一种基于日历老化解耦的电池日历-循环-热耦合寿命预测方法

摘要: 本发明涉及电池寿命预测,具体是指一种基于日历老化解耦、循环退化路径辨识、直流内阻演化和瞬态热模型闭环耦合的电池寿命预测方法。背景技术:1、锂离子电池在新能源汽车...
一种基于日历老化解耦的电池日历-循环-热耦合寿命预测方法

本发明涉及电池寿命预测,具体是指一种基于日历老化解耦、循环退化路径辨识、直流内阻演化和瞬态热模型闭环耦合的电池寿命预测方法。

背景技术:

1、锂离子电池在新能源汽车、储能电站及低空飞行器等场景中长期运行时,通常同时受到环境温度、静置荷电状态、充放电倍率、循环次数和热累积的共同作用,电池寿命预测不仅需要判断容量衰减和剩余寿命,还需要同步评估直流内阻增长和最高温度变化,否则难以支撑真实工况下的安全边界和维护策略。

2、现有寿命预测技术中,公开号为cn114675187a的中国专利申请公开了一种物理机理和机器学习融合的锂离子电池寿命预测方法,其采用物理退化机理模型与机器学习模型融合的方案,其利用首次充放电特征评估出厂寿命差异,并结合充放电历史退化计算剩余寿命,该方案虽然涉及物理机理和机器学习融合,但其重点在于初始寿命不一致性和循环历史退化,并未公开将日历老化物理基线的残差学习结果用于循环测试总容量损失的日历贡献剥离,也未公开在动态工况谱下同步递推直流内阻和最高温度。

3、公开号为cn116540101a的中国专利申请公开了一种关键区间特征提取的快速电池寿命预测方法,其通过识别容量衰减曲线中的膝点和膝起点,并基于膝起点至膝点之间的关键区间提取老化特征进行寿命预测,该方案关注容量曲线关键区间的特征提取,但并未将日历老化贡献从循环测试总容量损失中剥离,也未公开将直流内阻引起的最高温度反馈至当日老化速率计算。

4、公开号为cn122017609a的中国专利申请公开了一种基于状态空间模型的锂离子电池寿命预测方法,其依据循环次数、容量、温度以及充放电电流电压特征构建容量损耗预测序列,并通过物理残差约束使预测结果符合退化规律,该方案侧重时序特征建模和容量损耗序列预测,但未公开面向循环测试样本的日历贡献剥离,也未公开基于dcir产热的最高温度反馈闭环。

5、综上,现有技术虽然分别公开了物理模型与机器学习融合、容量曲线关键区间特征提取以及状态空间时序预测等方案,但仍存在以下不足:一是循环测试总容量损失中日历老化与循环老化相互耦合,容易导致循环模型参数辨识偏差;二是不同电芯或不同测试样本可能存在慢衰退、常规衰退和快速衰退等不同退化路径,采用统一循环模型容易产生平均化误差;三是容量预测、直流内阻预测和温度预测常被割裂处理,难以在动态工况谱下形成按日递推的寿命预测闭环;四是多数方案难以输出日历贡献、基础循环退化、跳水加速和热反馈影响等机制分解结果。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种基于日历老化解耦的电池日历-循环-热耦合寿命预测方法,以解决日历老化与循环老化耦合导致的循环模型辨识偏差、单一循环模型的平均化误差、电-热-寿命预测割裂以及退化机制难以分解的技术问题。

2、为解决上述技术问题,本发明提供的技术方案为:一种基于日历老化解耦的电池日历-循环-热耦合寿命预测方法,包括以下步骤:

3、s1、获取用于模型构建的电池日历老化数据、循环老化数据、直流内阻温升数据以及待预测电池的动态工况谱数据,所述动态工况谱数据至少包括环境温度、充电倍率、放电倍率、日循环次数、静置荷电状态和持续天数;

4、s2、根据所述日历老化数据构建温度-荷电状态耦合日历老化物理基线模型,以所述物理基线模型的预测结果与实测日历容量损失之间的残差为训练目标,训练受约束残差学习模型,并将所述物理基线模型的输出与所述受约束残差学习模型的输出叠加,得到混合日历老化模型;

5、s3、对于测试温度保持恒定且循环工况按照相同荷电状态变化规律重复的循环测试样本,在循环测试样本中,根据测试持续时间、测试温度和等效荷电状态,利用所述混合日历老化模型计算日历容量损失贡献,并从循环总容量损失中扣除所述日历容量损失贡献,得到循环老化目标量

6、s4、在预设早期观察窗口内,基于所述循环老化目标量和早期测试数据构造退化路径特征向量,对电芯或测试样本进行退化路径聚类,得到各退化路径对应的特征中心、路径标签和路径先验概率,并在各退化路径对应的样本内,以所述循环老化目标量为拟合目标,分别辨识包括基础退化项和拐点后加速项的循环老化模型参数,得到多个退化路径循环老化模型;

7、s5、根据所述直流内阻温升数据辨识直流内阻演化模型和瞬态热模型,得到直流内阻随累计使用时间和累计等效循环次数的演化关系,以及由直流内阻和工况电流、环境温度和等效产热持续时间计算产热功率及最高温度的热模型参数;

8、s6、在所述动态工况谱下,按照日粒度递推累计静置时间、累积使用时间、累计等效循环次数和静置结束荷电状态;在进入日粒度递推之前,根据待预测电池的早期退化特征或由动态工况谱提取的工况风险特征构造路径匹配特征向量,并根据所述路径匹配特征向量与各退化路径特征中心之间的匹配程度确定各退化路径权重;当所述早期退化特征不可获得时,根据各退化路径的路径先验概率确定所述各退化路径权重;对于每一递推日,根据累计等效循环次数更新直流内阻,根据所述直流内阻计算产热功率和最高温度,根据所述最高温度或由最高温度得到的温度修正量确定当日等效老化温度,基于所述当日等效老化温度和静置结束荷电状态,将累计日历容量损失换算为等效静置时间以计算当日日历老化增量,并根据各退化路径权重对多个退化路径循环老化模型的计算结果进行加权得到循环老化增量,根据累计日历容量损失和累计循环容量损失更新健康状态;

9、s7、当所述健康状态达到预设健康状态阈值或仿真达到预设时长时,根据递推结果输出健康状态、静置结束荷电状态、日历容量损失、循环容量损失、直流内阻、最高温度、寿命时间和机制分解结果。

10、进一步的,步骤s2中所述温度-荷电状态耦合日历老化物理基线模型、残差和混合日历老化模型分别满足式(1)至式(3):

11、

12、(2)

13、(3)

14、其中,qcal,b为日历容量损失基线值,acal为日历老化前因子,ea,base为基准活化能,ksoc为soc对等效活化能的修正系数,其单位与活化能一致,soc为0至1的归一化荷电状态,r为气体常数,t为摄氏温度,t为静置时间,m为时间指数,ri为第i个样本残差,yi为第i个样本实测日历容量损失,fres为残差学习模型;所述受约束残差学习模型包括非负约束、残差幅值限幅、时间单调约束和工况外推边界约束中的至少一种,使所述混合日历老化模型的日历容量损失随静置时间单调不减,当叠加结果小于0时,将混合日历容量损失修正为0。

15、进一步的,步骤s3中,所述循环测试样本的测试温度在循环测试期间保持恒定,且循环工况按照相同荷电状态变化规律重复;循环测试过程的等效荷电状态soceq按时间加权或容量吞吐量加权确定,所述循环老化目标量满足式(5):

16、(4)

17、(5)

18、其中,qcyc,target为循环老化目标量,qtotal为循环测试总容量损失,d为循环测试持续时间,其单位与日历老化模型中的静置时间单位一致。

19、进一步的,步骤s4中所述退化路径特征向量包括早期容量斜率、单位循环容量损失、直流内阻增长率、容量跳水残差、测试温度和充放电倍率中的至少两项,其中所述单位循环容量损失为所述预设早期观察窗口内的循环老化目标量增量与对应等效循环次数增量的比值所述退化路径聚类采用k-means、层次聚类、高斯混合模型或dbscan中的任一种;其中,当采用k-means或层次聚类时,根据轮廓系数或davies-bouldin指数确定聚类数;当采用高斯混合模型时,根据bic准则确定混合分量数;当采用dbscan时,根据邻域半径和最小样本数进行聚类,聚类完成后根据单位循环容量损失或早期容量斜率将退化路径标定为慢衰退路径、常规衰退路径和快速衰退路径中的至少两类;聚类完成后,保存各退化路径对应的特征中心、路径标签、路径先验概率和循环老化模型参数,用于动态工况预测阶段对待预测电池进行退化路径匹配或多路径加权融合。

20、进一步的,步骤s4中所述循环老化模型、各退化路径对应的循环老化速率、温度加速因子、倍率加速因子和拐点后加速项特征拐点循环次数分别满足式(6)至式(10):

21、(6)

22、(7)

23、(8)

24、(9)

25、(10)

26、其中,n为累积等效循环次数,cchg为充电倍率,cdsg为放电倍率,aeff中的温度项用于描述常规循环退化的温度敏感性,aeff,ref为参考温度tref、参考充电倍率cchg,ref和参考放电倍率cdsg,ref下辨识得到的循环老化速率,z1为基础退化项指数,kknee为跳水加速系数,z2为拐点后加速项指数,st为低温析锂跳水加速因子,sc为充电倍率加速因子,acyc为循环老化前因子,ea,cyc为循环老化活化能,α、β、γ和λ为倍率影响参数,ea,plat为跳水温度参数,tplat为电池析锂对应温度,nknee为特征拐点循环次数,定义为第一阶段衰减速率与第二阶段衰减速率相等时的循环次数。

27、进一步的,步骤s5中所述直流内阻演化模型满足式(11),产热功率p满足式(12),单次循环时间和最高温度分别满足式(13)和式(14):

28、(11)

29、(12)

30、(13)

31、(14)

32、其中,rdcir为第d日对应的直流内阻,当rdcir以mω表示时,应换算为ω后代入产热功率计算,rinit为初始直流内阻,rdrop为前期内阻下降幅度,τ为内阻下降时间常数,krise为长期内阻增长系数,tcyc用于瞬态热模型中表征单个充电段、放电段或完整循环的等效产热持续时间,单位秒,cnom为额定容量,soh为健康状态,rth为综合热阻,ch为电池热容,tenv为环境温度;式(13)适用于以恒定电流表示单个充电段或单个放电段且该段容量吞吐量按当前可用容量确定的情形,完整循环的等效产热持续时间为充电段和放电段的等效产热持续时间之和;当工况为部分循环或变电流工况时,根据容量吞吐量或实际电流曲线确定等效产热持续时间;电流i由动态工况谱中的实际电流曲线、充电倍率或放电倍率中的至少一种确定,或者根据充电倍率、放电倍率和额定容量确定为i=max(cchg,cdsg)·cnom。

33、进一步的,步骤s6中每日活动时间、温度修正量、静置结束荷电状态、自放电速率、日历增量、循环增量和健康状态分别满足式(15)至式(21):

34、(15)

35、(16)

36、(17)

37、(18)

38、(19)

39、(20)

40、(21)

41、其中,nday为日等效循环次数增量,tactive为等效每日活动时间,当充电倍率或放电倍率缺失、为0或工况为部分循环时,根据容量吞吐量或实际电流曲线计算等效活动时间,taging,d为第d日等效老化温度,socd为第d日静置开始荷电状态,式(17)中的socd+1表示该次静置结束荷电状态,当下一递推日的静置开始荷电状态未由动态工况谱逐日给定时,根据该静置结束荷电状态以及其后的充放电容量或实际电流曲线递推确定;ksd为自放电速率,trest,d为第d日静置时间,asd为自放电前因子,ea,sd为自放电活化能;η为热反馈权重,根据每日活动时间占比、温升测试数据或预设热反馈权重确定;第d日的日历增量δqcal,d根据混合日历老化模型在第d日初始累计静置时间(tcal,d)和第d日结束累计静置时间(tcal,d+trest,d)下的预测差值确定,第d日的循环增量δqcyc,d根据分路径循环老化模型在第d日前的累计等效循环次数nd和第d日结束累计等效循环次数nd+nday,d下的预测差值确定,并按照各退化路径权重ωd,k进行加权融合,k为退化路径数量,所述各退化路径权重在进入日粒度递推之前确定并在递推期间保持不变,即对于任意递推日d均有ωd,k=ωk,且ωk≥0、各ωk之和为1;当待预测电池被匹配至单一退化路径时,所匹配退化路径的权重为1,其余退化路径的权重为0;当无法确定单一退化路径时,根据路径先验概率、工况风险匹配度或预设权重确定各退化路径权重ωd,k,健康状态sohd根据累计日历容量损失qcal和累计循环容量损失qcyc更新。

42、进一步的,包括采用上述的方法的系统,具体内容如下:

43、包括数据获取模块、日历物理模型模块、残差学习模块、循环解耦模块、退化路径聚类模块、退化路径匹配与融合模块、分路径循环模型模块、直流内阻模块、热模型模块、温度反馈模块、动态仿真模块和输出模块;

44、其中,所述数据获取模块被配置为执行步骤s1,所述日历物理模型模块和残差学习模块被配置为执行步骤s2,所述循环解耦模块被配置为执行步骤s3,所述退化路径聚类模块和分路径循环模型模块被配置为执行步骤s4,所述直流内阻模块和热模型模块被配置为执行步骤s5,所述退化路径匹配与融合模块、温度反馈模块和动态仿真模块被配置为执行步骤s6,所述输出模块被配置为执行步骤s7。

45、进一步的,包括采用上述方法的电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1至7任一项所述的方法。

46、进一步的,包括采用上述方法的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。

47、采用以上结构后,本发明具有如下优点:1、实现日历老化与循环老化的解耦辨识:通过构建混合日历老化模型,从循环测试总容量损失中精准扣除静置过程产生的日历容量损失贡献,得到更贴近纯循环机理的循环老化目标量,降低静置时间、测试温度和soc差异对循环模型参数辨识的干扰,使循环老化模型的基础退化项和拐点后加速项具有更明确的物理含义。

48、2、支持多退化路径分路径建模:基于解耦后的循环老化目标量提取退化特征并聚类,针对慢衰退、常规衰退、快速衰退等不同路径分别建立循环老化模型,避免单一模型拟合多路径数据带来的平均化误差;同时支持单一路径匹配与多路径加权融合两种预测模式,适配早期数据充足与缺失的不同场景。

49、3、构建电-热-寿命闭环联合预测框架:将直流内阻演化、产热计算、最高温度求解与老化速率计算纳入同一日粒度递推链条,通过当日最高温度修正等效老化温度,再反馈至当日日历与循环老化增量计算,实现soh、soc、dcir和最高温度的同步联合预测,更贴合真实动态工况下的老化耦合机制。

50、4、支持退化机制分解输出:可分别输出日历容量损失、基础循环退化损失、跳水加速损失以及热反馈影响等量化结果,为电池老化原因分析与运维策略制定提供可解释的量化依据。