基于曲线生成的电池容量预测方法及系统
本发明涉及电池容量预测,具体涉及基于曲线生成的电池容量预测方法及系统。
背景技术:
1、锂电池出厂前,容量标定主要依赖电芯分容工序:电芯完成前期活化化成并充分静置稳定后,进入分容工位,执行完整的恒流恒压充满、静置稳压、标准倍率恒流满放整套工步。分容柜实时采集全程电压、电流、时间时序数据,通过高精度安时积分法逐帧累积电量,精准核算每一颗电芯的实际放电容量,再按实测容量大小对电芯进行等级分选、档位归类,并将单电芯条码与分容实测容量一一绑定存档。
2、上述传统容量标定方法存在以下不足:其一,单颗电芯的完整满充满放测试时长通常长达5小时以上,耗时久、占用产线设备资源,大幅拉低生产节拍;其二,完整充放电过程额外增加能耗与测试成本,且频繁深度充放电会加速电池性能退化,对电池寿命造成不利影响。
3、为缩短测试时长、降低测试成本,现有技术提出了多种基于部分充放电数据的容量预测方案,但这些方案仍存在各自的局限性。
4、一、基于分段拟合的容量预测方案。该类方案获取待评估电池的化成初始电压、化成结束电压、高温老化结束电压,并依次划分区间,以化成充电容量c1为x轴、电池满放容量c2为y轴,按照区间分别将c1与c2进行拟合,得到各区间的关系式y1、y2、y3等,预测时将充电容量c1按区间代入对应公式得到拟合容量。该类方案虽然避免了完整满放测试,但依赖化成阶段的多个电压节点划分区间,区间划分方式与电池老化状态的对应关系较为粗糙,且拟合公式多为线性或简单非线性关系,对曲线局部形态变化的表征能力有限。
5、二、基于串行误差修正的容量预测方案。该类方案利用电池目标充电时长(如1小时)对应的充电数据与实际容量构建容量预测模型,该模型由多个串行连接的简单子模型组成,最终将所有子模型的输出综合得到容量预测值。该类方案通过多子模型协同提高精度,但子模型数量多、训练过程复杂,且各子模型之间的预测值传递关系需要精心设计,工程实现难度较大。
6、三、基于化成阶段核心特征的线性化预测方案。该类方案仅提取化成阶段的两个核心特征--化成放电截止电压对应的放电容量和放电结束时的温度,先通过线性温度补偿公式校准温度对放电容量的影响,再代入预先拟合好的线性容量预测公式,直接计算电芯的最终分容满放容量。该类方案计算简单、速度快,但仅利用化成阶段的两个特征,信息利用率低,对电池个体差异和老化状态的适应性不足。
7、四、基于极片卷料编码的容量预测方案。该类方案在叠片或卷绕工序中读取经分切、模切工序后生成的卷料编码,识别该卷料对应的各极芯容量参数,据此计算各极芯的容量并与极芯编码绑定;在组装合芯阶段读取各极芯编码,将各极芯容量之和确定为电池容量。该方法无需对生产好的电池进行充放电测试,将容量预测时间从传统的化成/分容阶段提前到了极片生产及极芯组装节点。该方法对来料一致性和工艺稳定性的要求较高,未充分考虑电芯在化成、老化等后续工序中可能发生的性能变化。
8、五、基于差分进化算法优化支持向量回归的容量预测方案。该类方案先从电芯化成与分容充电的电压曲线中提取特征,通过关联度分析筛选前40%~60%的高关联特征并进行降维处理,再采用“初步训练→线性模型优化→差分进化迭代优化”的多步训练法,优化支持向量回归模型的正则化系数和核函数宽度参数,最终得到容量预测模型。该类方案通过特征筛选和参数优化提高了预测精度,但特征提取仅基于充电曲线,未充分利用放电曲线中的容量信息,且迭代优化过程计算量较大。
9、六、基于自诊断集成模型的容量预测方案。该类方案对待测电池仅进行不完全充放电并提取特征,输入由多个使用不同数据和特征训练的子模型组成的自诊断预测模型,输出所有子模型预测结果的平均值作为预测容量。该类方案采用多模型集成,各子模型使用的数据和特征仍可能存在重叠,集成效果受限于子模型之间的差异性,且未解决片段数据信息不完整的问题。
10、综上,现有技术中缺乏一种既能显著缩短测试时长、又能充分利用放电曲线中高压段稳定数据信息、并通过曲线生成补全缺失低压段信息以提升容量预测精度的技术方案。
技术实现思路
1、本发明的目的在于提供一种基于曲线生成的电池容量预测方法及系统,旨在解决现有容量预测方法测试时长较长、低压段数据获取效率低、单一特征来源预测精度有限的技术问题,通过仅采集高压区间放电曲线并利用曲线生成模型补全低压区间放电曲线,融合真实特征与生成特征进行容量预测,从而在显著缩短测试时长的同时提高容量预测精度。
2、为实现上述目的,本发明采用的技术方案是:
3、第一方面,本发明提供基于曲线生成的电池容量预测方法,包括以下步骤:
4、步骤s1,获取同种电极材料的若干电池的满充满放测试数据,得到每块电池的放电容量、完整放电电压曲线和充电曲线;
5、步骤s2,对所述完整放电电压曲线按固定电压间隔进行离散化处理,并按预设电压阈值划分为高电压区间数据和低电压区间数据;
6、步骤s3,构建第一曲线生成模型,以所述高电压区间数据作为模型输入、以所述低电压区间数据作为模型输出构建训练集,对所述第一曲线生成模型进行训练,获得高电压区间到低电压区间的映射关系;将所述高电压区间数据输入训练完成的第一曲线生成模型,生成低电压区间数据,以重构完整放电电压曲线;
7、步骤s4,构建第二容量预测模型,从所述充电曲线和所述高电压区间数据中提取真实特征,构成真实特征池,从第一曲线生成模型生成的低电压区间数据中提取生成特征,构成生成特征池,将所述真实特征池与所述生成特征池融合后作为模型输入、以所述放电容量作为模型输出,对所述第二容量预测模型进行训练;
8、步骤s5,采集待测电池充电曲线及高电压区间放电曲线,将待测电池高电压区间数据输入训练完成的第一曲线生成模型,重构对应的低电压区间放电曲线,基于重构得到的低电压区间放电曲线提取生成特征池,基于待测电池充电曲线和高电压区间放电曲线提取真实特征池,将待测电池真实特征池与生成特征池融合后输入训练完成的第二容量预测模型,得到所述待测电池的容量预测结果。
9、进一步地,步骤s2中,所述预设电压阈值的确定方式包括:遍历多个候选电压,分别按照各候选电压划分高电压区间和低电压区间,对应提取高电压区间特征和低电压区间特征并建立容量预测模型,以预测精度和放电时间节省率作为评价指标,确定候选电压阈值;所述候选电压阈值在满足预测精度要求的情况下选取电压值最高的候选电压。
10、进一步地,步骤s4中,所述真实特征包括:基于充电曲线提取的电压上升斜率和充电容量,以及基于高电压区间数据提取的单位时间电压下降量、起始电压和曲线弯曲度;所述生成特征包括:基于生成的低电压区间数据提取的拐点特征、陡降区特征,所述拐点特征包括拐点时刻、拐点电压、拐点斜率和拐点曲率。
11、进一步地,步骤s4中,所述生成特征中的拐点特征通过对所述生成的低电压区间数据进行形态拐点识别获得,所述形态拐点识别通过双侧下降速率对比度与归一化曲率的联合评分实现:
12、
13、其中,为形态拐点评分,为归一化曲率,为归一化双侧下降速率对比度,、为非负权重且;
14、在去除低电压区间两端各个采样点后的有效搜索区间内,选取最大时刻作为形态拐点时刻:
15、
16、提取拐点特征向量:
17、
18、其中,为形态拐点时刻,为拐点电压,为拐点斜率;为拐点曲率,为拐点双侧速率对比度。
19、进一步地,所述陡降区特征的提取包括陡降区识别:以形态拐点之前的平稳基准窗口内各采样点的下降速率为基础,采用下降速率中位数和中位绝对偏差构造抗异常点的鲁棒自适应阈值;
20、在连续判定点数内,各采样点的下降速率均超过所述鲁棒自适应阈值,且连续判定点数内的平均超阈值幅度达到设定强度时,将首个满足条件的时刻确定为陡降起点;将电压首次达到或低于预设截止电压的时刻确定为陡降区终点,所述陡降起点与所述陡降区终点之间的区间为陡降区;
21、提取陡降总时长、陡降总电压降,以及所述陡降区内的平均下降速率、最大下降速率、平均曲率和最大曲率,构成陡降区特征组合。
22、进一步地,所述生成特征还包括陡降区高阶形态特征,所述高阶形态特征包括以下至少一种:归一化非线性偏离面积、陡降尖锐度指数、下降速率-曲率耦合系数、末端加速指数和阈值附近局部对比特征。
23、进一步地,所述归一化非线性偏离面积为陡降区实际放电曲线与连接陡降区起点、陡降区终点的参考直线之间围成的面积,按陡降总电压降和陡降总时长归一化得到的无量纲特征;
24、所述尖锐度指数为陡降区内最大下降速率与最大曲率相对于各自平均水平的放大倍数的乘积;
25、所述下降速率-曲率耦合系数为陡降区内下降速率与曲率之间的带正则项的相关系数;
26、所述末端加速指数为陡降区末段预设比例窗口的平均下降速率与初段相同比例窗口的平均下降速率之差、相对于陡降区平均下降速率的比值;
27、所述阈值附近局部对比特征为在预设电压阈值下方窗口与上方窗口内,分别计算的平均下降速率之间的对称相对对比度和平均曲率之间的对称相对对比度。
28、进一步地,步骤s2中,按固定电压间隔进行离散化处理,所述固定电压间隔根据原始采样数据的采样间隔确定,与原始数据的采样间隔一致,取值范围为1~10mv 。
29、进一步地,所述第一曲线生成模型为卷积神经网络模型,所述第二容量预测模型为随机森林模型;所述真实特征池与所述生成特征池的融合为特征拼接,将生成特征池与真实特征池拼接为融合特征向量后输入所述第二容量预测模型。
30、第一方面,本发明提供基于曲线生成的电池容量预测系统,用于实现所述的方法,所述系统包括:
31、数据获取模块,用于获取同种电极材料的若干电池的满充满放测试数据,得到每块电池的放电容量、完整放电电压曲线和充电曲线;
32、曲线分段模块,用于对所述完整放电电压曲线按固定电压间隔进行离散化处理,并按预设电压阈值划分为高电压区间数据和低电压区间数据;
33、第一模型训练模块,用于构建第一曲线生成模型,以所述高电压区间数据作为模型输入、以所述低电压区间数据作为模型输出构建训练集,对所述第一曲线生成模型进行训练,并将所述高电压区间数据输入训练完成的第一曲线生成模型,生成低电压区间数据,以重构完整放电曲线;
34、第二模型训练模块,用于构建第二容量预测模型,从充电曲线和所述高电压区间数据中提取真实特征,构成真实特征池,从第一曲线生成模型生成的低电压区间数据中提取生成特征,构成生成特征池,将所述真实特征池与所述生成特征池进行融合后作为模型输入、以所述放电容量作为模型输出,对所述第二容量预测模型进行训练;
35、预测模块,用于针对待测电池,采集其充电曲线及高电压区间放电曲线,将待测电池高电压区间数据输入训练完成的第一曲线生成模型,重构对应的低电压区间放电曲线,基于重构得到的低电压区间放电曲线提取生成特征池,基于待测电池充电曲线和高电压区间放电曲线提取真实特征池,将待测电池真实特征池与生成特征池融合后输入训练完成的第二容量预测模型,得到所述待测电池的容量预测结果。
36、上述技术方案的有益效果为:
37、1.缩短检测时间、降低测试成本:本发明通过仅采集充电曲线和高压区间放电曲线、利用曲线生成模型补全低压区间放电曲线的方式,减少了对完整满充满放测试的依赖。本发明能够显著缩短电池分容检测周期,并减少测试过程中的能耗与设备占用,降低生产成本。
38、2.提高容量预测精度:本发明通过第一曲线生成模型建立高电压区间到低电压区间的映射关系,生成传统片段数据无法直接获得的放电末端低电压区间曲线,并从中提取拐点、陡降区等容量敏感形态特征构成生成特征池,与基于实测数据提取的真实特征池融合后输入第二容量预测模型。经测试,能够提高容量预测的准确性。
39、3.信息利用率更高、放电明细可溯源:本发明能从生成的低电压区间曲线中提取放电平台末端、电压陡降区等传统方法无法获取的全局形态特征,从源头上提升预测精度上限;同时,第一曲线生成模型基于部分充放电曲线片段重构完整放电曲线,使得放电明细数据可溯源,为后续容量预测提供了更完整的数据基础。
40、4.系统鲁棒性强:本发明的真实特征锚定预测基础,生成特征补充缺失信息,两者互补可以降低单一特征来源带来的误差风险,对短片段数据和噪声数据的适应性更好,从而提升容量预测的精度上限。
41、5.降低充放电深度、保护电池:由于无需对电池执行完整的充放电测试,有利于降低测试过程中的充放电深度,减少电池充放电循环带来的性能损耗,延长电池使用寿命。
42、6.通用性与工程应用价值高:本发明不仅适用于三元锂电池,也可应用于磷酸铁锂、钠离子等其他电极材料体系的电池,还可用于退役电池容量评估、电池快速分选及状态检测等场景,具有较好的通用性与工程应用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com