SOH-Einführung der Lithium-Ionen-Batterie Internationale SOH-Schätzmethode für Lithium-Ionen-Batterien

Basierend auf der Forschung zur Schätzmethode von Batterie-SOH im In- und Ausland werden in diesem Artikel zwei international anerkannte Mainstream-Methoden vorgestellt.

1. Erfahrungsbasierter Ansatz

Die empirische Methode zur Vorhersage der Batterielebensdauer wird auch als statistische regelbasierte Methode bezeichnet, die hauptsächlich die folgenden drei Typen umfasst:

1) Zyklusnummernmethode

Bei dieser Methode wird der Zyklus der Batterie gezählt. Wenn die Anzahl der Zyklen der Batterie einen bestimmten Bereich erreicht, wird davon ausgegangen, dass die Batterie die Lebensdauer erreicht. Diese Methode muss die Auswirkungen verschiedener Zyklusbedingungen, Zykluszustände und anderer Faktoren auf die Zykluslebensdauer berücksichtigen und die Batterielebensdauer basierend auf Erfahrung und Standardparametern bestimmen.

2) Anthony-Methode und gewichtete Ampere-Zeit-Methode

Die Gesamtzahl der Stunden, die eine Batterie während des gesamten Lade- und Entladevorgangs einer neuen Batterie mit Strom versorgen kann, sollte ein fester Wert sein, wenn die akkumulierte Batteriekapazität einen bestimmten Wert erreicht. Es wird davon ausgegangen, dass die Batterie das Ende ihrer Lebensdauer erreicht hat . Diese Methode ist eine Amperestundenmethode. Bei der Methode der gewichteten Amperestunden wird berücksichtigt, dass, wenn die Batterie unter verschiedenen Bedingungen dieselbe Strommenge abgibt, der Grad der Schädigung der Lebensdauer gering und schwer ist. Wenn also die akkumulierte Strommenge mit einem Gewichtungsfaktor multipliziert wird, dem akkumulierten Ampere -Stunden erreicht einen bestimmten Wert und die Batterie kommt an. Lebensende.

3) Ereignisorientierte Alterungsakkumulationsmethode

Diese Methode muss zuerst eine Beschreibung des spezifischen Ereignisses formulieren, das den Verlust der Batterielebensdauer verursacht. Im Allgemeinen enthält jedes Ereignis eine Skalenbeschreibung des Schadensgrads, die das Auftreten von Ereignissen während der Verwendung der Batterie überwacht und die durch jedes Ereignis verursachte Abnahme der Batterielebensdauer, die verbleibende Lebensdauer der aktuellen Batterie, akkumuliert.

Die oben genannten Methoden basieren alle auf einigen Erfahrungen mit der Verwendung von Batterien gemäß einigen statistischen Gesetzen, um eine grobe Schätzung der Batterielebensdauer zu geben, nur bei ausreichender Erfahrung mit der Verwendung von Batterien für bestimmte Gelegenheiten. Lebensdauervorhersage.

2, leistungsbasierter Ansatz

Basierend auf verschiedenen Formen von Leistungsmodellen und unter Berücksichtigung des Alterungsprozesses und der Stressfaktoren. Gegenwärtig haben viele Studien eine auf dieser Idee basierende Vorhersage der Batterielebensdauer durchgeführt. Entsprechend den verschiedenen Informationsquellen, die bei der Lebensdauervorhersage verwendet werden, wird die auf der Batterieleistung basierende Lebensdauervorhersage in drei Kategorien unterteilt: mechanismusbasiert, funktionsbasiert und datengesteuert.

Die mechanismusbasierte Vorhersage besteht darin, das Betriebsmechanismusmodell und das Alterungsmodell der Batterie aus der Perspektive des wesentlichen Mechanismus der Batterie zu analysieren und zu etablieren, das Alterungsverhalten der Batterie aus der Perspektive des elektrochemischen Prinzips zu beschreiben und die Batterielebensdauer vorherzusagen durch Analyse des Batteriemodells.

Die merkmalsbasierte Vorhersage ist die Entwicklung der charakteristischen Parameter, die im Alterungsprozess der Batterie auftreten, und die Entsprechung zwischen der Merkmalsmenge und der Batterielebensdauer wird für die Lebensdauervorhersage hergestellt.

Datengesteuerte Vorhersage ist die Verwendung von Batterieleistungstestdaten, wobei das Gesetz der Batterieleistungsentwicklung aus den Daten für die Lebensdauervorhersage abgeleitet wird. Beispielsweise sind analytische Modelle und künstliche neuronale Netzwerkmodelle, die aus der Datenanpassung abgeleitet wurden, datengesteuerte Methoden. Jede der drei Methoden hat ihre eigenen Vor- und Nachteile, und die Kombination mehrerer Methoden wird häufig in praktischen Anwendungen verwendet.

1) Mechanismusbasierter Ansatz

Die mechanismusbasierte Vorhersage erfordert die Untersuchung der Auswirkung jedes Alterungsfaktors auf Zustandsvariablen. Diese Methode beschreibt zunächst den physikochemischen Prozess der Batterie, basierend auf dem Ohmschen Gesetz, dem Kirchhoffschen Spannungs-Strom-Gesetz und dem elektrochemischen Reaktionsprozess (Butler-Volmer). Gesetz), Diffusionsprozess (Ficksches Gesetz) usw.; Untersuchen Sie dann das Gesetz des Einflusses des Alterungsprozesses auf Zustandsvariablen. Einerseits sollten wir das Mechanismusmodell der Batterie untersuchen. Wir sollten das Alterungsmechanismusmodell des Alterungsprozesses und den Einfluss von Stressfaktoren auf die Zustandsvariablen untersuchen.

Die Hauptvorteile der mechanismusbasierten Lebensdauervorhersage sind: Batterien, die für nahezu alle Zustandsbedingungen und Betriebsarten geeignet sind; eine ausführliche Erläuterung des Batteriealterungsprozesses, der für die Batterieherstellung und die Konstruktionshersteller verwendet werden kann, um das Batteriedesign zu verbessern; im Vergleich zu anderen Methoden Basierend auf dem Modell kann die Analyse der Batteriesteuerungsstrategie detaillierter und genauer sein. Der Nachteil ist, dass das Modell feine Parameter und eine hohe Komplexität erfordert; Der Test auf Alterungsfaktoren ist kompliziert und es ist schwierig, ein perfektes Alterungsmechanismusmodell zu erstellen.

2) Merkmalsbasierte Vorhersagemethode

Die Idee, die auf der Vorhersage der Lebensdauer von Merkmalen basiert, besteht darin, die Entwicklung der charakteristischen Parameter, die im Alterungsprozess der Batterie gezeigt werden, zu verwenden, um die Entsprechung zwischen dem Wert der Merkmalsmenge und dem Zustand der Batterie für die Vorhersage der Lebensdauer herzustellen.

Aktuelle merkmalsbasierte Vorhersagen zur Batterielebensdauer konzentrieren sich hauptsächlich auf die Beziehung zwischen der elektrochemischen Impedanz und der Batterielebensdauer. Die elektrochemische Impedanzspektroskopie (EIS) wird als Forschungsmethode für die Batterielebensdauer verwendet. Im Allgemeinen wird die Impedanzspektrumskurve in verschiedenen Phasen der Batterielebensdauer gemessen. Die Modellform des Batterie-Ersatzschaltbilds wird gemäß der Impedanzspektrumkurve erhalten, und die Zyklusnummer usw. werden analysiert. Das Einflussgesetz der Parameter wie Lösungswiderstand, Lastwiderstand und Warburg-Impedanz im effektiven Schaltungsmodell und schließlich die Anpassungsformel der Parameter im Ersatzschaltbild mit der Anzahl der Batteriezyklen wird angegeben. Zusätzlich zum EIS-Impedanzspektrum gibt es auch ein Impulsimpedanzmessverfahren, das den Innenwiderstand eines an die Batterie angelegten Impuls- oder Stufenanregungssignals schätzt.

Das EIS-Impedanzspektrum kann eine detailliertere Beschreibung der Batterieimpedanz geben und zur Abschätzung der Lebensdauer der Batterie verwendet werden. Die Messung ist jedoch komplizierter und erfordert spezielle Messinstrumente. Die EIS-Technologie wird zur Online-Überwachung des Batteriezustands angewendet. Schnelle Messtechniken werden untersucht. Die Impulsimpedanzmessung ist einfach und leicht durchzuführen. Es kann schnell gemessen und online überwacht werden. Die Testergebnisse können die Impedanz der Batterie bis zu einem gewissen Grad beschreiben, die Eigenschaften der Batterieimpedanz widerspiegeln, die mit dem Abfall der Lebensdauer zunimmt, und können auch als Eigenschaften der Batterielebensdauer verwendet werden.

3) Datengesteuerte Vorhersage

Der physikochemische Prozess der Batterie selbst ist kompliziert und viele Gesetze sind durch Mechanismusforschung nur schwer direkt zu beschreiben. Die Idee, die Batterieleistung aus der Perspektive von Testdaten zu beschreiben, wird als datengesteuerter Ansatz bezeichnet.

Es gibt viele gängige datengesteuerte Algorithmen, z. B. SVM (Support Vector Machine), ARMA (Autoregressive Moving Average) und PF (Particle Filtering).

Die datengesteuerte Vorhersage erfordert keine Kenntnis des Mechanismus des Objektsystems. Basierend auf den gesammelten Daten werden verschiedene Lernmethoden zur Datenanalyse verwendet, um die impliziten Informationen für die Vorhersage abzubauen, wodurch die Komplexität der praktischen Modellierungsmethode zur Modellerfassung vermieden wird. Die erhaltenen Daten weisen jedoch normalerweise eine starke Unsicherheit und Unvollständigkeit auf. Es ist unrealistisch, alle möglichen lebensbeeinflussenden Faktoren in praktischen Anwendungen zu testen. Daher sind datengesteuerte Vorhersagen einfach zu implementieren, weisen jedoch auch bestimmte Einschränkungen auf.

Die Seite enthält den Inhalt der maschinellen Übersetzung.