用于诊断快速劣化的电池电芯的系统、方法及计算机可读介质与流程
本公开涉及一种准确地诊断和减轻快速劣化的电池电芯的技术。本技术要求2024年12月6日提交的美国临时申请no.63/729,193和2025年3月13日提交的美国临时申请no.19/078,958的优先权和权益,其公开内容通过引用并入本文。
背景技术:
1、电池已经成为现代能量管理系统中的关键部件。电池技术允许在低需求期间存储多余的电力并且在高需求期间释放不足的电力,从而优化能量使用(通过减少太阳能和风能的限制),减少对基于化石燃料的发电(诸如燃气轮机或内燃机车辆)的依赖,并且通过减少温室气体的释放来减轻气候变化的影响。
2、随着锂离子电池(lib)对许多应用变得不可或缺,确保其安全性至关重要。该领域的研究集中于估计或预测lib的健康状态(soh),该术语通常描述电池在给定循环中相对于其额定容量的容量。lib的容量劣化由于电池循环期间的副反应而逐渐发生。当电池的soh下降到80%以下时,电池被认为已经达到其寿命终止(eol),指示使用该电池不再安全。
3、用于估计或预测lib的soh的方法通常可以分为基于物理的方法和数据驱动的方法。基于物理的方法包括等效电路模型,其将电池的劣化元件表示为如电阻器和电容器的电路部件;经验方法,其将复杂的劣化率简化为经验式;以及电化学模型(em),其精确地模拟电芯内部的电化学行为,同时旨在管理计算成本。然而,等效电路和经验方法都难以完全捕获复杂的劣化现象。em在提供详细见解的同时,通常涉及许多未知参数和大量计算需求。这些复杂性可能导致不准确,特别是当模拟具有快速劣化的电芯的场景时。
4、鉴于这些挑战,数据驱动模型在预测在诸如快速充放电以及恶劣操作环境的条件下快速劣化lib的寿命特性方面越来越受到青睐。这些模型建立了初始充放电循环期间记录的健康指数(hi)与未来soh之间的关系,使得在提供新的lib数据时能够实现soh预测。hi被分成直接健康指数(dhi)和精细健康指数(rhi),dhi在循环过程期间易于测量,rhi需要单独的循环后测量。
5、诸如电压、电流和温度(vit)的典型直接健康指数(dhi)不直接与电池容量相关。因此,使用这些指数估计或预测soh通常需要使用复杂的深度神经网络。然而,累积足够的电池循环数据直到eol以有效地训练这些网络是昂贵且具有挑战性的,这限制了单独用于准确的未来soh预测的dhi的可用性。此外,在实验室中进行的典型循环实验与电动车辆(ev)中的实际充电/放电模式之间存在显著差异。为了克服这些数据限制,正在出现利用迁移学习的研究。尽管如此,当电池组成或操作条件发生变化时,迁移学习尚未始终提供令人满意的性能,在循环数据集有限的情况下,强调对更简单的模型的需求。
6、rhi通常比dhi与soh的相关性更强,从而允许使用更简单的模型(诸如线性模型)来进行寿命预测。例如,研究已经证明使用基于诸如dq/dv的比率的简单模型的有效soh预测。然而,在实际电动车辆(ev)操作期间测量这些变量具有挑战性,使得车载电池管理系统(bms)难以实时利用这些变量。一些研究已经探索了使用容量作为soh估计的输入变量。容量趋势是未来电池性能的有力预测指标,并且可以在ev操作期间进行监测;然而,在实际条件下准确地测量容量是有问题的,因为它需要每次循环将荷电状态(soc)从0%循环到100%。
7、因此,虽然dhi是容易测量和常用的,但它们与soh的弱直接相关性通常需要复杂的建模方法。相反,rhi与soh具有强相关性,但对ev中的实时测量提出了重大挑战。识别既易于测量又与soh密切相关的输入变量对于增强用户安全性至关重要。
8、内阻(ir)是与容量劣化高度相关的另一指标,使其成为电池分析中的重要项目。认识到ir的重要性,若干研究旨在直接使用dhi或rhi作为输入变量来预测ir。另外,研究人员已经将基于ir的项目合并到用于估计或预测soh的模型中,通常使用来自电化学阻抗谱(eis)的电阻测量。eis的价值在于其准确区分欧姆电阻(ro)、电荷转移电阻(rct)和极化电阻(rp)的能力,从而能够保持和利用与soh密切相关的电阻项。然而,eis在ev中的实际应用面临限制,因为它不能在正常电池操作期间进行,在实时ev诊断中呈现出与其他rhi类似的挑战。
9、本文提供的背景描述是为了总体上呈现本公开的上下文。除非本文另有说明,否则本节中描述的材料不是本技术中的权利要求的现有技术,并且不因包含在本节中而被承认是现有技术或现有技术的建议。
技术实现思路
1、技术问题
2、本公开涉及提供一种系统和方法,该系统和方法能够通过利用包括直流内阻(dcir)(尤其是电荷转移电阻(rct)的值来分离由于突然的副反应引起的电阻增加,并且基于电阻增加与电池的健康状态(soh)之间的线性度和单调性来预测电池电芯的未来soh。
3、此外,本发明涉及提供一种用于诊断电池电芯的系统和方法,即使在电动车辆的实际操作环境中可用数据有限的条件下,也可以通过应用具有简单结构和稀疏性的线性模型(例如弹性网络(en)回归模型)而不是复杂的深度神经网络模型来应用该系统和方法。
4、本公开的这些和其他目的和优点可以从以下详细描述中理解,并且将从本公开的示例性实施方式中变得更加显而易见。而且,将容易理解的是,本公开的目的和优点可以通过所附权利要求中所示的方法及其组合来实现。
5、技术方案
6、根据一个方面,本公开涉及一种用于诊断快速劣化的电池电芯的系统,该系统包括:控制器,该控制器包括处理器和存储计算指令的非暂态存储器,该计算指令在由处理器执行时被配置为:(a)在充电过程和放电过程中的至少一个期间向电池电芯施加直流(dc)脉冲;(b)响应于所施加的dc脉冲而测量电压随时间的变化以确定直流内阻(dcir);(c)通过从dcir排除欧姆电阻(ro)分量来分离dcir的电荷转移电阻(rct)分量;以及(d)通过预测指示快速电芯劣化的电池电芯的至少一个健康状态(soh),基于rct分量将电池电芯诊断为快速劣化。
7、在一些情况下,步骤(d)包括:将rct分量作为特征输入到分类器中,以预测电池电芯在180次充电-放电循环和270次充电-放电循环时的至少一个soh;以及当270次充电-放电循环时的预测的soh与180次充电-放电循环时的预测的soh的差至少为2.5%时,将电池电芯诊断为快速劣化。
8、在一些情况下,分类器是实现弹性网络(en)回归的线性回归模型。
9、在一些情况下,控制器被配置为在包括0.1秒以及10秒或30秒中的至少一个的dc脉冲的多个时间尺度处确定dcir,并且步骤(c)包括从在10秒或30秒中的至少一个处测量的dcir中减去在0.1秒处测量的dcir,以排除ro分量并分离rct分量。
10、在一些情况下,控制器被配置为在电池电芯的0次、90次、180次或270次充电-放电循环中的一次或更多次之后施加dc脉冲。
11、在一些情况下,控制器被配置为在所施加的dc脉冲的一个或更多个时间尺度处确定dcir,并且一个或更多个时间尺度包括0.1秒、1秒、5秒、10秒、15秒、20秒、25秒、30秒或60秒。
12、在一些情况下,控制器被配置为在电池电芯的一个或更多个荷电状态(soc)下确定dcir,并且一个或更多个soc包括10%、20%、30%、40%、50%、60%、70%、80%或90%。
13、在一些情况下,控制器被配置为在多个荷电状态(soc)下的混合脉冲功率特性(hppc)测试期间施加dc脉冲;并且从hppc测试确定dcir的多个值,并且hppc测试包括施加具有至少两种不同电流的dc脉冲。
14、在一些情况下,至少两种不同电流包括0.5c、1c、1.5c、2.0c或2.5c中的至少两个。
15、在一些情况下,电池电芯被配置为给电动车辆供电,并且控制器与电动车辆的电池管理系统(bms)集成。
16、在一些情况下,电池电芯被配置为存储由太阳能或风能产生的可再生电力,以便减少对基于化石燃料的发电的依赖并减轻气候变化影响。
17、根据另一方面,本公开涉及一种用于诊断快速劣化的电池电芯的方法,该方法包括以下步骤:(a)在充电过程和放电过程中的至少一个期间向电池电芯施加直流(dc)脉冲;(b)测量响应于所施加的dc脉冲的电压随时间的变化,以确定直流内阻(dcir);(c)通过从dcir中排除欧姆电阻(ro)分量来分离dcir的电荷转移电阻(rct)分量;以及(d)通过预测指示快速电芯劣化的电池电芯的至少一个健康状态(soh),基于rct分量将电池电芯诊断为快速劣化。
18、根据另一方面,本公开涉及一种其上存储有计算机可执行指令的非暂时性计算机可读介质,该计算机可执行指令响应于控制器的处理器的执行而使控制器执行用于诊断快速劣化的电池电芯的操作,该操作包括:(a)在充电过程和放电过程中的至少一个期间向电池电芯施加直流(dc)脉冲;(b)响应于所施加的dc脉冲而测量电压随时间的变化以确定直流内阻(dcir);(c)通过从dcir中排除欧姆电阻(ro)分量来分离dcir的电荷转移电阻(rct)分量;以及(d)通过预测指示快速电芯劣化的电池电芯的至少一个健康状态(soh),基于rct分量将电池电芯诊断为快速劣化。
19、应当注意,通过本公开可获得的技术效果不限于上述效果,并且本领域技术人员根据以下描述将清楚地理解本文未提及的其他效果。
20、有益效果
21、根据本公开的一个方面,该系统和方法可以通过利用包括直流内阻(dcir)(尤其是电荷转移电阻(rct))的值来分离由于快速副反应引起的电阻增加,并且基于电阻增加与电池健康状态(soh)之间的线性度和单调性来预测电池电芯的未来soh。
22、此外,根据本公开的一个方面,通过应用具有简单结构和稀疏性的线性模型(诸如弹性网络(en)回归模型)而不是复杂的深度神经网络模型,即使在电动车辆的实际操作环境中的有限的可用数据的条件下,也可以有效地应用该系统和方法。
23、本发明的效果不限于上述效果,并且本领域技术人员根据权利要求的描述将清楚地理解未提及的其他效果。
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