锂电池剩余寿命预测方法、系统、终端设备及存储介质技术方案

本发明专利技术公开了一种锂电池剩余寿命预测方法、系统、终端设备及存储介质，其方法包括采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；对采集的各充放电曲线进行基于Nernst模型的参数提取；根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型；根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命，其中，所述待预测锂电池为两相反应锂电池。本发明专利技术通过采集的充放电曲线来提取Nernst模型的参数，可为锂电池的寿命预测提供电化学模型支持，以提高预测精度，且整个训练和预测过程较简单。个训练和预测过程较简单。个训练和预测过程较简单。

【技术实现步骤摘要】
锂电池剩余寿命预测方法、系统、终端设备及存储介质


[0001]本专利技术涉及锂电池领域，进一步地涉及一种锂电池剩余寿命预测方法、系统、终端设备及存储介质。

技术介绍

[0002]全球“碳中和”背景下，对可代替石油能源的清洁能源寻找热情持续升温。太阳能、潮汐能、风能、水能等是一种清洁的可持续利用能源，但能源产生的介质可控性相对不是很强。而锂离子电池是目前新一代二次电池、其具有较高的能量密度和循环寿命，被广泛应用于移动通信、数码科技、电动汽车、能源存储等领域，未来对锂离子电池及其材料的需求难以估量、其配套的上下游产业链也市场巨大，使得对于锂电池剩余寿命预测这方面的研究成为了一项研究热点。
[0003]锂电池剩余寿命预测的主要方法有三种：模型法、数据驱动法以及融合法。数据驱动法是目前应用中最为广泛的方法，这种方法不需要考虑锂电池内部的实际电化学反应和失效机理，直接从测试得到的电池性能测试数据和状态监测数据(如电压、电流、温度、阻抗等)中分析挖掘隐藏的电池健康状态信息及其变化规律，最终实现对锂电池的RUL预测。
[0004]目前主流的基于数据驱动的锂电池剩余寿命预测方法主要有：自回归时间序列模型、人工神经网络模型、支持向量机模型、高斯过程回归模型、粒子滤波模型等。这些模型虽然在进行锂电池剩余寿命预测时都有着各自的优缺点，但是这些方法仅停留在数据驱动，并没有电化学模型的支持，也没有实际过程中电化学参数的对应，其需要在精度和复杂性之间进行取舍和妥协。

技术实现思路

[0005]针对上述技术问题，本专利技术的目的在于解决现有锂电池剩余寿命预测方法没有电化学模型支持导致其需要在精度和复杂性之间进行取舍和妥协的技术问题。
[0006]为了实现上述目的，本专利技术提供一种锂电池剩余寿命预测方法，包括：
[0007]采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；
[0008]对采集的各充放电曲线进行基于Nernst模型的参数提取；
[0009]根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型；
[0010]根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命，其中，所述待预测锂电池为两相反应锂电池。
[0011]在一些实施方式中，构建Nernst模型的初始数学形式：
[0012][0013]对Nernst模型的初始数学形式进行优化，得到优化后的Nernst模型其中，优化后的Nernst模型的数学形式为：y＝k0ln(l0)+k0ln(x)+k1(1
‑
x)
‑1；
[0014]根据优化后的Nernst模型的数学形式对采集的充放电曲线进行拟合，得到各充放
电曲线对应的Nernst模型的参数k0、k1和l0；
[0015]其中，y为锂电池的端电压；x为锂电池的SOC值。
[0016]在一些实施方式中，所述根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型具体包括：
[0017]在不同工况下，以锂电池的剩余寿命作为标签，以k0、k1和l0值作为训练特征值，分别对不同的人工智能模型进行训练；
[0018]对训练好的不同人工智能模型赋予不同权重进行融合，得到锂电池的寿命预测模型。
[0019]在一些实施方式中，所述根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命具体包括：
[0020]采集待预测锂电池在某一工况下的充放电曲线；
[0021]根据待预测锂电池的充放电曲线，提取对应的Nernst模型的参数；
[0022]将提取的待预测锂电池的Nernst模型参数输入训练好的寿命预测模型中，输出待预测锂电池的剩余寿命。
[0023]根据本专利技术的另一方面，本专利技术进一步提供一种锂电池剩余寿命预测系统，包括：
[0024]数据采集模块，用于采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；
[0025]参数提取模块，用于对采集的各充放电曲线进行基于Nernst模型的参数提取；
[0026]模型训练模块，用于根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型；
[0027]寿命预测模块，用于根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命。
[0028]在一些实施方式中，所述参数提取模块包括：
[0029]模型构建单元，用于构建Nernst模型的初始数学形式，并对Nernst模型的初始数学形式进行优化；
[0030]其中，构建的Nernst模型的初始数学形式为：
[0031][0032]优化后的Nernst模型的数学形式为：
[0033]y＝k0ln(l0)+k0ln(x)+k1(1
‑
x)
‑1；
[0034]数据拟合单元，用于根据采集的充放电曲线对优化后的Nernst模型的数学形式进行拟合，得到各充放电曲线对应的Nernst模型的参数k0、k1和l0；
[0035]其中，y为锂电池的端电压；x为锂电池的SOC值。
[0036]在一些实施方式中，所述模型训练模块包括：
[0037]模型训练单元，用于在不同工况下，以锂电池的剩余寿命作为标签，以k0、k1和l0值作为训练特征值，分别对不同的人工智能模型进行训练；
[0038]模型融合单元，用于对训练好的不同人工智能模型赋予不同权重进行融合，得到锂电池的寿命预测模型。
[0039]在一些实施方式中，所述数据采集模块，还用于采集待预测锂电池在某一工况下的充放电曲线；
[0040]所述参数提取模块，还用于根据待预测锂电池的充放电曲线，提取对应的Nernst
模型的参数；
[0041]所述寿命预测模块，用于将提取的待预测锂电池的Nernst模型参数输入训练好的寿命预测模型中，输出待预测锂电池的剩余寿命。
[0042]根据本专利技术的另一方面，本专利技术进一步提供一种终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算机程序，实现上述任一实施方式所述的锂电池剩余寿命预测方法所执行的操作。
[0043]根据本专利技术的另一方面，本专利技术进一步提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述任一实施方式所述的锂电池剩余寿命预测方法所执行的操作。
[0044]与现有技术相比，本专利技术所提供的锂电池剩余寿命预测方法、系统、终端设备及存储介质具有以下有益效果：
[0045]1、本专利技术先采集两相反应锂电池的OCV
‑
SOC曲线，然后提供了两相反应锂电池OCV
‑
SOC曲线的一种精度较高的数学形式，即Nernst模型的数学形式本文档来自技高网...

【技术保护点】

【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：采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；对采集的各充放电曲线进行基于Nernst模型的参数提取；根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型；根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命，其中，所述待预测锂电池为两相反应锂电池。2.根据权利要求1所述的一种锂电池剩余寿命预测方法，其特征在于，所述对采集的各充放电曲线进行基于Nernst模型的参数提取具体包括：构建Nernst模型的初始数学形式：对Nernst模型的初始数学形式进行优化，得到优化后的Nernst模型其中，优化后的Nernst模型的数学形式为：y＝k0ln(l0)+k0ln(x)+k1(1
‑
x)
‑1；根据优化后的Nernst模型的数学形式对采集的充放电曲线进行拟合，得到各充放电曲线对应的Nernst模型的参数k0、k1和l0；其中，y为锂电池的端电压；x为锂电池的SOC值。3.根据权利要求2所述的一种锂电池剩余寿命预测方法，其特征在于，所述根据不同工况下锂电池的剩余寿命及提取的Nernst模型的参数训练寿命预测模型具体包括：在不同工况下，以锂电池的剩余寿命作为标签，以k0、k1和l0值作为训练特征值，分别对不同的人工智能模型进行训练；对训练好的不同人工智能模型赋予不同权重进行融合，得到锂电池的寿命预测模型。4.根据权利要求1至3任一项所述的一种锂电池剩余寿命预测方法，其特征在于，所述根据训练好的寿命预测模型及待预测锂电池在某一工况下的充放电曲线，预测所述待预测锂电池的剩余寿命具体包括：采集待预测锂电池在某一工况下的充放电曲线；根据待预测锂电池的充放电曲线，提取对应的Nernst模型的参数；将提取的待预测锂电池的Nernst模型参数输入训练好的寿命预测模型中，输出待预测锂电池的剩余寿命。5.一种锂电池剩余寿命预测系统，其特征在于，包括：数据采集模块，用于采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；参数提取模块，用于对采集的各充放电曲线进行基于Nernst模型的参数提取；模...

【专利技术属性】
技术研发人员：顾单飞，吴炜坤，丁鹏，郝平超，宋佩，赵恩海，严晓，陈晓华，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：