一种锂离子电池健康状态预测方法技术

本发明专利技术提供一种锂离子电池健康状态预测方法，包括将锂离子电池置于恒温环境中，待静置时间后，对锂离子电池进行恒流充放电循环；每充放电循环预设次数后，将锂离子电池置于室温环境中静置预设时间后，对锂离子电池进行一次容量标定；以一定倍率对电池进行恒流放电，当锂离子电池荷电状态值降低至设定值后，测量一次锂离子电池交流阻抗，建立动态阻抗谱；根据动态阻抗谱建立锂离子电池的等效电路，并根据等效电路对锂离子电池动态阻抗谱进行拟合得到拟合数据；提取拟合数据作为输入参量，代入BP神经网络模型中得到锂离子电池的健康状态；采用上述方案，提高健康状态检测的可靠度，减小预测误差，缩短预测时间，数据简单易获得，可以实现在线检测。

A method for predicting the health status of lithium-ion batteries

【技术实现步骤摘要】
一种锂离子电池健康状态预测方法
本专利技术属于锂离子电池健康状态预测
，具体涉及一种锂离子电池健康状态预测方法。
技术介绍
锂离子电池自专利技术以来，经过多年发展与革新，具备较高的能量密度和较长的循环寿命，现已广泛应用智能电网和电动汽车领域；然而电动汽车的实际运行环境非常复杂，要求电池在全寿命周期内持续保持稳定的电化学性能，但是电池系统组成复杂，工作时内部涉及各种电化学过程及热力学过程，长期稳定对锂离子电池来说是一个巨大的挑战，更重要的是实际使用过程中长期安全可靠是大容量锂离子电池在电动汽车中大规模、长时间应用的前提。健康状态（StateofHealth，SOH）是锂离子电池安全性和稳定性的重要指标，其准确预测是电池管理系统运行的前提和关键技术之一，对电动汽车安全和延长电池使用寿命至关重要，一直以来是研究的热点和难点问题。中国专利（CN109444762A）利用电池在稳定电流充电过程中的数据，采用数据融合的方法估计电池的健康状态，但是其估计过程较为复杂，需要较长静置时间，不适合工程实际应用。基于上述锂离子电池健康状态预测中存在的技术问题，尚未有相关的解决方案；因此迫切需要寻求有效方案以解决上述问题。
技术实现思路
本专利技术的目的是针对上述技术中存在的不足之处，提出一种锂离子电池健康状态预测方法，旨在解决现有。本专利技术提供一种锂离子电池健康状态预测方法，包括以下过程：S1：将锂离子电池置于恒温环境中，设定静置时间；S2：待静置时间后，对锂离子电池进行恒流充放电循环；S3：每充放电循环预设次数后，将锂离子电池置于室温环境中静置预设时间，然后再对锂离子电池进行一次容量标定；S4：根据S3步骤中获取的锂离子电池标定的容量以一定倍率对电池进行恒流放电，并且在锂离子电池放电过程中，当锂离子电池的荷电状态值降低至设定值后，测量一次锂离子电池的交流阻抗，建立动态阻抗谱；S5：根据S4步骤中获取动态阻抗谱建立锂离子电池的等效电路，并根据等效电路对锂离子电池动态阻抗谱进行拟合得到拟合数据；S6：提取拟合数据中的欧姆内阻、电荷转移内阻以及常相角元件参数作为输入参量，代入BP神经网络模型中得到锂离子电池的健康状态。进一步地，在S6步骤中，根据欧姆内阻、电荷转移内阻以及常相角元件参数计算出锂离子电池的健康状态的方法包括：S61：先建立BP神经网络模型，将欧姆内阻、电荷转移内阻、常相角元件参数作为输入参量，与之对应的健康状态作为输出参量，训练BP神经网络模型直至满足误差要求；S62：然后将欧姆内阻、电荷转移内阻、常相角元件参数代入训练好的BP神经网络模型中计算得到电池健康状态。进一步地，在S3步骤中，对锂离子电池进行容量标定方法为：将锂离子电池充电至满电状态，搁置一段时间，放电至空电态，再搁置一段时间，循环3次，取最后一次放电容量作为锂离子电池的标定容量。进一步地，S4步骤中，锂离子电池荷电状态值的设定值为5%～95%。进一步地，S2步骤中，锂离子电池充放电倍率为0.1～3C。进一步地，S3步骤中，锂离子电池充放电倍率为0.1～1C。进一步地，S5步骤中，对锂离子电池动态阻抗谱进行拟合时采用最小二乘法进行拟合。进一步地，S1步骤中，恒温环境的温度为-20～40℃；和/或，静置时间为0.5～3h。进一步地，S3步骤中，静置预设时间为2～5h；和/或，S3步骤中，预设次数为10～100次。进一步地，S4步骤中，交流阻抗的测量环境条件为：激励信号为电流，频率范围2000～0.1Hz。本专利技术提供的锂离子电池健康状态预测方法，解决了常规健康状态预测方法准确性低、耗时长的难题，提供一种利用直接测量的动态阻抗谱结合BP神经网络的方法，利用经过数据训练的BP神经网络对电池的健康状态进行预测，从而缩短了预测时间，提高了预测精度。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。以下将结合附图对本专利技术作进一步说明：图1为本专利技术三元锂离子电池不同循环次数与健康状态关系图；图2为本专利技术三元锂离子电池不同循环次数下的动态阻抗谱图；图3为本专利技术根据动态阻抗图数据建立的等效电路图；图4为本专利技术建立的BP神经网络模型示意图；图5为本专利技术BP神经网络训练效果图；图6为本专利技术一种锂离子电池健康状态预测方法流程图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。如图6所示，本专利技术提供一种锂离子电池健康状态预测方法，具体包括以下过程：S1：将锂离子电池置于恒温环境中，设定静置时间T；具体地，本步骤中，恒温环境的温度为-20～40℃，优选为25℃、33℃或36℃；本步骤中，静置时间T为0.5～3h，优选为0.7h、1h或2.6h；S2：待静置时间T过后，对锂离子电池进行恒流充放电循环；具体地，锂离子电池充放电倍率为0.1～3C，优选为0.2C、1C或2.4C；S3：每充放电循环预设次数N后，将锂离子电池置于室温环境中静置预设时间S，然后再对锂离子电池进行一次容量标定；具体地，本步骤中，锂离子电池充放电倍率为0.1～1C，优选为0.2C、0.4C或0.8C；进一步地，本步骤中，静置预设时间S为2～5h，优选为3h、4h以及5h；进一步地，本步骤中，预设次数N为10～100次，可以理解为，若预设次数为10次，则电池在循环10次后进行一次容量标定，以后电池每循环10的整数倍次后也进行一次容量标定；S4：根据S3步骤中获取的锂离子电池标定的容量以一定倍率对电池进行恒流放电，并且在锂离子电池放电过程中，当锂离子电池的荷电状态值降低至设定值后，测量一次锂离子电池的交流阻抗，建立动态阻抗谱；具体地，本步骤中，锂离子电池SOC(荷电状态，荷电状态,是指电池剩余容量与其完全充电状态的容量的比值,常用百分数表示，以反映电池的剩余电量情况)值的设定值为5%～95%，优选为55%、60%、75%或90%；进一步地，可以理解为，若设定值为95%，则在放电过程中，锂离子电池的SOC值若降低到95%，则在此时测量一次电池的交流阻抗；进一步地，本步骤中，恒流放电过程中的放电倍率为0.1～3C，优选为0.3C或1C或2C；S5：根据S4步骤中获取的动态阻抗谱做出不同循环次数下的动态阻抗谱，也即Nyqusit图。进一步地，根据动态阻抗谱建立锂离子电池的等效电路，并根据等效电路对锂离子电池动态阻抗谱进行拟合得到拟合数据；其中，等效电路包括电感、电阻和常相位角元件；具体地，本步骤中，对锂离子电池动态阻抗谱进行拟合时采用最小二乘法进行拟合；S6：提取拟合数据中欧姆内阻Rs、电荷转移内阻Rct、常相角元件Q1的参数Y1、常相角元件Q1的系数N1作为输入参数，对应的SOH值作为输出参数用于训练BP神经网络；本文档来自技高网...

【技术保护点】
1.一种锂离子电池健康状态预测方法，其特征在于，包括以下过程：/nS1：将锂离子电池置于恒温环境中，设定静置时间；/nS2：待静置时间后，对所述锂离子电池进行恒流充放电循环；/nS3：每充放电循环预设次数后，将所述锂离子电池置于室温环境中静置预设时间，然后再对所述锂离子电池进行一次容量标定；/nS4：根据S3步骤中获取的所述锂离子电池标定的容量以一定倍率对电池进行恒流放电，并且在所述锂离子电池放电过程中，当所述锂离子电池的荷电状态值降低至设定值后，测量一次所述锂离子电池的交流阻抗，建立动态阻抗谱；/nS5：根据S4步骤中获取所述动态阻抗谱建立锂离子电池的等效电路，并根据所述等效电路对锂离子电池动态阻抗谱进行拟合得到拟合数据；/nS6：提取所述拟合数据中的欧姆内阻、电荷转移内阻以及常相角元件参数作为输入参量，代入BP神经网络模型中得到锂离子电池的健康状态。/n

【技术特征摘要】
1.一种锂离子电池健康状态预测方法，其特征在于，包括以下过程：
S1：将锂离子电池置于恒温环境中，设定静置时间；
S2：待静置时间后，对所述锂离子电池进行恒流充放电循环；
S3：每充放电循环预设次数后，将所述锂离子电池置于室温环境中静置预设时间，然后再对所述锂离子电池进行一次容量标定；
S4：根据S3步骤中获取的所述锂离子电池标定的容量以一定倍率对电池进行恒流放电，并且在所述锂离子电池放电过程中，当所述锂离子电池的荷电状态值降低至设定值后，测量一次所述锂离子电池的交流阻抗，建立动态阻抗谱；
S5：根据S4步骤中获取所述动态阻抗谱建立锂离子电池的等效电路，并根据所述等效电路对锂离子电池动态阻抗谱进行拟合得到拟合数据；
S6：提取所述拟合数据中的欧姆内阻、电荷转移内阻以及常相角元件参数作为输入参量，代入BP神经网络模型中得到锂离子电池的健康状态。


2.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于，所述S6步骤中，根据欧姆内阻、电荷转移内阻以及常相角元件参数计算出锂离子电池的健康状态的方法包括：
S61：先建立BP神经网络模型，将欧姆内阻、电荷转移内阻、常相角元件参数作为输入参量，与之对应的健康状态作为输出参量，训练BP神经网络模型直至满足误差要求；
S62：然后将欧姆内阻、电荷转移内阻、常相角元件参数代入训练好的BP神经网络模型中计算得到电池健康状态。


3.根据权利要求1所述的锂离子电池健康状态预测...

【专利技术属性】
技术研发人员：田艳红，阮一钊，张坚，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11