2011 阿贡实验室 Ira Bloom 电池测试与寿命估算 Battery Testing and Life Estimation in the US
预测电池寿命的方法[发明专利]
![预测电池寿命的方法[发明专利]](https://img.taocdn.com/s3/m/89149ff177eeaeaad1f34693daef5ef7bb0d125a.png)
专利名称：预测电池寿命的方法专利类型：发明专利
发明人：吴华忠,谢鹏,刘璋勇
申请号：CN202010936501.6申请日：20200908
公开号：CN114152890A
公开日：
20220308
专利内容由知识产权出版社提供
摘要：本发明公开了预测电池寿命的方法。
该方法包括：测试电池在不同温度下的额定容量Vn；将电池充电至某一特定SOC值对应的开路电压值后用恒压源将电池的电压维持在该电压值，之后电池的充电电流将逐渐降低至一恒定值，记录所述不同温度下特定SOC值对应的恒定电流值In；确定实际应用过程中电池在所述不同温度下的使用系数η，并以所述使用系数η、所述恒定电流值In和所述额定容量Vn作为评价因子来计算电池寿命的评价指数，以便判断不同电池的寿命长短。
该方法能够显著降低不同使用温度下因电池副反应程度不同对电池寿命产生的误判概率，从而大大提高电池寿命预测结果的准确性和可靠性。
申请人：昆山宝创新能源科技有限公司
地址：215333 江苏省苏州市昆山市昆山开发区蓬溪中路1号
国籍：CN
代理机构：北京清亦华知识产权代理事务所(普通合伙)
代理人：戴冬瑾
更多信息请下载全文后查看。
基于ARIMA和PF的锂电池剩余使用寿命预测方法
基于ARIMA和PF的锂电池剩余使用寿命预测方法豆金昌;陈则王;揭由翔【期刊名称】《太赫兹科学与电子信息学报》【年(卷),期】2013(000)005【摘要】An efficient method for battery Remaining Useful Life(RUL) prediction would greatly improve the reliability of systems. A novel Autoregressive Integrated Moving Average Model-Particle Filter(ARIMA-PF) fusion prognostic framework is developed to improve the performance of battery RUL prediction. It is composed of ARIMA algorithm and PF algorithm. ARIMA is employed for short-term estimation of system state, while Particle Filter for long-term estimation of system state. Firstly, the lithium ion battery is monitored online; then the corresponding algorithms are employed according to short-term forecasts or long-term forecasts requirements; the forecast maps are obtained with the transverse and longitudinal coordinates standing for the cycle and capacity respectively. The experimental results indicate that the proposed prognostic framework can predict lithium ion battery RUL accurately and fast.%有效的电池剩余使用寿命(RUL)预测方法能够极大地提高系统的可靠性。
钛酸锂电池循环寿命预测
钛酸锂电池循环寿命预测钛酸锂电池循环寿命预测钛酸锂电池是一种重要的锂离子电池，具有高比能量、长循环寿命和高安全性的优点。
循环寿命是衡量电池性能的重要指标之一，因此预测钛酸锂电池循环寿命对于电池的设计和应用具有重要意义。
下面我将按照步骤逐步展开预测的思路。
第一步：收集数据和建立模型首先，我们需要收集一系列钛酸锂电池的循环寿命数据。
这些数据可以通过实验室测试或实际应用中的监测得到。
收集到的数据应包括电池的循环次数和电池容量的变化情况。
然后，我们可以使用统计学方法建立一个循环寿命预测模型。
常用的模型包括线性回归、支持向量机、随机森林等。
通过将循环次数作为自变量，电池容量变化作为因变量，我们可以训练模型以预测电池在不同循环次数下的容量衰减情况。
第二步：特征选择和数据预处理在建立模型之前，我们需要进行特征选择和数据预处理。
特征选择是指选择与循环寿命相关的特征，如电池材料、工作温度、充放电速率等。
这些特征应有助于预测电池的循环寿命。
同时，我们还需要进行数据预处理，包括数据清洗、缺失值处理和异常值处理等。
这可以提高模型的准确性和鲁棒性。
第三步：模型训练和评估在经过特征选择和数据预处理之后，我们可以使用收集到的数据集进行模型的训练和评估。
通常，我们将数据集分为训练集和测试集，其中训练集用于模型的训练，测试集用于评估模型的性能。
在模型训练过程中，我们可以使用交叉验证等技术来调整模型的参数，以提高模型的泛化能力。
第四步：模型应用和预测当模型训练完成后，我们可以将其应用于实际的钛酸锂电池循环寿命预测中。
通过输入电池的循环次数，模型可以预测出电池容量随着循环次数的变化趋势。
同时，我们还可以通过对模型的解释性分析，找出影响循环寿命的关键因素。
这有助于电池的设计和优化。
总结：钛酸锂电池循环寿命的预测是一个复杂的问题，需要收集数据、建立模型、进行特征选择和数据预处理、模型训练和评估，最终应用于实际的预测中。
这个过程将为电池的设计和应用提供有价值的指导。
锂电池安全寿命评估
锂电池安全寿命评估锂电池安全寿命评估锂电池是现代电子设备的重要组成部分，其安全寿命评估对保障消费者的使用安全至关重要。
下面将逐步介绍锂电池安全寿命评估的步骤。
第一步：收集数据与信息要进行锂电池安全寿命评估，首先需要收集相关的数据与信息。
这包括锂电池的制造商提供的技术规格、使用说明书以及已有的安全性评估报告。
此外，还需要了解锂电池的化学成分、设计特点、生产工艺以及已知的安全问题和事故案例等。
第二步：确定评估指标在进行锂电池安全寿命评估之前，需要确定评估的指标和标准。
常用的评估指标包括锂电池的安全性能、容量衰减情况、循环寿命以及温度和湿度对锂电池性能的影响等。
根据不同的应用场景和需求，评估指标可以有所差异。
第三步：制定实验计划为了评估锂电池的安全寿命，需要设计相应的实验方案。
实验计划应包括实验的具体内容、测试方法、实验参数的选择以及实验所需的设备和环境条件等。
实验过程中应尽可能模拟实际使用条件，以获得准确可靠的评估结果。
第四步：进行实验测试根据实验计划，进行锂电池的实验测试。
测试的内容可以包括充放电循环测试、温度和湿度试验、物理冲击和振动测试以及短路和过充等异常情况下的安全性能测试等。
实验测试的结果应进行详细记录和分析，以便后续的评估和判断。
第五步：评估结果分析根据实验测试的结果，对锂电池的安全寿命进行评估和分析。
可以通过对实验数据的统计和对比，确定锂电池在不同使用条件下的安全性能和寿命预测。
评估结果应综合考虑锂电池的设计特点、使用环境和要求等因素，以得出全面准确的评估结论。
第六步：编写评估报告根据评估结果，编写锂电池安全寿命评估报告。
报告应包括评估的目的、方法、实验测试的结果、评估结论以及相应的建议和措施等。
评估报告应清晰明确，提供有关锂电池安全寿命的科学依据，以便制造商、用户和监管机构参考和采取相应的措施。
总结起来，锂电池安全寿命评估是一个复杂而关键的过程，需要收集数据与信息、确定评估指标、制定实验计划、进行实验测试、评估结果分析以及编写评估报告等多个步骤。
114 美国阿贡国家实验室
个方向 ： 基础 研究 小 组 由 Ｍ． Ｔ ａｋ ｒｖ博士 领 导 ， Ｍ． ｈｃ ｅａ 其 主要研究领域包括新型合金负极材料复合 锂过渡金 属氧 化物正极材料的研究 ； 应用 技术 研发小组 由 Ｋ． ｍｉ Ａ ｎ ｅ博
士负责 ， 该小组 的研究工 作包括 开发新 型 电解液 添加 剂
［］ Ｔ Ｎ ｉ （ 甜 ） Ｐ Ｎ Ｙ ｎ （ 勇 ） Ｚ Ｏ ｉ ｈ ｎ 周 益 ３ Ａ Ｇ Ｔａ 唐 ｎ ， Ａ ｏｇ 潘 ， Ｈ Ｕ Ｙ． ｕ （ ｅ
好 ； 钢壳虽然 镀层并 非最薄 ，Ｐ ｃ Ｅ ＭＡ结 果却 显示镀 层连 续
完整性最差 ， 表明镀层厚度是决定成型后 钢壳 内壁镀层状 况
作 的电池放 电性能 明显下降 ， 表明内表面镀层结 构对 电池储
存后 的放 电性能影响较大 。结合 Ｅ ＭＡ测试结果可知 ， Ｐ 局部
图 ２ 不 同钢壳 制作 的电池的 ５０ｍ ０ Ａ连放 曲线
Ｆ ｇ ２ ５ ０ ｍＡ ｃ ｎ ｉ ｕ ｕ ｉ ｈ ｒ ｅ ｃ ｒ ｅ ｆｂ ｔ ｒ ｓ ｍａ ｅ ｉ ． ０ ｏ ｔ ｏ ｓｄｓ ａｇ ｕＶ ｓｏ ａｔ ｉ ｄ ｎ ｃ ｅｅ ｂ ｉ ｅ ｅ ｔ ｔｅ ａ ｓ ｙｄｆ ｒｎ ｅｌ ｎ ｆ ｓ ｃ
第 ６期
金成 昌， ： 壳镀层对 电池大 电流放 电性能的影响 等 钢
３１ ７
１ ． ３
２ 嚣 电 一 后 １ 耋 ａ 储存 一 嚣 新 Ｂ 塑
３ Ｃ钢壳
ｂ
２ｔ 镀层的连续完整性仍 然不佳 ， ｍ， ｔ 局部 有较 高程 度 的铁基 体露 出； 镀层厚 度更 薄 的 ｃ钢壳就更 差 ， 明外表 面的 镀层 表
器、 锂电池和燃料电池等）研 究和预测电池的寿命 。 ， 阿贡国家实验 室 的锂 电池研 究小 组总 共有 ３ ４个雇
重磅 _ Jeff Dahn组：定量分析循环老化后电解液和负极变化
重磅 | Jeff Dahn组：定量分析循环老化后电解液和负极变化导读：不同阶段（ 比如：Begin of life和End of life）的锂离子电池的电化学性能差异、安全性差异以及失效机理一直是颇让人感兴趣的话题。
2017年，美国阿贡国家实验室的Gilbert等人研究了NMC532扣式电池在不同充电上限电压下的循环容量衰减情况，发现SEI中过渡金属Mn2+含量与容量衰减程度有很好的相关性，并提出控制正极过渡金属溶出对于提高电池高电压循环容量保持率至关重要。
2018年，Jeff Dahn组研究了单晶NMC532软包电池在55 ℃、不同充电上限电压(4.0-4.4 V)下1/3 C循环8个月(~750周)的容量保持率，并获取循环后电池的电解液和负极进行了定量分析，成果详见Quantifying Changes to the Electrolyte and Negative Electrode in Aged NMC532/Graphite Lithium-Ion Cells.图文浅析一．循环后电池电解液提取图1. (a)以往所用的液相萃取法获取电解液示意图；(b)本实验所用的离心获取电池电解液示意图。
本研究的主要目的是研究NMC532软包电池经循环老化后电解液和负极的成分变化。
为了获取循环后软包电池的电解液，本实验中所用电解液提取方法(图1b)与以往所用方法(图1a)有所不同。
如图1所示，以往所用电解液提取方法纯粹是液相萃取+离心分离。
但由于本实验不仅要分析电解液，还要分析负极，因此方法上较以往有所改变：先将软包电池开口进行离心分离，取出电解液后负极用于成分分析。
这样做的好处在于能最大限度避免负极成分受DCM萃取的影响。
图2. 用三种已知不同组分电解液对比以往研究中所用的电解液液相萃取提取和本实验中所用的电解液离心提取：(a) 2% VC + 98% EMC；(b) 20% EC + 50% EMC + 30%DMC；(c) 30% EC + 70% EMC。
梯次利用锂电池健康状态预测
梯次利用锂电池健康状态预测孙冬;许爽【摘要】从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况.基于锂电池一阶 RC 等效电路模型,研究基于增量式自回归模型(I-ARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法.实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池 SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性.%Lithium-ion battery retired from electric vehicles may be considered expanding their useful life for second use if their functional components are effective. The retired battery has been separated from battery management system and they are offline. Their residual capacity and performance are different from each other, so it is necessary to reevaluate their performance. In this paper, a suitable test profile for performance evaluation of retired battery was designed which is to identify ohm resistance based on the first-order RC model, and the health feature extraction method was proposed based on the identifiable I-ARX model. The three health indicators (HIs), average internal resistance, minimum internal resistance and resistance-SOC curve, were obtained from health test data. Based on the three HIs, battery health models were established and their effectiveness has been validated by simulation. Furthermore, anevaluation method using multi-model fusion technology was proposed to solve the issue by BP neural network, which is to enhance the accuracy of SOH prediction for the retired lithium-ion batteries, and its effectiveness was verified by experimental data.【期刊名称】《电工技术学报》【年(卷),期】2018(033)009【总页数】9页(P2121-2129)【关键词】梯次利用锂电池;健康状态预测;健康因子;健康模型;多模型数据融合技术【作者】孙冬;许爽【作者单位】郑州轻工业学院郑州 450002;上海大学机电工程与自动化学院上海200072;郑州工程技术学院郑州 450044【正文语种】中文【中图分类】TM912电动汽车以其污染小、噪声低、能源效率高、能源来源多元化等优势备受青睐，随着电动汽车技术的日益完善，电动汽车正在成为现代汽车工业的发展方向[1-3]。
一种电芯寿命评估方法
一种电芯寿命评估方法电芯寿命评估是对电池使用过程中可能出现的容量衰减、内阻增加以及电化学性能下降等相关参数进行分析和预测的一种方法。
电芯寿命评估方法可以分为两大类：实验室测试和模型预测。
实验室测试主要是通过对电芯进行一系列的测试，包括循环充放电、标准测试、恒流放电等，获取电芯在不同工况下的性能数据。
这些测试数据可以用来分析电芯的衰减机理、评估其寿命剩余程度以及预测电芯在不同工况下的使用寿命。
实验室测试的优点是可以直接测量电芯的参数，具有高精度和可靠性。
然而，实验室测试对设备要求较高，测试时间长，且成本较高。
模型预测是根据电芯的物理、化学性质，通过建立电化学模型或统计模型，预测电芯寿命。
电化学模型一般基于电化学反应的原理，通过模拟电池内部的物理、化学过程，计算电池的参数和性能。
统计模型则根据电池的历史数据和统计规律，建立电池衰减的模型，用以评估电池剩余寿命。
模型预测的优点是能够快速预测电芯的寿命，对于大规模的电芯寿命评估具有较好的适用性。
但是，模型预测需要对电芯的参数和衰减规律有一定的了解，且预测结果的精度会受到模型准确性的限制。
在电芯寿命评估过程中，需要考虑的因素包括电芯的设计、材料、工况等。
电芯的设计参数如电极材料、最大充电放电电流、循环寿命等决定了电芯的基本性能；电芯的材料如正极材料、负极材料、电解液等决定了电芯的电化学特性；电芯的工况如温度、充放电速率等则会对电芯的使用寿命产生重要影响。
对于电芯寿命评估的方法，可以根据实际情况进行选择。
对于电池研究人员和制造商来说，实验室测试是一种常用的方法，可以利用实验室设备进行各种电芯性能测试，获取详细的性能数据。
对于电池系统的使用者来说，更关注的是对电池剩余寿命的预测，这时可以利用模型预测方法，通过收集电池历史数据，建立统计模型对电池进行寿命评估。
总之，电芯寿命评估方法是对电芯在使用过程中可能出现的性能衰减进行评估和预测的一种方法。
通过实验室测试和模型预测，可以获取电芯的性能参数，并对电芯的剩余寿命进行评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Charge sustaining (CS) Available capacity Available capacity
Unused/ uncharged capacity
HEV
Unused capacity
0%
20%
40%
60%
80%
100%
SOC Range
Vehicle Assumptions At Pre-competitive Stage
Anatomy of battery testing
– Characterize the performance of a battery – Age it under controlled conditions – Measure changes in performance by repeating portions of the characterization tests
kW A
30 300
25 300
25 300
kWh
3.4
5.8
11.6
kWh
0.5
0.3
0.3
% kW Cycle Cycles Year
90 7 5,000 300,000 15
90 7 5,000 300,000 15
90 7 5,000 300,000 15
The goals are directly applicable to complete battery systems; most can be applied to the testing of modules, cells or sub-scale cells with appropriate scaling (battery scale factor)
– 10 mi AER vehicles
In the longer-term (2015-16), higher energy batteries (lower power:energy ratio) are expected to become available
– 40 mi AER vehicles
PHEV Battery Testing
The US Advanced Battery Consortium (USABC) has established performance and life targets for PHEVs Intended vehicle platforms
– Minimum PHEV battery target: a sport utility vehicle with a mass of 2000 kg and with an equivalent electric range of 10 miles (16 km) – Medium PHEV battery target: a passenger car with a mass of 1600 kg and with an equivalent electric range of 20 miles (32 km) – Maximum PHEV battery target: a passenger car with a mass of 1500 kg and with an equivalent electric range of 40 miles (64 km)
Vehicle Modeling Shows Energy/Power Requirements for PHEVs
Urban Dynamometer Driving Schedule (UDDS) was used as basis for modeling the vehicles, with a minimum AER of 10 mi (16 km) Analysis of energy requirements showed:
Battery performance and life testing in the US is an application-driven, analytical process Current focus is on HEVs, PHEVs and EVs For simplicity, this presentation will be focused on test methods for PHEVs and EVs at the pre-competitive stage General testing philosophy
– – – Midsize car (ex: Chevy Malibu) Midsize crossover utility vehicle (CUV, ex: Chrysler Pacifico) Midsize sport utility vehicle (SUV, ex: Ford Explorer)
– Midsize car consumed about ~280 Wh/mi (~175 Wh/km) – Midsize CUV, ~340 Wh/mi (~210 Wh/km) – Midsize SUV, ~420 Wh/mi (~260 Wh/km)
Analysis of power requirements showed (mid AER power, 2s):
Midsize crossover UV 1950 2.7 0.4 0.010 1000
Midsize SUV 2000 2.9 0.4 0.011 1200
W
800
Data from: Pesaran, Markel, Tataria and Howell, EVS23 Symposium, Anaheim, CA, December 2007
Selected Energy Storage System Target Values
Characteristics at EOL (End-of-Life) Equivalent Electric Range Peak Discharge Pulse Power (2 sec /10 s) Peak Regen Pulse Power (10 s) Max. Current -10s Available Energy for CD Mode, 10kW Rate Available Energy for CS Mode, 10kW Rate Minimum Efficiency Cold cranking power at -30°C CD Life CS HEV Cycle Life, 50 Wh Profile Calendar Life, 35°C Unit Miles (km) kW Min PHEV Battery 10 (16) 50/45 Med PHEV Battery 20 (32) 45/37 Max PHEV Battery 40 (64) 46/38
Other considerations: vehicle mass, aerodynamic and rolling resistances, vehicle performance (top speed/acceleration), electric range, operating strategy and usable energy window Three vehicle types were selected to resent different energy requirements and to represent various sectors of the light-duty US vehicle market
Thus, the battery has to be sized and engineered to accommodate demands from the vehicle
EV Unused capacity Used capacity (CD)
PHEV
Unused capacity
CS
Used capacity (CD)
Using These Results, Goals Were Established
In the near-term (2012), batteries are expected to have high power:energy ratio, based on work with current hybrid electric vehicles; early market penetration
– Midsize car, 46 kW – Midsize CUV, 50 kW – Midsize SUV, 70 kW
For a 10-s pulse, the power would be about 75% of these values
– Midsize car, ~35 kW – Midsize CUV, ~37 kW – Midsize SUV, ~53 kW
A mid-term goal was also established, representing an intermediate stage of development
– 20 mi AER vehicles
The results were then generalized to be free of the specific vehicles mentioned earlier and are used in battery development It should also be noted that the starting SOC for the capacity/energy range that is used in the CD was left to the battery developer