一种基于副反应量化的锂电池容量预测方法
阅读说明:本技术 一种基于副反应量化的锂电池容量预测方法 (Lithium battery capacity prediction method based on side reaction quantification ) 是由 吴浩 王蓉蓉 于 2019-09-05 设计创作,主要内容包括:本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:建立容量预测计算模型;在不同的充放电容量状态下,根据电池的充放电电流I<Sub>A</Sub>分别计算生成SEI膜的平均电流I<Sub>Li</Sub>和电解液氧化的平均电流I<Sub>ox</Sub>;根据生成SEI膜的平均电流I<Sub>Li</Sub>和电解液氧化的平均电流I<Sub>ox</Sub>分别计算q<Sub>Li</Sub>和q<Sub>ox</Sub>,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。本发明提出的一种基于副反应量化的锂电池容量预测方法,建立容量预测计算模型,实现对新产品电池的快速预测。本发明中,模型建立方便,数据采集量小,样品电池仅需测试50-200周循环,且倍率越小循环周数越少。同时,本发明基于副反应量化的电化学原理,其预测误差小、精度高,具有良好的使用前景。(The invention provides a lithium battery capacity prediction method based on side reaction quantification, which comprises the following steps: establishing a capacity prediction calculation model; according to the charge-discharge current I of the battery under different charge-discharge capacity states A Respectively calculating average current I for generating SEI film Li And average current I of electrolyte oxidation ox (ii) a According to the average current I for SEI film generation Li And average current I of electrolyte oxidation ox Calculate q separately Li And q is ox And substituting the capacity prediction calculation model to obtain the charge and discharge capacity in the corresponding charge and discharge capacity state. The lithium battery capacity prediction method based on side reaction quantification provided by the invention establishes a capacity prediction calculation model and realizes rapid prediction of a new product battery. In the invention, the model is convenient to establish, the data acquisition amount is small, the sample battery only needs to be tested for 50-200 cycles, and the cycle number is less when the multiplying power is smaller. At the same time, the invention is based onThe electrochemical principle of side reaction quantification has the advantages of small prediction error, high precision and good application prospect.)
技术领域
本发明涉及锂电池生产技术领域,尤其涉及一种基于副反应量化的锂电池容量预测方法。
背景技术
自锂离子电池商业化以来,以其高能量密度、长循环寿命、高放电电压和低自放电率等优异性能被广泛应用于便携式电子设备以及电动交通工具和航空航天等领域,为了保证这些负载设备正常稳定运行,预测锂电池的使用寿命成为重中之重。
目前锂电池的寿命预测主要采用基于数据驱动的方法,它是对系统进行状态监测,对其历史数据进行分析学习,并转化成相关模型,从而对系统的未来状态进行预测。但是这一方法需要建立庞大的数据库,采集数据量大,且耗时长,不利于对新产品和新体系进行快速预测。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于副反应量化的锂电池容量预测方法。
本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:
S1、建立容量预测计算模型:
其中,Qcn为第n圈的充电容量,Qdn为第n圈的放电容量,qLi为SEI(固体电解质膜)所消耗不可逆Li(锂离子)的容量,qox为电解液中消耗的Li+(带正电的锂离子)产生的容量,qP为正极结构中无法正常脱出的Li+产生的容量损失,Qc0为电池正常循环容量达到最大值时的充电容量;
S2、在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox;
S3、根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。
优选的,50≦n≦200。
优选的,步骤S2中,通过结合电池的充放电电流IA和对应的充放电容量状态下的充电容量Qcn和放电容量Qdn计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox。
优选的,步骤S2中,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。
优选的,步骤S2中,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。
优选的,k=50。
优选的,步骤S3中,根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox的计算模型为:qLi=QILi/IA,qox=QIox/IA。
优选的,步骤S1中,qp=QIp/IA。
本发明提出的一种基于副反应量化的锂电池容量预测方法,通过对样品电池的测试,获得生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox,并进一步获得qLi、qox、qP,从而建立容量预测计算模型,实现对新产品电池的快速预测。
本发明中,模型建立方便,数据采集量小,样品电池仅需测试50-200周循环,且倍率越小循环周数越少。同时,本发明基于副反应量化的电化学原理,其预测误差小、精度高,具有良好的使用前景。
附图说明
图1为本发明提出的一种基于副反应量化的锂电池容量预测方法流程图。
具体实施方式
参照图1,本发明提出的一种基于副反应量化的锂电池容量预测方法,包括:
S1、建立容量预测计算模型:
其中,Qcn为第n圈的充电容量,Qdn为第n圈的放电容量,qLi为SEI所消耗不可逆Li的容量,qox为电解液中消耗的Li+产生的容量,qP为正极结构中无法正常脱出的Li+产生的容量损失,Qc0为电池正常循环容量达到最大值时的充电容量。同时,本实施方式中,Qc0为容量预测计算模型计算的起始循环。
SEI膜的生成与修复、电解液的氧化和电池正极结构的破坏是影响电池充放电容量的最主要因素,本实施方式中,容量预测计算模型通过引入qLi、qox和qP对电池循环过程中的充放电容量进行修正,充分考虑到电池正常循环过程中最主要的副反应,有利于提高电池容量预测的精确;同时,忽略对电池容量影响很小的副反应,降低了模型设置复杂度,降低了预测难度。
具体的,电解液氧化qox只发生在电池充电阶段,并起到增大电池容量的作用;正极结构破坏qP只发生在电池充电阶段,因为结构破坏导致锂无法脱出,所以降低了电池容量;SEI生成qLi只发生在电池充电阶段,但它不影响充电容量,只会降低放电容量。如此,本实施方式中,充分考虑到各副反应功效,保证了容量预测计算模型的精确度,从而保证了根据容量预测计算模型预测充放电容量的精确度。
具体的,本实施方式中,循环测试周期n满足:50≦n≦200,具体实施时,倍率越小所需的循环周数越少。
S2、在不同的充放电容量状态下,根据电池的充放电电流IA分别计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox。
具体的,本实施方式中,通过结合电池的充放电电流IA和对应的充放电容量状态下的充电容量Qcn和放电容量Qdn计算生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox,即:
其中,Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值。本实施方式中,电流ILi和电流Iox仅与相邻两次充放电容量相关,即每进行一次充放电容量计算,都必须重新计算电流ILi和电流Iox。该种计算方式,精确度高,但效率低。
具体实施时,也可采用电池循环充放电前k周的副反应电流均值计算电流ILi和电流Iox。如此,用于计算电流ILi和电流Iox的副反应计算模型为:
其中,ILi为电池第n次充放电过程中用于生成SEI膜的平均电流ILi,Iox为电池第n次充放电过程中由电解液氧化产生的平均电流Iox。Ip为通过全电池充电dV/dQ拟合得到不同循环周数活性物质损失电流的平均值,即通过dV/dQ拟合软件拟合得到的正极平均结构损失电流。本实施方式中,电流ILi和电流Iox为定值,有利于提高计算效率。
具体实施时,根据实际需求,也可在电池充放电循环的前k周,采用计算模型(1)计算电流InLi和电流Inox,用于计算每一次充放电容量;当n>k,则采用计算模型(2)计算电流ILi和电流Iox,以提高计算效率。
具体的,本实施方式中,k=50。
S3、根据生成SEI膜的平均电流ILi和电解液氧化的平均电流Iox分别计算qLi和qox,并代入容量预测计算模型,获得对应的充放电容量状态下的充放电容量。
本实施方式中,qLi=QILi/IA,qox=QIox/IA,qp=QIp/IA。
以下结合一个具体的实施例,对本发明做进一步解释。
本实施例中,计算副反应电流大小,如下表一所示。
表一:电池前50周测量数据统计表
编号
Qc(mAh)
Qd(mAh)
I<sub>Li</sub>(mA)
I<sub>ox</sub>(mA)
编号
Qc(mAh)
Qd(mAh)
I<sub>Li</sub>(mA)
I<sub>ox</sub>(mA)
1
64.597494
64.520479
/
0.008049
26
63.971762
63.923225
0.004906
0.008924
2
64.585552
64.502343
0.008411
0.010578
27
63.944698
63.894263
0.005098
0.006171
3
64.568914
64.499154
0.007052
0.01073
28
63.913247
63.863359
0.005043
0.005919
4
64.564077
64.485701
0.007923
0.010563
29
63.880812
63.831005
0.005035
0.005764
5
64.539845
64.465115
0.007554
0.009473
30
63.85409
63.809509
0.004507
0.006334
6
64.51273
64.443006
0.007048
0.008813
31
63.832063
63.793564
0.003892
0.00628
7
64.491314
64.425894
0.006613
0.008883
32
63.812931
63.775372
0.003797
0.005958
8
64.470353
64.403075
0.006801
0.008494
33
63.774385
63.705818
0.006931
0.0039
9
64.443579
64.377641
0.006665
0.008094
34
63.713627
63.669509
0.00446
0.004789
10
64.423435
64.359885
0.006424
0.008629
35
63.692458
63.648985
0.004395
0.00632
11
64.397723
64.330445
0.006801
0.007825
36
63.628886
63.593801
0.003547
0.001968
12
64.36657
64.303737
0.006352
0.007652
37
63.633135
63.587927
0.00457
0.007976
13
64.33518
64.276308
0.005951
0.007179
38
63.614213
63.60864
0.000563
0.006657
14
64.306982
64.245483
0.006217
0.007101
39
63.668969
63.624396
0.004506
0.010098
15
64.278612
64.221457
0.005778
0.007349
40
63.645553
63.534037
0.011273
0.006139
16
64.253203
64.195197
0.005864
0.007209
41
63.581537
63.522808
0.005937
0.008802
17
64.22534
64.169692
0.005625
0.007047
42
63.341028
63.459794
-0.01201
-0.01438
18
64.202301
64.150298
0.005257
0.007296
43
63.509096
63.426182
0.008382
0.008984
19
64.184031
64.127391
0.005726
0.00741
44
63.475513
63.398398
0.007795
0.008987
20
64.14942
64.09629
0.005371
0.006227
45
63.443823
63.36618
0.007849
0.008592
21
64.124747
64.075226
0.005006
0.006877
46
63.417979
63.342197
0.007661
0.009236
22
64.099243
64.048267
0.005153
0.006428
47
63.385028
63.312767
0.007305
0.00833
23
64.073896
64.021862
0.00526
0.006591
48
63.357091
63.285192
0.007268
0.008481
24
64.046778
63.99578
0.005155
0.006519
49
63.32559
63.256452
0.006989
0.008084
25
64.019673
63.923048
0.009768
0.006415
50
63.296347
63.224851
0.007227
0.008033
根据表一可计算得:该电池前50周ILi的平均值为0.00577mA,Iox的平均值为0.007056mA,通过全电池充电dV/dQ拟合得到的正极平均结构损失电流为0.004mA。
根据ILi=0.00577mA,Iox=0.007056mA,Ip=0.004mA,代入容量预测计算模型,对电池的70到190周循环充放电数据的预测如下表二所示。可见,根据该方法获得预测数据最大误差为1.14%,说明了该方法的可靠。
表二:电池预测数据统计表
编号
Qc(mAh)
Qd(mAh)
误差/%
CC70
62.64
62.75
-0.02%
CC80
62.36
62.48
-0.02%
CC90
62.07
62.21
1.14%
CC100
61.79
61.93
0.76%
CC110
61.5
61.66
0.56%
CC120
61.21
61.39
0.44%
CC130
60.93
61.12
0.35%
CC140
60.64
60.85
0.27%
CC150
60.36
60.58
0.23%
CC160
60.07
60.31
0.22%
CC170
59.79
60.03
0.16%
CC180
59.6
59.76
0.18%
CC190
59.32
59.49
0.09%
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
- 上一篇:一种医用注射器针头装配设备
- 下一篇:一种基于数据的电池PACK热场变化的评估方法