预测电池容量变化的方法与流程

一个或多个实施例涉及预测电池容量变化的方法，更具体地，涉及根据锂离子二次电池的充电/放电循环和劣化条件来预测容量变化和拐点的方法。

背景技术：

1、在主要含锂的电池当中，锂离子二次电池是可再充电电池。锂离子二次电池的主要优点是高能量密度、高功率密度、宽电压范围。近来，随着使用锂离子二次电池作为储能设备的电动车辆(ev)的积极普及，作为ev领域中的核心技术的电池管理系统(bms)已成为人们关注的焦点。此外，随着新的可再生能源的开发加速，用于将可再生能源稳定连接到电力系统的储能系统(ess)的重要性已增加。因此，用于安全且高效地管理和使用锂离子二次电池的相关技术的重要性已增加。

2、在锂离子二次电池中，当重复地执行充电和放电时，内部电阻增加并且容量下降。这称为电池的老化。基于电池的初始状态(例如，形成工艺之后的状态)在当前时间点的老化程度被定义为称作电池的健康状态(soh)的指标，soh一般基于电池的当前容量相对于电池的初始容量来定义。电池的初始容量状态被定义为soh为100％的状态或寿命开始(bol)的状态，相对于初始容量约80％被定义为soh 80％或寿命结束(eol)。在内部电阻的情况下，测量值取决于施加的输入和温度条件而变化，并且随着老化的进行，与容量变化相比，内部电阻的变化相对不规则。因此，内部电阻一般用作老化预测的辅助指标。

3、如果容量随着电池老化而大幅下降，则使用该电池的设备的操作和安全性可能出现重大问题。首先，如果电池的容量下降，则使用该电池的设备的可用时间减少，这可能给用户带来不便。此外，电池的老化可能充当诸如电池的内部短路或热失控的较大事故的主要原因。因此，通过持续监测电池的soh，如果soh下降一定量，推荐更换电池，以经济、安全地使用电池。

4、特别地，考虑到环境和经济方面，电池的二次使用已经受到重视。二次使用是指主要用于需要高容量和高输出的ev的电池的重复使用，并且在相对固定、具有低输出并需要多个电池的设备中达到eol。上述bol和eol是在电池的初次使用中定义的概念，并且电池可以在eol(即初始容量的80％或更少)之后实际使用。然而，根据过去的使用条件，电池的二次使用可能是不可能的。例如，已在恶劣条件下使用过的电池在eol之后可能无法二次使用，因为eol之后可能发生容量的快速下降。因此，相对于一次使用中达到eol的电池执行用于确定二次使用是否可能的过程，之后，仅二次使用保证安全使用的电池。验证二次可用性的过程中最重要的因素是预测eol(即初始容量的80％或更少)之后电池的劣化模式。

5、eol之后的劣化模式不同于eol之前的劣化模式。示例包括“拐点”效应，其中容量在eol后快速下降。拐点一般出现在eol之后，并且是否产生效果以及出现效果的点取决于电池的管理环境和条件而变化。当例如电池在诸如高倍率充电/放电、在除室温以外的温度范围内操作、超出制造商推荐的电压范围的充电/放电的恶劣条件下使用电池时，拐点一般出现得较早。在不久的将来出现或预计在不久的将来出现拐点的电池可能在使用期间造成不便、经济损失和安全问题。因此，电池检测人员必须提前预测这一事态并为用户提供相关信息。此外，在验证二次可用性的过程中，必须提前筛选出不可能二次使用的电池。因此，为了在电池的整个寿命内安全、经济地使用电池，容量衰退模型是必要的，其中容量衰退模型能够综合预测eol之后的劣化模式和拐点的出现以及从bol到eol的劣化模式。

6、根据相关技术的容量衰退模型可以被分类为三种，即，经验模型、基于物理的模型和数据驱动模型。

7、经验模型通过使用具体的经验模型表达式来表示来自电池的数据。可以使用如下经验原理：第一，容量变化遵循关于充电/放电循环次数的幂律；第二，容量变化被表达为电池当前吞吐量的函数；第三，温度对容量变化的影响遵循阿累尼乌斯定律(arrheniuslaw)。大多数经验模型是基于上面提到的原理的简单数学模型，因此由于计算量小而可能不需要高性能处理器。即使在经验模型的情况下，根据原理的组合也可能有无数的模型，并且没有一个标准化的经验模型被证明是准确的。此外，利用上面提到的原理，可能难以表达电池中发生的实际电化学现象，并且经验模式如果在某些物理性质或环境下使用则可能导致大的误差。

8、基于物理的模型是通过将电池内部的电化学现象建模为各种物理参数和几个偏微分方程来使用根据使用模式来预测老化进行的模型的方法。如果对电池施加任意输入，则大多数基于物理的模型是用于预测老化模式的通用模型。然而，为了预测的准确性，这种方法需要准确了解电池内部的众多物理参数值。然而，实际上，这几乎是不可能的。在电池生产期间有可能获得一些参数值，但这可能极其复杂、耗时，或者有时不可能获得所有参数的准确值。此外，建模现象可能无法反映电池内部的全部复杂性，因此，不存在反映与电池老化相关的所有现象的标准化的基于物理的模型。此外，因为必须求解复杂的偏微分方程，所以基于物理的模型可能需要较长的计算时间，并且难以将基于物理的模型应用于需要实时计算的设备。此外，高性能处理器对于计算是必要的，并且建立硬件的成本增加。

9、数据驱动模型是通过使用经由电池实验获得的数据训练机器学习模型来预测容量变化的方法。这种方法可以反映电池的所有各种物理特性并创建能够预测相对于任意输入的容量变化的预测模型。数据驱动模型的缺点在于，如果数据不足，则可能难以执行准确的预测。获得大量有关电池的数据可能并不容易。电池实验需要付出很大的努力，包括长时间、昂贵的装备以及保持许多环境条件恒定的要求，因此，不可能在各种条件下在短时间内获得大量数据。因此，数据驱动模型目前不是实用的模型。

10、因此，为了预测电池在实际场地和产品中的劣化，有必要开发可反映各类电池的物理特性、需要较少计算、可用相对少的数据来构建、预测可靠并具有高准确度的容量衰退模型。

11、此外，许多现有模型可能仅预测soh是否达到80％，而可能无法预测从soh的100％到80％的劣化中间的模式。此外，即使存在确定劣化中间的soh的模型，大多数模型以bol至eol为目标，很少有模型预测eol之后的劣化模式和拐点表达。

技术实现思路

1、实施例涉及一种预测电池的容量变化的方法，该方法包括：如果在二次电池中重复地执行充电/放电循环，则计算每个充电/放电循环期间二次电池的正极颗粒的损伤；通过对损伤进行累积来计算累积损伤；计算归因于累积损伤而发生疲劳断裂的正极颗粒的最小半径；基于正极颗粒的半径分布和最小半径来计算每个充电/放电循环期间归因于疲劳断裂的正极活性颗粒的体积减少量；以及基于每个充电/放电循环期间正极活性颗粒的体积减少量来计算正极处的相对容量损失。

2、在实施例中，计算每个充电/放电循环期间正极颗粒的损伤包括：基于每个充电/放电循环中的充电电流的大小来计算施加到正极颗粒的有效应力；基于有效应力来计算施加到正极颗粒的应力范围；以及基于应力范围的大小与发生疲劳断裂的充电/放电循环的数量之间的关系来计算对应于应力范围的损伤。

3、在实施例中，预测电池容量变化的方法还包括：通过使用老化密度函数(adf)模型来计算每个充电/放电循环期间负极中的相对容量损失；以及通过将先前充电/放电循环中计算出的二次电池的先前相对容量损失、正极中的相对容量损失、以及负极中的相对容量损失的全部相加来计算执行当前充电/放电循环的二次电池的当前状态容量损失。

4、实施例还涉及一种预测电池容量变化的方法，该方法包括：通过重复地执行二次电池的充电/放电循环来获得实验数据；通过使用实验数据来优化非均匀应力诱导断裂(isif)模型；通过使用优化后的isif模型来生成虚拟数据；通过使用实验数据和虚拟数据来训练人工神经网络；以及通过使用人工神经网络来预测在预设条件下重复地执行充电/放电循环的二次电池的容量变化。

5、在实施例中，二次电池的充电/放电循环包括：恒流充电区间，其中以充电电流值的恒定电流对二次电池进行充电；恒压充电区间，其中如果二次电池的充电电压达到第一截止电压，则以充电电压值的恒定电压对二次电池进行充电；第一休息区间，其中如果二次电池的充电电流达到截止电流，则将二次电池的充电停止第一休息时间；恒流放电区间，其中以放电电流值的恒定电流对二次电池进行放电；以及第二休息区间，其中如果二次电池的放电电压达到第二截止电压，则在第二休息时间期间停止二次电池的放电。

6、在实施例中，获得实验数据包括对二次电池重复地执行充电/放电循环，其中，在充电/放电循环中，充电电流值、充电电压值、放电电流值、第一截止电压、截止电流、第二截止电压、第一休息时间和第二休息时间中的至少一个被不同地设置。

7、一个或多个实施例包括一种预测电池容量的方法，该方法能够根据锂离子二次电池的总寿命期间的充电/放电循环的数量来预测容量变化，特别地，预测锂离子二次电池在寿命结束(eol)之后的劣化模式以及拐点的表达。

8、另外的方面将部分地在下面的描述中阐述，并将部分地自该描述明显，或者可以通过实践本公开的所呈现的实施例而获悉。