第i个采样点采集到的锂电池电压，μ为M个采样点采集到的电压的平均值，其中M为采样点的总数，ω为采样频率，ω＝1/Δt。进一步地，先对步骤3中提取到的特征进行归一化处理，再将归一化处理后得到的特征值输入到训练好的锂电池剩余寿命预测模型中进行计算。对某一特征X进行归一化处理是使用线性函数将其转换到[01]的范围，公式如下：其中Xnorm为特征X归一化处理后得到的特征值，Xmax和Xmin分别为所有训练样本相应特征的最大值和最小值。进一步地，所述锂电池剩余寿命预测模型为基于梯度提升决策树(GBDT)构建的模型(机器学习模型)。进一步地，训练锂电池剩余寿命预测模型的方法为：首先，由若干已知剩余使用寿命(已知标签)的锂电池构成训练样本集合；然后，对训练样本集合中的每一个训练样本，分别根据步骤1～步骤3提取其特征(包括电池可用容量CAP和电压曲线的信号波动指数VCFI)，即提取训练样本的特征；最后，以训练样本的特征为输入，训练样本的剩余使用寿命为输出，训练锂电池剩余寿命预测模型，确定模型参数，得到训练好的锂电池剩余寿命预测模型。进一步地，所述步骤1中，先对锂电池先进行恒流(CC)模式充电，再进行恒压(CV)模式充电；进一步地，所述步骤1中，通过AC-DC转换模块为锂电池充电；AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；通过控制板的PID控制实现锂电池的恒流模式和恒压模式充电。进一步地，所述步骤1中，恒流模式充电过程，以较大的电流(该值可根据经验设置)进行充电，以提高锂电池的充电效率，减少充电时间；待到电池快充满(电池电压达到预定值，预定值根据经验设定)时，改用恒压模式充电，恒压模式充电的恒定电压值，就是电池充满时的电压值，防止电池被过充电；最终当电流降至一定值时，AC-DC转换模块输出端的电压和电池的电压接近相等，充电结束。进一步地，所述步骤2中，通过DC-DC转换模块给锂电池放电；DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻(如功率为500W的黄金铝壳电阻)，控制端连接控制板；通过控制板的PID闭环控制实现锂电池的恒流模式放电。进一步地，所述步骤2中，恒流模式放电过程直到锂电池电压降至其终止电压(截止电压)时结束，对其进行更进一步的放电可能对电池造成不可逆的损伤。进一步地，所述控制板向AC-DC转换模块和DC-DC转换模块输出的控制信号为PWM信号。进一步地，控制板的充电控制信号和放电控制信号均为占空比可变的频率为0.05Hz的方波信号。控制信号的频率为0.05Hz，此值既保证了AC-DC和DC-DC转换模块中开关电路的开关频率能满足对控制信号的正确响应，又能保证控制模块能够及时地调整占空比，实现对AC-DC转换模块和DC-DC的输出电压和输出电流的精确控制，在保证锂电池安全的前提下能快速地进行放电。另一方面，本专利技术提供了一种锂电池剩余寿命预测装置，包括AC-DC转换模块、DC-DC转换模块、控制板、大功率电阻和数据采集模块；AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；所述AC-DC转换模块，用于将AC220V转换成DC对锂电池进行充电；DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻；所述DC-DC转换模块，用于将锂电池的电量以恒流方式向大功率电阻输出，实现锂电池的放电；所述预测装置采用上述方法进行锂电池剩余寿命预测，具体为：所述控制板向AC-DC转换模块和DC-DC转换模块输出PWM控制信号，先控制AC-DC转换模块对锂电池进行恒流(CC)模式充电，再对锂电池进行恒压(CV)模式充电；然后控制DC-DC转换模块对锂电池进行恒流模式放电；所述数据采集模块在锂电池放电期间采集其电压和放电电流，并传送给控制板；所述控制板通过自身或外接的其它数据处理装置，从数据采集模块采集到的数据中提取出锂电池的特征，将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。进一步地，所述外接的其它数据处理装置为云服务器。所述云服务器，具有高速网络带宽与高强度的计算能力，用于对采集的电池电压及电流信号进行特征提取，数据预处理，回归处理，建立评估模型得到待测电池的剩余使用寿命。进一步地，所述数据采集模块包括：用于实现与外部编码器数据交互的双口RAM、用于实现与协同控制模块通信的通信芯片、用于实现数据采集与电平转换的传感器、以及用于实现信号滤波的低通滤波电路。进一步地，所述控制板依次通过串口转UDP模块和4G-LTE数传模块连接至云服务器。所述本文档来自技高网...

【技术保护点】
1.一种锂电池剩余寿命预测方法，其特征在于，包括如下步骤：步骤1：对锂电池先充电至完全充满；步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。

【技术特征摘要】
1.一种锂电池剩余寿命预测方法，其特征在于，包括如下步骤：步骤1：对锂电池先充电至完全充满；步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI；其中，电池的可用容量CAP的计算公式为：其中，Δt为采样周期，M为整个放电期间(从开始时间ta至结束时间tb)内的采样点的个数；Ii为第i个采样点采集到的锂电池放电电流；电压曲线的信号波动指数VCFI的计算公式为：式中，yi为第i个采样点采集到的锂电池电压，μ为M个采样点采集到的电压的平均值，其中M为采样点的总数，ω为采样频率，ω＝1/Δt。3.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，先对步骤3中提取到的特征进行归一化处理，再将归一化处理后得到的特征值输入到训练好的锂电池剩余寿命预测模型中进行计算；对某一特征X进行归一化处理的公式如下：其中Xnorm为特征X归一化处理后得到的特征值，Xmax和Xmin分别为所有训练样本相应特征的最大值和最小值。4.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述锂电池剩余寿命预测模型为基于梯度提升决策树构建的模型。5.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，训练锂电池剩余寿命预测模型的方法为：首先，由若干已知剩余使用寿命的锂电池构成训练样本集合；然后，对训练样本集合中的每一个训练样本，分别根据步骤1～步骤3提取其特征，即提取训练样本的特征；最后，以训练样本的特征为输入，训练样本的剩余使用寿命为输出，训练锂电池剩余寿命预测模型，确定模型参数，得到训练好的锂电池剩余寿命预测模型。6.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤1中，先对锂电池先进行恒流模式充电，再进行恒压模式充电。7.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤1中，所述...

【专利技术属性】
技术研发人员：彭军，郑智勇，李恒，杨迎泽，张晓勇，程亦君，陈彬，黄志武，蒋富，刘伟荣，
申请(专利权)人：赛尔网络有限公司，中南大学，
类型：发明
国别省市：北京,11