一种电池组任意拓扑结构循环寿命推衍预测方法技术

本发明专利技术提供了一种电池组任意拓扑结构循环寿命推衍预测方法，仿真所有电池组典型结构的老化轨迹模型，生成描述拓扑结构的训练集，利用训练集训练先串后并拓扑结构循环寿命预测神经网络和先并后串拓扑结构循环寿命预测神经网络；给定设计要求的电池组，将电池组所有可能的拓扑结构分别输入训练完的先串后并拓扑结构循环寿命预测神经网络、先并后串拓扑结构循环寿命预测神经网络，用以预测拓扑结构电池组的循环寿命。本发明专利技术能最大程度发挥电池组的整体性能，降低单位标准循环条件下的运行成本。成本。成本。

【技术实现步骤摘要】
一种电池组任意拓扑结构循环寿命推衍预测方法


[0001]本专利技术涉及电池
，具体涉及一种电池组任意拓扑结构循环寿命推衍预测方法。

技术介绍

[0002]在现在的电池制造技术条件下，当单体电池串并联成组使用过程中，由于电池单体在生产、筛选、使用、维护等环节出现的电池参数不一致，使得成组后的电池模组往往达不到单电池使用的原有水平，这一不一致现象不仅会降低整组电池的使用效率、使用寿命，如果管理不当，甚至可能会带来不可控的安全问题。如何在现有条件下，通过对电池最佳串并联方式的寻优，达到电池模组在管理成本与使用寿命之间的平衡，从而在保证电池安全的前提下，最大程度发挥电池组的整体循环寿命，降低单位标准循环条件下的运行成本，实现储能系统的效益最大化，具有重要的理论与工程价值。
[0003]为了获取同一电池阵列条件下，所有可能拓扑结构的电池组的循环寿命，通过建立所有可能拓扑结构电池组仿真模型，仿真所有拓扑结构电池组，进而实现对最佳拓扑结构的标定。然而，搭建所有可能拓扑结构会消耗大量人力且普适性差。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种电池组任意拓扑结构循环寿命推衍预测方法，解决拓扑结构影响电池成组循环寿命的问题。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种电池组任意拓扑结构循环寿命推衍预测方法，具体为：
[0007]构建电池组先串后并拓扑结构循环寿命预测神经网络、先并后串拓扑结构循环寿命预测神经网络，神经网络的输入为：电池组拓扑结构包含串并联数组成的1
×
4向量，神经网络输出为：循环寿命指标；
[0008]仿真所有电池组典型结构的老化轨迹模型，得到典型结构电池组容量衰减至其额定容量的80％的循环次数，生成描述拓扑结构的1
×
4向量为输入、循环次数为输出的训练集；所述训练集用于训练先串后并拓扑结构循环寿命预测神经网络和先并后串拓扑结构循环寿命预测神经网络；
[0009]给定设计要求的电池组，将电池组所有可能的拓扑结构分别输入训练完的先串后并拓扑结构循环寿命预测神经网络、先并后串拓扑结构循环寿命预测神经网络，分别用以预测拓扑结构电池组的循环寿命。
[0010]进一步地，所述老化轨迹模型是通过以下方式获取的：
[0011]电池模型参数及其分布情况分别输入各单体电池老化轨迹模型，连续计算不同时刻各单体电池的电流及电压，利用各模型参数与容量损失量之间的关系，对所有单体电池容量与模型参数数值的实时更新，结合对电池组内极值电压的监控与活性锂损失连续递推计算SOH的计量，完成对整体模型的往复充放电仿真，进而最终建立电池组老化轨迹模型。
[0012]更进一步地，所述单体电池老化轨迹模型是基于对电池容量损失及其对单体模型参数的分析，所述单体模型参数包括电池内阻增加量和开路电压。
[0013]更进一步地，所述电池容量损失与电池内阻增加量之间的关系为：其中R
o
为电池的欧姆内阻，α1、α2是需要通过实验确定的模型参数，C
loss
为电池的容量损失，且θ1、θ2、θ3是需要实验确定的模型系数，T
k
、T
std
分别为工作温度与标准工作温度，Δt
chg,k
为两次监测间的实际充电时间。
[0014]更进一步地，所述Δt
chg,k
与成线性关系，具体为：其中E
a,SEI
为溶剂在SEI中扩散的活化能，R为气体常数。
[0015]更进一步地，所述开路电压与电池容量损失之间的关系为：对不同荷电状态SOC与不同健康状态SOH下的开路电压OCV进行插值计算。
[0016]更进一步地，所述活性锂损失连续递推计算SOH，具体为：
[0017][0018]其中，Q为电池初始额定容量，SOH
k
为电池健康状态。
[0019]进一步地，所述电池组典型结构包括先串后并结构、先并后串结构以及两者结合的混联结构。
[0020]进一步地，所述循环寿命指标为电池组容量衰减至其额定容量的80％的循环次数。
[0021]进一步地，包含串并联数组成的1
×
4向量，具体为：
[0022]先串后并顺序拓扑结构的1
×
4向量为：[单体至模组串联数单体至模组并联数模组至整体串联数模组至整体并联数]；
[0023]先并后串顺序拓扑结构的1
×
4向量为：[单体至模组并联数单体至模组串联数模组至整体并联数模组至整体串联数]；
[0024]若拓扑结构无模组至整体串联或并联，则向量中的第三、四位的模组至整体串联数或模组至整体并联数的数值为缺省值1。
[0025]本专利技术的有益效果为：本专利技术通过配置用于回归预测的BP神经网络，选取电池组典型结构并以可循环锂损失机理为基础建立典型结构的老化轨迹模型，在给定温度、电流倍率条件下对典型结构的老化轨迹模型仿真，得到典型结构电池组的循环寿命，从而生成BP神经网络的训练集，通过该训练集分别训练先串后并拓扑结构循环寿命预测神经网络与先并后串拓扑结构循环寿命预测神经网络，最终实现电池组任意拓扑结构循环寿命推衍预测；本专利技术通过推衍预测电池组任意拓扑结构的循环寿命，以循环寿命为标准，选取循环寿命最优的电池组拓扑结构，最大程度发挥电池组的整体性能，降低单位标准循环条件下的运行成本，有益于实现储能系统的效益最大化。
附图说明
[0026]图1为本专利技术所述电池组任意拓扑结构循环寿命推衍预测方法流程图；
[0027]图2为本专利技术所述神经网络结构示意图；
[0028]图3为本专利技术所述一阶R
‑
RC等效电路模型示意图；
[0029]图4为本专利技术实施例提供的电池组老化轨迹模型的构建过程图；
[0030]图5为本专利技术实施例提供的一种真实拓扑结构循环次数与本方法预测循环次数以及建模方法仿真得出的循环次数对比示意图。
具体实施方式
[0031]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0032]如图1所示，本专利技术一种电池组任意拓扑结构循环寿命推衍预测方法，具体包括如下步骤：
[0033]为了分析本专利技术方法的预测情况，以串联数为6、并联数为2的非典型阵列为例。本专利技术以广泛应用的磷酸铁锂/石墨(LFP/GIC)电池为实验样本，工作条件为1C电流倍率/25℃，进行拓扑结构循环寿命推衍预测，基于活性锂损失连续递推计算的典型拓扑结构循环寿命仿真的任意拓扑结构循环寿命推衍预测方法，具体包括如下步骤：
[0034]步骤(1)，构建电池组拓扑结构循环寿命预测的神经网络框架
[0035]步骤(1.1)，确定神经网络的输入与输出
[0036]电池成组拓扑结构主要包括先串后并结构、先并后串结构以及两者结合的混联结构，具体可归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池组任意拓扑结构循环寿命推衍预测方法，其特征在于：构建电池组先串后并拓扑结构循环寿命预测神经网络、先并后串拓扑结构循环寿命预测神经网络，神经网络的输入为：电池组拓扑结构包含串并联数组成的1
×
4向量，神经网络输出为：循环寿命指标；仿真所有电池组典型结构的老化轨迹模型，得到典型结构电池组容量衰减至其额定容量的80％的循环次数，生成描述拓扑结构的1
×
4向量为输入、循环次数为输出的训练集；所述训练集用于训练先串后并拓扑结构循环寿命预测神经网络和先并后串拓扑结构循环寿命预测神经网络；给定设计要求的电池组，将电池组所有可能的拓扑结构分别输入训练完的先串后并拓扑结构循环寿命预测神经网络、先并后串拓扑结构循环寿命预测神经网络，分别用以预测拓扑结构电池组的循环寿命。2.根据权利要求1所述的电池组任意拓扑结构循环寿命推衍预测方法，其特征在于，所述老化轨迹模型是通过以下方式获取的：电池模型参数及其分布情况分别输入各单体电池老化轨迹模型，连续计算不同时刻各单体电池的电流及电压，利用各模型参数与容量损失量之间的关系，对所有单体电池容量与模型参数数值的实时更新，结合对电池组内极值电压的监控与活性锂损失连续递推计算SOH的计量，完成对整体模型的往复充放电仿真，进而最终建立电池组老化轨迹模型。3.根据权利要求2所述的电池组任意拓扑结构循环寿命推衍预测方法，其特征在于，所述单体电池老化轨迹模型是基于对电池容量损失及其对单体模型参数的分析，所述单体模型参数包括电池内阻增加量和开路电压。4.根据权利要求3所述的电池组任意拓扑结构循环寿命推衍预测方法，其特征在于，所述电池容量损失与电池内阻增加量之间的关系为：其中R
o
为电池的欧姆内阻，α1、α2是需要通过实验确定的模型参数，C
loss
为电池的容量损失，且θ1、θ2、θ3是需要实验确...

【专利技术属性】
技术研发人员：裴磊，吴宝坤，王天鸶，郭城志，杨作栋，盘朝奉，
申请(专利权)人：江苏大学，
类型：发明
国别省市：