CN111650527B - 电池寿命预测方法、电子装置以及存储介质 - Google Patents
电池寿命预测方法、电子装置以及存储介质 Download PDFInfo
- Publication number
- CN111650527B CN111650527B CN202010496898.1A CN202010496898A CN111650527B CN 111650527 B CN111650527 B CN 111650527B CN 202010496898 A CN202010496898 A CN 202010496898A CN 111650527 B CN111650527 B CN 111650527B
- Authority
- CN
- China
- Prior art keywords
- battery
- curve
- life
- working condition
- attenuation
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000009826 distribution Methods 0.000 claims description 55
- 239000000463 material Substances 0.000 claims description 44
- 238000005562 fading Methods 0.000 claims description 28
- 230000014759 maintenance of location Effects 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 17
- 230000022131 cell cycle Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 230000001351 cycling effect Effects 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 102220059026 rs786201684 Human genes 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池寿命预测方法，该方法包括：获取电池的工况参数；根据所述工况参数确定所述电池的电芯的N条寿命曲线族；从所述N条寿命曲线中随机抽取M条寿命曲线；选取所述M条寿命曲线中寿命情况最差的一条寿命曲线；及继续从所述N条寿命曲线中随机抽取M条寿命曲线，并选取所述M条寿命曲线中寿命情况最差的一条寿命曲线，直到得到L条寿命曲线，将所述L条寿命曲线作为所述电池的寿命曲线族。根据本申请提供的电池寿命预测方法、电子装置以及存储介质，可以更加准确地预测电池的寿命情况。
Description
技术领域
本申请涉及电池技术领域，尤其涉及一种电池寿命预测方法、电子装置以及存储介质。
背景技术
锂离子电池(俗称锂电池)是目前综合性能最好的电池体系，具有高比能量、高循环寿命、体积小、质量轻、无记忆效应、无污染等特点，并迅速发展成为新一代储能电源，是信息技术、电动车和混合动力车、航空航天等领域的动力支持。
现有技术中通常采用数据驱动、模型驱动和数据驱动融合的方法预测锂电池寿命。所述数据驱动的方法可以基于机器学习和神经网络等数据预测算法实现锂离子电池的容量衰减预测。所述模型驱动和数据驱动融合的方法可以根据实验室数据构建电池寿命退化的阿伦尼斯模型，使用纯数据驱动等方法对模型中的参数进行优化。但是上述方法存在没有分开考虑锂离子电池的寿命的衰减分为存储阶段和循环阶段的问题，也没有考虑电池中的电芯制成工艺的不一致性及电芯温升不一致性的问题。
发明内容
有鉴于此，有必要提供一种电池寿命预测方法、电子装置以及存储介质，可以更加准确地预测电池的寿命情况。
本申请一实施方式提供了一种电池寿命预测方法，应用于电子装置中，该方法包括：获取电池的工况参数，所述工况参数包括环境温度、或荷电状态、或放电深度、或充放电倍率或充放电时间中的至少一种；根据所述工况参数确定所述电池的电芯寿命曲线族，其中，所述寿命曲线族包括N条寿命曲线，N为正整数；从所述N条寿命曲线中随机抽取M条寿命曲线，M为正整数；选取所述M条寿命曲线中寿命情况最差的一条寿命曲线；及继续从所述N条寿命曲线中随机抽取M条寿命曲线，并选取所述M条寿命曲线中寿命情况最差的一条寿命曲线，直到得到L条寿命曲线，将所述L条寿命曲线作为所述电池的寿命曲线族，其中，L为正整数且小于或等于N。
根据本申请的一些实施方式，所述获取电池的工况参数，具体包括：获取电池在存储过程与充电过程中的工况参数，或获取所述电池在存储过程与放电过程的工况参数，或获取所述电池在存储过程、和充电过程和放电过程中的工况参数。
根据本申请的一些实施方式，所述方法还包括：根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命分布情况或电池在预设寿命下的容量保持率分布情况。
根据本申请的一些实施方式，所述根据所述工况参数确定所述电池的电芯寿命曲线族包括：
计算所述电芯的存储容量衰减曲线族和循环容量衰减曲线族；
根据存储容量衰减曲线族和循环容量衰减曲线族确认所述电芯的寿命曲线族。
根据本申请的一些实施方式，所述计算所述电池中电芯的存储容量衰减曲线族和循环容量衰减曲线族包括：
输入所述工况参数至电芯存储容量衰减模型，分别得到电芯在存储过程中的工况影响因子和材料衰减指数的第一分布范围；
输入所述工况参数至电芯循环容量衰减模型，分别得到电芯在循环过程中的工况影响因子和材料衰减指数的第二分布范围；
根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族；
根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族。
根据本申请的一些实施方式，根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族包括：
取所述第一分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯存储容量衰减模型，得到第一存储容量衰减曲线；
取所述第一分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯存储容量衰减模型，得到第二存储容量衰减曲线；
依此类推，取所述第一分布范围中的第i工况影响因子和第i材料衰减指数，输入所述第i工况影响因子和第i材料衰减指数至所述电芯存储容量衰减模型，得到第i存储容量衰减曲线，其中，i为正整数；
组合所述第一存储容量衰减曲线、第二存储容量衰减曲线至所述第i存储容量衰减曲线得到所述电芯的存储容量衰减曲线族。
根据本申请的一些实施方式，根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族：
取所述第二分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯循环容量衰减模型，得到第一循环容量衰减曲线；
取所述第二分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯循环容量衰减模型，得到第二循环容量衰减曲线；
依此类推，取所述第二分布范围中的第j工况影响因子和第j材料衰减指数，输入所述第j工况影响因子和第j材料衰减指数至所述电芯循环容量衰减模型，得到第j循环容量衰减曲线，其中，j为正整数；
组合所述第一循环容量衰减曲线、第二循环容量衰减曲线至所述第j循环容量衰减曲线得到所述电芯的循环容量衰减曲线族。
根据本申请的一些实施方式，所述根据存储容量衰减曲线族和循环容量衰减曲线族确认所述电芯的寿命曲线族包括：
获取相同工况参数下的所述存储容量衰减曲线族中的第一存储容量衰减曲线，和所述循环容量衰减曲线族中的第一循环容量衰减曲线；
基于所述第一存储容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在存储过程中的第一存储损伤曲线；
基于所述第一循环容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在循环过程中的第一循环损伤曲线；
累加所述第一存储损伤曲线和所述第一循环损伤曲线得到第一累加损伤曲线；
根据电芯的初始寿命曲线和所述第一累加损伤曲线得到所述电芯的第一寿命曲线；
重复上述步骤直到所述存储容量衰减曲线族中每一曲线和所述循环容量衰减曲线族中每一曲线都计算完成，得到所述电芯的寿命曲线族。
根据本申请的一些实施方式，所述根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命情况包括：
根据所述电池的寿命曲线族获取所述电池在预设容量保持率下的多个寿命时长；
将所述多个寿命时长拟合成曲线得到所述电池的寿命情况。
根据本申请的一些实施方式，基于阿列纽斯加速模型得到所述电芯存储容量衰减模型和所述电芯循环容量衰减模型。
根据本申请的一些实施方式，所述M为电池的电芯数量。
本申请一实施方式提供了一种电子装置，所述电子装置包括：
处理器；以及
存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如上所述的电池寿命预测方法。
本申请一实施方式提供了一种存储介质，其上存储有至少一条计算机指令，所述计算机指令由处理器加载并用于执行如上所述的电池寿命预测方法。
本申请的实施方式提供的电池寿命预测方法可以通过分别获取电池中每个电芯的存储容量衰减曲线族和循环容量衰减曲线族，结合疲劳累积损伤定律得到每个电芯的寿命曲线族，再通过蒙特卡罗算法得到所述电池的寿命曲线族，从而更加准确地预测所述电池的寿命。
附图说明
图1是根据本申请一实施方式的电子装置的结构示意图。
图2是根据本申请一实施方式的电池寿命预测方法的流程图。
图3是根据本申请一实施方式的电池寿命预测***的功能模块图。
主要元件符号说明
电子装置 1
处理器 11
存储器 12
电池寿命预测*** 10
获取模块 101
确定模块 102
抽取模块 103
选取模块 104
重复模块 105
如下具体实施方式将结合上述附图进一步详细说明本申请。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。
请参阅图1，电池寿命预测***10运行于电子装置1中。所述电子装置1包括，但不仅限于，至少一个处理器11以及存储器12，上述元件之间可以通过总线连接，也可以直接连接。
需要说明的是，图1仅为举例说明电子装置1。在其他实施方式中，电子装置1也可以包括更多或者更少的元件，或者具有不同的元件配置。所述电子装置1可以为电动摩托、电动单车、电动汽车、手机、平板电脑、个数数字助理、个人电脑，或者任何其他适合的可充电式设备。
尽管未示出，所述电子装置1还可以包括无线保真(Wireless Fidelity，WiFi)单元、蓝牙单元、扬声器等其他组件，在此不再一一赘述。
请参阅图2，图2为根据本申请一实施方式的电池寿命预测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。所述电池寿命预测方法可以包括以下步骤：
步骤S21：获取电池的工况参数，所述工况参数包括环境温度、或荷电状态、或放电深度、或充放电倍率或充放电时间中的至少一种。
在本实施方式中，所述电子装置1可以接收用户输入的电池的工况参数。
在一个实施例中，所述电池为可充电电池，可以采用可循环再充电的方式反复充电。例如，所述电池为锂离子电池。所述电池可以是一个电池包，所述电池包包括多个电芯。在一实施方式中，所述电池可以给所述电子装置1提供电能。
在一个实施例中，所述获取电池的工况参数包括：获取电池在存储过程与充电过程中的工况参数，或获取所述电池在存储过程与放电过程的工况参数，或获取所述电池在存储过程、和充电过程和放电过程中的工况参数。
由于电池在充放电循环过程、或充电过程、或放电过程、或存储过程中的衰减机理不一样。经过相同时间，电池在存储过程中、或充放电循环过程、或充电过程、或放电过程中出现的衰减不一样。一般而言高SOC存储会衰减更快。为了考虑影响电池寿命的因素，如电池在充放电循环过程中和存储过程中影响电池的容量衰减的因素，更准确的预测电池的寿命，分别记录电池在充放电循环过程中和存储过程中的工况参数。从而在预测电池寿命时，可以在不同的工况参数下分别计算电池在循环过程中和存储过程中的衰减。可以理解的是，所述充放电循环过程包括充电过程和放电过程。
步骤S22：根据所述工况参数确定所述电池的电芯寿命曲线族，其中，所述寿命曲线族包括N条寿命曲线，N为正整数。
在本实施方式中，一个电池可以包括多个电芯，本申请通过计算电芯的寿命曲线，再采用蒙特卡罗算法来确认所述电池的寿命情况。电池中多个电芯本身的不一致性以及电池内部温升的不一致性会导致电池寿命出现差异，所以电池的寿命应该呈现出一个分布的形式。在本实施方式中，通过蒙特卡罗算法可以将这种不一致性考虑进去。
需要说明的是，根据电池在存储过程和充放电循环过程中的工况参数确定所述电池的电芯寿命曲线族的方法，与根据电池在存储过程与充电过程中的工况参数确定所述电池的电芯寿命曲线族的方法，以及与根据电池在存储过程与放电过程中的工况参数确定所述电池的电芯寿命曲线族的方法相同。都可以通过所述电芯的存储容量衰减曲线族和循环容量衰减曲线族，来确认所述电芯的寿命曲线族。本申请为了简要说明，仅以根据电池在存储过程和充放电循环过程中的工况参数确定所述电池的电芯寿命曲线族的方法进行说明。
具体地，所述根据所述工况参数确定所述电池的电芯寿命曲线族包括：计算所述电芯的存储容量衰减曲线族和循环容量衰减曲线族；根据存储容量衰减曲线族和循环容量衰减曲线族确认所述电芯的寿命曲线族。在本实施方式中，根据电芯存储容量衰减模型和电芯循环容量衰减模型计算所述电芯的存储容量衰减曲线族和循环容量衰减曲线族。所述电芯存储容量衰减模型和电芯循环容量衰减模型是基于阿列纽斯加速模型结合电芯寿命特点开发的。
具体地，计算所述电芯的存储容量衰减曲线族和循环容量衰减曲线族包括：输入所述工况参数至电芯存储容量衰减模型，分别得到电芯在存储过程中的工况影响因子和材料衰减指数的第一分布范围；输入所述工况参数至电芯循环容量衰减模型，分别得到电芯在循环过程中的工况影响因子和材料衰减指数的第二分布范围；根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族；根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族。
在本实施方式中，将所述第一分布范围中的每个工况影响因子和对应的每个材料衰减指数输入至所述电芯存储容量衰减模型可以得到电芯的存储容量衰减曲线族。具体地，根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族包括：取所述第一分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯存储容量衰减模型，得到第一存储容量衰减曲线；取所述第一分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯存储容量衰减模型，得到第二存储容量衰减曲线；依此类推，取所述第一分布范围中的第i工况影响因子和第i材料衰减指数，输入所述第i工况影响因子和第i材料衰减指数至所述电芯存储容量衰减模型，得到第i存储容量衰减曲线，其中，i为正整数；组合所述第一存储容量衰减曲线、第二存储容量衰减曲线至所述第i存储容量衰减曲线得到所述电芯的存储容量衰减曲线族。需要说明的是，所述i大于或等于所述第一分布范围中的最小值，且小于或等于所述第一分布范围中的最大值。
在本实施方式中，将所述第二分布范围中的每个工况影响因子和对应的每个材料衰减指数输入至所述电芯循环容量衰减模型可以得到电芯的循环容量衰减曲线族。
具体地，根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族：取所述第二分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯循环容量衰减模型，得到第一循环容量衰减曲线；取所述第二分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯循环容量衰减模型，得到第二循环容量衰减曲线；依此类推，取所述第二分布范围中的第j工况影响因子和第j材料衰减指数，输入所述第j工况影响因子和第j材料衰减指数至所述电芯循环容量衰减模型，得到第j循环容量衰减曲线，其中，j为正整数；组合所述第一循环容量衰减曲线、第二循环容量衰减曲线至所述第j循环容量衰减曲线得到所述电芯的循环容量衰减曲线族。需要说明的是，所述j大于或等于所述第二分布范围中的最小值，且小于或等于所述第二分布范围中的最大值。
在本实施方式中，结合工况参数，通过疲劳累积损伤定律可以计算所述电芯的寿命曲线族。所述疲劳累积损伤定律为现有技术，在此不赘述。
具体地，根据所述存储容量衰减曲线族和所述循环容量衰减曲线族得到所述电芯的寿命曲线族包括：
(1)获取相同工况参数下的所述存储容量衰减曲线族中的第一存储容量衰减曲线，和所述循环容量衰减曲线族中的第一循环容量衰减曲线；
(2)基于所述第一存储容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在存储过程中的第一存储损伤曲线；
(3)基于所述第一循环容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在循环过程中的第一循环损伤曲线；
(4)累加所述第一存储损伤曲线和所述第一循环损伤曲线得到第一累加损伤曲线；
(5)根据电芯的初始寿命曲线和所述第一累加损伤曲线得到所述电芯的第一寿命曲线；
重复上述步骤(1)至上述步骤(5)，直到所述存储容量衰减曲线族中每一曲线和所述循环容量衰减曲线族中每一曲线都计算完成，得到所述电芯的寿命曲线族。
需要说明的是，所述电芯的初始寿命曲线是指电池出厂时的电芯的寿命曲线，也就是电池未进行充放电循环前的寿命曲线。所述第一寿命曲线为所述电芯的初始寿命曲线中的每一个取值减去对应所述第一累加损伤曲线中的每一个取值，得到的多个差值，再拟合所述多个差值得到的。
步骤S23：从所述N条寿命曲线中随机抽取M条寿命曲线，M为正整数。
在本实施方式中，所述M等于电池包中电芯的个数。例如，当一个电池包包括8个电芯时，所述M等于8。
步骤S24：选取所述M条寿命曲线中寿命情况最差的一条寿命曲线。
在本实施方式中，由于电池的寿命情况需要以电芯的寿命情况中最差的情况为准，因此，需要选取所述M条寿命曲线中寿命情况最差的一条寿命曲线。
步骤S25：是否已经重复执行步骤S23至所述步骤S24L次；当已经重复执行步骤S23至所述步骤S24L次时，流程进入步骤S26；当还没有重复执行步骤S23至所述步骤S24L次时，流程返回步骤S25。
在本实施方式中，重复执行步骤S23至所述步骤S24L次可以得到L条寿命曲线，其中，L为正整数且小于或等于N。通过执行步骤S23至所述步骤S24L次可以消除对电池寿命预测的误差。
步骤S26：将得到的L条寿命曲线作为所述电池的寿命曲线族。
例如，当所述电芯的寿命曲线族包括5000条寿命曲线，从所述5000条寿命曲线中随机抽取8条寿命曲线，选取所述8条寿命曲线中寿命情况最差的一条；继续从所述5000条寿命曲线中随机抽取8条寿命至少625次，并从每次收取的8条寿命曲线中选取寿命情况最差的一条，一共可以得到至少625条寿命曲线。所述至少625条寿命曲线可以作为所述电池的寿命曲线族。
步骤S27：根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命分布情况或电池在预设寿命下的容量保持率分布情况。
在本实施方式中，可以根据所述电池的寿命曲线族得到电池的容量保持率为预设值时的寿命分布情况。具体地，根据所述电池的寿命曲线族获取所述电池在预设容量保持率下的多个寿命时长；将所述多个寿命时长拟合成曲线得到所述电池的寿命分布情况。例如，可以根据所述电池的寿命曲线族获取电池在容量保持率为80％时的多个寿命时长；将所述多个寿命时长用柱状图表示，再拟合所述柱状图得到的拟合曲线就是所述电池的寿命情况。例如，所述电池在容量保持率为80％时的寿命最短为6.5年，最长为8年。
在一实施方式中，还可以根据所述电池的寿命曲线族得到电池在使用预设年后的容量保持率分布情况。具体地，根据所述电池的寿命曲线族获取所述电池在预设年时的多个容量保持率；将所述多个容量保持率拟合成曲线得到所述电池在预设年后的容量保持率分布情况。例如，可以根据所述电池的寿命曲线族获取电池在十年(即进入EOL(end oflife)阶段)时的多个容量保持率；将所述多个容量保持率用柱状图表示，再拟合所述柱状图得到的拟合曲线就是所述电池在十年后的容量保持率分布情况。
本申请提供的电池寿命预测方法，通过疲劳累积损伤定律可以得到电池在存储过程和循环过程中的衰减，通过蒙特卡罗考虑了电池的多个电芯的不一致性，实现了锂离子电池的寿命衰减预测。
请参阅图3，在本实施方式中，所述电池寿命预测***10可以被分割成一个或多个模块，所述一个或多个模块可存储在所述处理器11中，并由所述处理器11执行本申请实施例的放电方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述电池寿命预测***10在所述电子装置1中的执行过程。例如，所述电池寿命预测***10可以被分割成图3中的获取模块101、确定模块102、抽取模块103、选取模块104以及重复模块105。
所述获取模块101用于获取电池的工况参数，所述工况参数包括环境温度、或荷电状态、或放电深度、或充放电倍率或充放电时间中的至少一种；所述确定模块102用于根据所述工况参数确定所述电池的电芯寿命曲线族，其中，所述寿命曲线族包括N条寿命曲线，N为正整数；所述抽取模块103用于从所述N条寿命曲线中随机抽取M条寿命曲线，M为正整数；所述选取模块104用于选取所述M条寿命曲线中寿命情况最差的一条寿命曲线；所述重复模块105用于重复从所述N条寿命曲线中随机抽取M条寿命曲线，并选取所述M条寿命曲线中寿命情况最差的一条寿命曲线L次，得到的L条寿命曲线，并将所述L条寿命曲线作为所述电池的寿命曲线族，其中，L为正整数且小于或等于N；及所述确定模块102还用于根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命分布情况或电池在预设寿命下的容量保持率分布情况。
所述电池寿命预测***10可以通过分别获取电池中每个电芯的存储容量衰减曲线族和循环容量衰减曲线族，结合疲劳累积损伤定律得到每个电芯的寿命曲线族，再通过蒙特卡罗算法得到所述电池的寿命曲线族，从而更加准确地确定所述电池的寿命情况。具体内容可以参见上述电池寿命预测方法的实施例，在此不再详述。
在一实施方式中，所述处理器11可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器11也可以是其它任何常规的处理器等。
所述电池寿命预测***10中的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
可以理解的是，以上所描述的模块划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能模块可以集成在相同处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
在一实施方式中，所述一个或多个模块还可存储在存储器12中，并由所述处理器11执行。所述存储器12可以是电子装置1的内部存储器，即内置于所述电子装置1的存储器。在其他实施例中，所述存储器12也可以是电子装置1的外部存储器，即外接于所述电子装置1的存储器。
在一些实施例中，所述存储器12用于存储程序代码和各种数据，例如，存储安装在所述电子装置1中的电池寿命预测***10的程序代码，并在电子装置1的运行过程中实现高速、自动地完成程序或数据的存取。
所述存储器12可以包括随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (11)
1.一种电池寿命预测方法，应用于电子装置中，其特征在于，该方法包括：
获取电池的工况参数，所述工况参数包括环境温度、或荷电状态、或放电深度、或充放电倍率或充放电时间中的至少一种；
根据所述工况参数确定所述电池的电芯寿命曲线族，其中，分别输入所述工况参数至电芯存储容量衰减模型及电芯循环容量衰减模型，以得到电芯的存储容量衰减曲线族和循环容量衰减曲线族，根据所述存储容量衰减曲线族和所述循环容量衰减曲线族确认所述电芯寿命曲线族；
所述电芯寿命曲线族包括N条寿命曲线，N为正整数；
从所述N条寿命曲线中随机抽取M条寿命曲线，M为正整数；
选取所述M条寿命曲线中寿命情况最差的一条寿命曲线；及
继续从所述N条寿命曲线中随机抽取M条寿命曲线，并选取所述M条寿命曲线中寿命情况最差的一条寿命曲线，直到得到L条寿命曲线，将所述L条寿命曲线作为所述电池的寿命曲线族，其中，L为正整数且小于或等于N；
根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命分布情况或电池在预设寿命下的容量保持率分布情况。
2.如权利要求1所述的电池寿命预测方法，其特征在于，所述获取电池的工况参数，具体包括：
获取电池在存储过程与充电过程中的工况参数，或获取所述电池在存储过程与放电过程的工况参数，或获取所述电池在存储过程、和充电过程和放电过程中的工况参数。
3.如权利要求1所述的电池寿命预测方法，其特征在于，所述分别输入所述工况参数至电芯存储容量衰减模型及电芯循环容量衰减模型，以得到电芯的存储容量衰减曲线族和循环容量衰减曲线族包括：
输入所述工况参数至电芯存储容量衰减模型，分别得到电芯在存储过程中的工况影响因子和材料衰减指数的第一分布范围；
输入所述工况参数至电芯循环容量衰减模型，分别得到电芯在循环过程中的工况影响因子和材料衰减指数的第二分布范围；
根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族；
根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族。
4.如权利要求3所述的电池寿命预测方法，其特征在于，根据所述电芯存储容量衰减模型和所述第一分布范围得到所述电芯的存储容量衰减曲线族包括：
取所述第一分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯存储容量衰减模型，得到第一存储容量衰减曲线；
取所述第一分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯存储容量衰减模型，得到第二存储容量衰减曲线；
依此类推，取所述第一分布范围中的第i工况影响因子和第i材料衰减指数，输入所述第i工况影响因子和第i材料衰减指数至所述电芯存储容量衰减模型，得到第i存储容量衰减曲线，其中，i为正整数；
组合所述第一存储容量衰减曲线、第二存储容量衰减曲线至所述第i存储容量衰减曲线得到所述电芯的存储容量衰减曲线族。
5.如权利要求3所述的电池寿命预测方法，其特征在于，根据所述电芯循环容量衰减模型和所述第二分布范围得到所述电芯的循环容量衰减曲线族包括：
取所述第二分布范围中的第一工况影响因子和第一材料衰减指数，输入所述第一工况影响因子和第一材料衰减指数至所述电芯循环容量衰减模型，得到第一循环容量衰减曲线；
取所述第二分布范围中的第二工况影响因子和第二材料衰减指数，输入所述第二工况影响因子和第二材料衰减指数至所述电芯循环容量衰减模型，得到第二循环容量衰减曲线；
依此类推，取所述第二分布范围中的第j工况影响因子和第j材料衰减指数，输入所述第j工况影响因子和第j材料衰减指数至所述电芯循环容量衰减模型，得到第j循环容量衰减曲线，其中，j为正整数；
组合所述第一循环容量衰减曲线、第二循环容量衰减曲线至所述第j循环容量衰减曲线得到所述电芯的循环容量衰减曲线族。
6.如权利要求1所述的电池寿命预测方法，其特征在于，所述根据存储容量衰减曲线族和循环容量衰减曲线族确认所述电芯的寿命曲线族包括：
获取相同工况参数下的所述存储容量衰减曲线族中的第一存储容量衰减曲线，和所述循环容量衰减曲线族中的第一循环容量衰减曲线；
基于所述第一存储容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在存储过程中的第一存储损伤曲线；
基于所述第一循环容量衰减曲线通过疲劳累积损伤定律计算得到所述电芯在循环过程中的第一循环损伤曲线；
累加所述第一存储损伤曲线和所述第一循环损伤曲线得到第一累加损伤曲线；
根据电芯的初始寿命曲线和所述第一累加损伤曲线得到所述电芯的第一寿命曲线；
重复上述步骤直到所述存储容量衰减曲线族中每一曲线和所述循环容量衰减曲线族中每一曲线都计算完成，得到所述电芯的寿命曲线族。
7.如权利要求1所述的电池寿命预测方法，其特征在于，所述根据所述电池的寿命曲线族确定电池在预设容量保持率下的寿命情况包括：
根据所述电池的寿命曲线族获取所述电池在预设容量保持率下的多个寿命时长；
将所述多个寿命时长拟合成曲线得到所述电池的寿命情况。
8.如权利要求3所述的电池寿命预测方法，其特征在于，基于阿列纽斯加速模型得到所述电芯存储容量衰减模型和所述电芯循环容量衰减模型。
9.如权利要求1所述的电池寿命预测方法，其特征在于，所述M为电池的电芯数量。
10.一种电子装置，其特征在于，所述电子装置包括：
处理器；以及
存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行如权利要求1至9中任意一项所述的电池寿命预测方法。
11.一种存储介质，其上存储有至少一条计算机指令，其特征在于，所述指令由处理器加载并执行如权利要求1至9中任意一项所述的电池寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010496898.1A CN111650527B (zh) | 2020-06-03 | 2020-06-03 | 电池寿命预测方法、电子装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010496898.1A CN111650527B (zh) | 2020-06-03 | 2020-06-03 | 电池寿命预测方法、电子装置以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111650527A CN111650527A (zh) | 2020-09-11 |
| CN111650527B true CN111650527B (zh) | 2023-08-01 |
Family
ID=72352759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010496898.1A Active CN111650527B (zh) | 2020-06-03 | 2020-06-03 | 电池寿命预测方法、电子装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111650527B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113805089A (zh) * | 2021-10-12 | 2021-12-17 | 合肥国轩高科动力能源有限公司 | 一种动力锂电池浮充寿命估算方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103163478A (zh) * | 2013-03-25 | 2013-06-19 | 天津力神电池股份有限公司 | 锂离子二次电池经过衰减后的容量检测方法 |
| CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
| CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
| CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
| CN107202960A (zh) * | 2017-05-25 | 2017-09-26 | 安徽江淮汽车集团股份有限公司 | 动力电池寿命预测方法 |
| CN107219461A (zh) * | 2016-03-22 | 2017-09-29 | 珠海光宇电池有限公司 | 二次电池的寿命预测方法及电源管理方法 |
| CN207037042U (zh) * | 2017-07-19 | 2018-02-23 | 山西爱恩科技有限公司 | Ups蓄电池运行工况监测*** |
| CN110007240A (zh) * | 2019-04-26 | 2019-07-12 | 贵州大学 | 一种锂离子电池剩余寿命预测方法 |
| CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
-
2020
- 2020-06-03 CN CN202010496898.1A patent/CN111650527B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103163478A (zh) * | 2013-03-25 | 2013-06-19 | 天津力神电池股份有限公司 | 锂离子二次电池经过衰减后的容量检测方法 |
| CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
| CN107219461A (zh) * | 2016-03-22 | 2017-09-29 | 珠海光宇电池有限公司 | 二次电池的寿命预测方法及电源管理方法 |
| CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
| CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
| CN107202960A (zh) * | 2017-05-25 | 2017-09-26 | 安徽江淮汽车集团股份有限公司 | 动力电池寿命预测方法 |
| CN207037042U (zh) * | 2017-07-19 | 2018-02-23 | 山西爱恩科技有限公司 | Ups蓄电池运行工况监测*** |
| CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
| CN110007240A (zh) * | 2019-04-26 | 2019-07-12 | 贵州大学 | 一种锂离子电池剩余寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 锂离子电池储能***建模及其对电网稳定性影响研究;户龙辉;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20150315;C042-1360 * |
| 锂离子电池容量的预测建模及其仿真研究;李欣然 等;《***仿真学报》;20140831;第1733-1740,1746页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111650527A (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102209905B (zh) | 用于以同步方式测量二次电池组的电流和电压的设备和方法 | |
| CN112582696B (zh) | 充电方法、电子装置及存储介质 | |
| CN112005426B (zh) | 充电方法、电子装置以及存储介质 | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、***及设备 | |
| EP4019321A1 (en) | Battery managing method and device, and vehicle | |
| CN110799849B (zh) | 用于分析soh的装置和方法 | |
| CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、***、设备、装置及介质 | |
| CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
| CN112689934B (zh) | 充电方法、电子装置以及存储介质 | |
| CN111289910B (zh) | 一种梯次电池的分级方法、装置、计算机设备及介质 | |
| CN114065552A (zh) | 一种量化分析电池性能的方法、装置及电子设备 | |
| WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
| CN111650527B (zh) | 电池寿命预测方法、电子装置以及存储介质 | |
| CN112272908A (zh) | 充电方法、电子装置以及存储介质 | |
| Jiang et al. | Multiple health indicators assisting data-driven prediction of the later service life for lithium-ion batteries | |
| US20140350876A1 (en) | Method and Devices for Making Available Information for the Purpose of Performing Maintenance and Servicing of a Battery | |
| CN112108400B (zh) | 一种预测软包电池循环性能的测试方法 | |
| US20230231405A1 (en) | Charging method, electronic apparatus, and storage medium | |
| CN114089204B (zh) | 一种电池容量跳水拐点预测方法及装置 | |
| CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
| CN116008834A (zh) | 移动式储能***的电池监测运维方法、***、设备及介质 | |
| CN113767539B (zh) | 充电方法、电子装置以及存储介质 | |
| CN114814628A (zh) | 储能电池使用寿命的预测方法和装置 | |
| CN112578282A (zh) | 估算电池soc的方法、用电设备以及存储介质 | |
| CN113782845B (zh) | 一种获取锂电池的充放电功率的方法和装置 |
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 |