CN113673115A - 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 - Google Patents
一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 Download PDFInfo
- Publication number
- CN113673115A CN113673115A CN202111017827.XA CN202111017827A CN113673115A CN 113673115 A CN113673115 A CN 113673115A CN 202111017827 A CN202111017827 A CN 202111017827A CN 113673115 A CN113673115 A CN 113673115A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- degradation
- model
- cycle
- life prediction
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法,步骤包括:收集多个同型号同批次的锂电池循环寿命退化的历史数据,并对其进行数据预处理和降噪;分析退化数据与环境参数的关系,构建性能参数循环随机退化模型、寿命预测与可靠性评估模型;结合实时采集的数据,基于贝叶斯估计算法,采用自适应时间间隔对模型进行实时的更新和进化,并开展全寿命周期内的寿命预测与可靠性评估。本发明引入数字孪生技术,实现锂电池全寿命周期和动态多变环境下的个性化寿命预测及可靠性评估,为其应用***的设计优化、智能化使用、运维管理、寿命与可靠性的提高提供方法和依据。
Description
所属技术领域
本发明涉及锂电池循环使用寿命周期中,一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法。该方法在锂电池循环寿命估计与预测的基础上,引入数字孪生相关技术方法,并考虑了分散性和不确定性。本发明属于锂电池寿命预测技术领域。
背景技术
锂离子电池作为一种新型能源,已广泛应用于在手机、笔记本、储能电源***、军事装备、航空航天等多个领域。随着新一代工业技术的迅速发展,产品的集成化、智能化程度不断提高,锂电池的应用环境趋于复杂化。针对特定的锂电池开展具有针对性的寿命预测和可靠性评估,能够更加准确的掌握电池的健康状态和未来的工作能力,其意义重大。
随着传感器技术与数据分析方法的发展,数字孪生技术为解决上述问题提供了新的思路。数字孪生是利用数字技术和虚拟模型仿真技术探寻和预测物理空间的运行状态,为虚拟空间和物理空间的双向连接与实时交互提供了重要的理论依据和技术支撑。其主要优势是能够将产品的实时状态映射到虚拟空间,这与产品的寿命与可靠性需求有天然的契合性。目前数字孪生技术已在飞行器、汽车、机械件等产品的寿命预测和健康状态评估方面有了较好的应用,而关于锂电池的应用较少。鉴于实际工程中电池的生产工艺、连接条件、运行条件等方面存在不可避免的差异,使得锂电池全寿命周期内的循环退化与寿命状态存在多态、动态和随机不确定性。因此,锂电池的循环寿命预测不仅需要考虑到寿命预测,还需要充分考虑其可靠性,然而目前仍缺乏能够准确地对锂电池进行个性化的寿命预测与可靠性评估方法。因此,有必要提出一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法。
发明内容
本发明的目的是为了实现锂电池个性化的循环寿命预测及可靠性评估,提出一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法。该方法引入数字孪生技术,建立循环随机退化模型和寿命预测模型表达电子产品寿命状态及其分散性和不确定性的特点,通过构建基于贝叶斯估计的进化模型实现模型的更新。本专利主要针对锂电池循环使用寿命及其可靠性,图1描述了本方法的流程,主要包含以下步骤:
步骤1:收集多个同型号同批次的锂电池循环寿命退化的历史数据,数据类型包括电池性能参数和使用载荷参数,其中电池性能参数包括容量、内阻、最大输出功率;使用环境参数包括温度、电流、平均荷电状态、放电深度;
步骤2:采用野值剔除法、局部加权散点回归平滑法或平滑滤波器法对电池性能退化数据进行预处理;
步骤3:分析电池性能参数退化与环境参数的关联关系,构建锂电池性能参数循环退化模型,如下所示:
Cfade=f(T,I,SOCmean,DOD,...)
其中Cfade为性能参数循环退化量,T、I、SOCmean、DOD分别为温度、电流、平均荷电状态和放电深度。
步骤4:通过构建多个同型号同批次锂电池性能参数退化模型,拟合上述循环退化模型的参数,基于正态分布和威布尔分布构建锂电池循环随机退化模型,选定性能参数的失效判据,构建寿命预测与可靠性评估模型;
步骤5:基于锂电池的寿命预测与可靠性评估模型,结合历史退化轨迹和实时采集的数据,对锂电池进行寿命预测与可靠性评估,并输出预测和评估结果;
步骤6:定期开展锂电池性能参数测量,并与预测值进行对比,设定可接受偏差范围。若误差在允许范围内,则保持或延长定期测量循环/时间间隔;若误差不可接受,则缩小定期测量循环/时间间隔;
步骤7:结合定期测量数据和历史运行数据,利用贝叶斯估计算法,对锂电池数字孪生中的循环随机退化、寿命预测与可靠性评估模型参数进行更新,实现模型的进化;
步骤8:在锂电池全寿命周期内,重复步骤5至步骤7,实现基于数字孪生的在线实时寿命预测与可靠性评估,直至锂电池退役。
本发明通过以上步骤,给出了一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法。
本发明的优异效果是:该循环寿命预测及可靠性评估方法能够充分利用传感器更新、运行历史等数据,实时完成锂电池数字孪生模型和数据的动态更新与进化,实现锂电池全寿命周期和动态多变环境下的个性化寿命预测及可靠性评估,为锂电池应用的设计优化、智能化使用、运维管理、电池***寿命与可靠性的提高提供方法和依据。
附图说明
图1一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法流程
图2同型号同批次锂电池在不同环境温度下容量退化数据曲线图
图3锂电池寿命预测及可靠性评估结果
图4基于历史数据与实测数据的数字孪生模型进化
图5基于数字孪生的锂电池全寿命周期循环寿命预测
具体实施方式
为使本发明的特征及优点得到更清楚的了解,以下结合附图,作详细说明如下:
以一种锂离子电池为例,本发明一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法,具体实施步骤如下:
步骤1:收集多个同型号同批次的锂电池循环寿命退化的历史数据,数据类型包括电池性能参数和使用载荷参数,其中电池性能参数包括容量、内阻、最大输出功率;使用环境参数包括温度、电流、平均荷电状态、放电深度。
此处,锂电池性能参数退化以容量数据为例,使用环境参数以环境温度数据为例,绘曲线图如图2所示,其中L1~L6为6个同型号同批次的锂电池在25℃条件下循环使用的容量退化数据,M1~M6为6个同型号同批次的锂电池在45℃条件下循环使用的容量退化数据。
步骤2:采用野值剔除法、局部加权散点回归平滑法或平滑滤波器法对电池性能退化数据进行预处理。
针对图2中锂电池容量退化的波动性和噪声,以野值剔除法为例,对步骤1中锂电池容量退化的数据进行预处理,采用莱特准则剔除掉偏差较大的野值点,方法如下:
假设在一列等精度测量结果中,第i项测量值Xi所对应的残差Vi的绝对值满足|Vi|max>3σx,则该误差为粗差,所对应的测量值Xi为异常数值,应剔除不用。此处,残差为Vi=Xi-X',其中, X'为均值,标准偏差估计为其中n为样本数量。本专利以单位循环退化量为测量值,为前i项单位循环退化量的平均值。
步骤3:分析电池性能参数退化与环境参数的关联关系,构建锂电池性能参数循环退化模型,如下所示:
Cfade=f(T,I,SOCmean,DOD,...)
其中Cfade为性能参数循环退化量,T、I、SOCmean、DOD分别为温度、电流、平均荷电状态和放电深度。
步骤4:通过构建多个同型号同批次锂电池性能参数退化模型,拟合上述循环退化模型的参数,基于正态分布和威布尔分布构建锂电池循环随机退化模型,进而构建寿命预测与可靠性评估模型。
以容量与温度参数为例,构建循环退化模型如下:
其中,参数Ad表示浓度降解率,单位为mAh·s-1,Ea表示活化能,单位为J·mol-1,R为摩尔气体常数,其值为8.314J/(mol·K),T为环境温度,单位为K。t为时间量,tN表示一个循环过程结束的时间,单位为s。
随机退化模型以正态分布为例,如下所示:
概率密度函数(PDF)表达式:
其中,μ、σ分别为正态分布的均值和标准差。
电池容量退化的均值Dnorm公式为:
Dnorm=μ=Cfade(T,t,...)
对于正态分布而言,电池容量退化量Cfade就是分布的均值,那么用于描述电池随机退化的正态分布模型参数μfade、σfade如下所示:
μfade=Cfade
σfade=κμfade
其中,κ为相对变异系数(κ=σ/μ)。
选定80%的容量剩余量作为锂电池的失效判据,寿命预测与可靠性评估模型为:
其中Cnom为容量初始值,N为循环次数。
步骤5:基于锂电池的寿命预测与可靠性评估模型,结合历史退化轨迹和实时采集的数据,对锂电池进行寿命预测与可靠性评估,并输出预测和评估结果。
以L1编号锂电池为例,其寿命预测及可靠性评估结果如图3所示,在预测值中,实线为容量的预测值,上下两条虚线为可靠性评估结果,即容量预测值的置信区间;与实际的容量测试值对比可以发现预测值与实际测试值有一定的差距,且在置信区间内。
步骤6:定期开展锂电池性能参数测量,并与预测值进行对比,设定可接受偏差范围。若误差在允许范围内,则保持或延长定期测量循环/时间间隔,若误差不可接受,则缩小定期测量循环/时间间隔;
假设初始或者上一次定期容量测量的循环次数为n个循环,若误差可接受,则保持或者延长定期测量时间间隔至3n/2个循环;若误差不可接受,则缩小定期测量时间间隔至n/2个循环。
步骤7:结合定期测量数据和历史运行数据,利用贝叶斯估计算法,对锂电池数字孪生中的循环随机退化、寿命预测与可靠性评估模型的参数进行更新,实现模型的进化。
正态分布的贝叶斯估计算法描述如下:若锂电池历史退化数据服从均值为μ0,方差为σ0 2的正态分布N(μ0,σ0 2),对电池在经过一段时间使用后进行容量测量,得到均值为μ,方差为σ2的退化量的实测值。
当σ2已知,μ的共轭先验分布为正态分布N(μ0,σ0 2)时,μ的后验分布为:
当μ已知,σ2的共轭先验分布为逆伽马分布IGa(α,β),则Sμ 2为充分统计量,σ2的后验分布为:
贝叶斯点估计为:
当μ和σ2均未知且独立时,由于后验分布解析式较为复杂,可用蒙特卡罗方法对数据进行处理估计参数。
利用上述模型进化方法,按照步骤6的自适应规则,对模型参数进行更新,完成模型的进化,如图4所示;在600循环后进行一次模型进化,可以看到进化后容量预测值与实际测试值的误差显著减小,并且600至1200循环的预测精度较好。
步骤8:在锂电池全寿命周期内,重复步骤5至步骤7,实现基于数字孪生的在线实时寿命预测与可靠性评估,直至锂电池退役。
全寿命周期内基于数字孪生的锂电池循环寿命预测结果如图5所示,从图中可知,在L1 全寿命周期内共进化6次,并保持着较好的精度,且精度越来越高。
以上所述为本发明的优选方案,对于本领域的技术人员而言,在不脱离本发明整体构思前提下,还可以对本发明的具体实施方式进行修改或者等同替换,这些也应视为本发明的保护范围。
Claims (1)
1.一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法,其特征在于:该方法引入数字孪生技术,建立循环随机退化模型和寿命预测模型表达电子产品寿命状态及其分散性和不确定性的特点,通过构建基于贝叶斯估计的进化模型实现模型的更新,它主要包含以下步骤:
步骤1:收集多个同型号同批次的锂电池循环寿命退化的历史数据,数据类型包括电池性能参数和使用载荷参数,其中电池性能参数包括容量、内阻、最大输出功率;使用环境参数包括温度、电流、平均荷电状态、放电深度;
步骤2:采用野值剔除法、局部加权散点回归平滑法或平滑滤波器法对锂电池性能退化数据进行预处理;
步骤3:分析锂电池性能参数退化与环境参数的关联关系,构建锂电池性能参数循环退化模型:
Cfade=f(T,I,SOCmean,DOD,...)
其中Cfade为性能参数循环退化量,T、I、SOCmean、DOD分别为温度、电流、平均荷电状态和放电深度;
步骤4:通过构建多个同型号同批次锂电池性能参数退化模型,拟合上述循环退化模型的参数,基于正态分布和威布尔分布构建锂电池循环随机退化模型,选定性能参数的失效判据,构建寿命预测与可靠性评估模型;
步骤5:基于锂电池的寿命预测与可靠性评估模型,结合历史退化轨迹和实时采集的数据,对锂电池进行寿命预测与可靠性评估,并输出预测和评估结果;
步骤6:定期开展锂电池性能参数测量,并与预测值进行对比,设定可接受偏差范围:若误差在允许范围内,则保持或延长定期测量循环时间间隔;若误差不可接受,则缩小定期测量循环时间间隔;
步骤7:结合定期测量数据和历史运行数据,利用贝叶斯估计算法,对锂电池数字孪生中的循环随机退化、寿命预测与可靠性评估模型参数进行更新,实现模型的进化;
步骤8:在锂电池全寿命周期内,重复步骤5至步骤7,实现基于数字孪生的在线实时寿命预测与可靠性评估,直至锂电池退役。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017827.XA CN113673115B (zh) | 2021-08-31 | 2021-08-31 | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017827.XA CN113673115B (zh) | 2021-08-31 | 2021-08-31 | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673115A true CN113673115A (zh) | 2021-11-19 |
CN113673115B CN113673115B (zh) | 2023-05-16 |
Family
ID=78547866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017827.XA Active CN113673115B (zh) | 2021-08-31 | 2021-08-31 | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673115B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089209A (zh) * | 2021-11-26 | 2022-02-25 | 国网冀北电力有限公司计量中心 | 电池可靠性评估方法及装置 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015140907A1 (ja) * | 2014-03-17 | 2017-04-06 | 株式会社東芝 | 非水電解質二次電池用活物質、非水電解質二次電池用電極、非水電解質二次電池、電池パックおよび非水電解質二次電池用活物質の製造方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109004151A (zh) * | 2018-06-28 | 2018-12-14 | 肇庆市华师大光电产业研究院 | 一种应用于锂硫电池中的功能性隔层的制备方法 |
CN110262284A (zh) * | 2019-06-24 | 2019-09-20 | 江苏科瑞德智控自动化科技有限公司 | 一种基于数字孪生技术的锂电池极片轧机控制方法及*** |
-
2021
- 2021-08-31 CN CN202111017827.XA patent/CN113673115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015140907A1 (ja) * | 2014-03-17 | 2017-04-06 | 株式会社東芝 | 非水電解質二次電池用活物質、非水電解質二次電池用電極、非水電解質二次電池、電池パックおよび非水電解質二次電池用活物質の製造方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN109004151A (zh) * | 2018-06-28 | 2018-12-14 | 肇庆市华师大光电产业研究院 | 一种应用于锂硫电池中的功能性隔层的制备方法 |
CN110262284A (zh) * | 2019-06-24 | 2019-09-20 | 江苏科瑞德智控自动化科技有限公司 | 一种基于数字孪生技术的锂电池极片轧机控制方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089209A (zh) * | 2021-11-26 | 2022-02-25 | 国网冀北电力有限公司计量中心 | 电池可靠性评估方法及装置 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113673115B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN108256697B (zh) | 一种用于电力***短期负荷的预测方法 | |
CN112763929A (zh) | 一种储能电站***电池单体健康预测方法及装置 | |
CN113673115B (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
CN104615866B (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN104463331B (zh) | 基于模糊理论的加速退化试验建模方法 | |
CN103996084A (zh) | 基于纵向时刻Markov链模型的风功率概率预测方法 | |
CN115267555A (zh) | 基于电池多点温度测量的储能***电池soh评估*** | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
Ta et al. | Adaptive staged remaining useful life prediction method based on multi-sensor and multi-feature fusion | |
CN108959745A (zh) | 产品性能变化及寿命高置信度小样本统计推断和确认方法 | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
CN114118587B (zh) | 分布式光伏的电能质量评估方法及***、设备、存储介质 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
CN110556595B (zh) | 储能用磷酸铁锂电池安全管理***的质态失衡预测方法 | |
CN113190535B (zh) | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 | |
Sun et al. | Advances in sequential monte carlo methods for joint state and parameter estimation applied to prognostics | |
Montoya et al. | Time-of-failure probability mass function computation using the first-passage-time method applied to particle filter-based prognostics | |
Rigamonti et al. | A particle filtering-based approach for the prediction of the remaining useful life of an aluminum electrolytic capacitor | |
CN113884927B (zh) | 一种基于云端大数据的电池寿命主动控制方法及*** |
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 |