阅读说明：本技术 退役锂离子电池和电池模块的健康状态评估 (State of health assessment of decommissioned lithium ion batteries and battery modules ) 是由 许敏洁 孙耀峰 于 2021-06-21 设计创作，主要内容包括：旧电池从第一开路电压(OCV1)到第二OCV2进行短时间放电,并测量放电电流△Q。OCV1被输入到校准曲线模型中,以获得第一建模荷电状态(SOC1)值,OCV2被输入到校准曲线模型中以获得第二建模SOC2值。健康状态(SOH)的计算公式为△Q/[Q-(new) x(SOC1–SOC2)],其中Q-(new)是新电池容量。根据SOH值对旧电池进行分类,以进行再利用或处置。校准曲线模型是通过人工智能(AI)对旧电池完全充电和放电的OCV、SOC数据点进行建模获得的。仅对一个目标区域内的具有较低的SOC一阶导数的OCV值进行建模,并且OCV1和OCV2在该目标区域内。(The old battery was discharged for a short time from the first open voltage (OCV1) to the second OCV2, and the discharge current Δ Q was measured. The OCV1 is input into a calibration curve model to obtain a first modeled state-of-charge (SOC1) value, and the OCV2 is input into a calibration curve model to obtain a second modeled SOC2 value. The calculation formula of the state of health (SOH) is delta Q/[ Q [ new x(SOC1–SOC2)]Wherein Q is new Is the new battery capacity. The used batteries are classified according to SOH values for reuse or disposal. The calibration curve model is obtained by modeling OCV, SOC data points of the old battery fully charged and discharged through Artificial Intelligence (AI). For only one target region having a lower first derivative of SOCThe OCV values were modeled and OCV1 and OCV2 were within this target region.)

具体实施方式

本发明涉及对电池筛选的改进。下面的描述是为了使本领域普通技术人员能够在特定应用及其要求的背景下制造和使用本发明。对优选实施例的各种修改对于本领域的技术人员来说将是显而易见的，并且本文所定义的一般原则可应用于其它实施例。因此，本发明并不打算局限于所示和所述的特定实施例，而是要给予符合本文所公开的原则和新颖特征的最广泛的范围。

图4显示一个电池建模曲线。发明人采用了图3的OCV-SOC曲线，并将x轴和y轴翻转，使SOC成为OCV的一个函数。

图5显示电池建模曲线的导数。发明人接下来采用了图4的SOC-OCV电池建模曲线的一阶导数(如图5中的虚线所示)。该一阶导数d(SOC)显示的尖峰是SOC-OCV曲线的弯曲处。

图6显示电池建模曲线的导数的区域。发明人注意到，导数可以分为三个区域。中间区域2有最大的导数尖峰。区域3的导数值逐渐下降但仍高于区域1。区域1的导数值最小。区域1发生在最小OCV值，即当电池电量低于10％或SOC<10％时。

发明人意识到，具有较低导数值的区域变化较小，更适合建模。令人惊讶的是，最小的导数是区域1，从0％到10％SOC，因为现有技术OCV测试显示平坦区域502、504(图2A-2B)是中间区域，即10-90％SOC。然而，当SOC被建模为OCV的函数时(图4)，平坦区域出现在SOC<10％，OCV<3.4伏。

发明人使用人工智能(AI)将SOC建模为OCV的函数，并且仅在导数低且误差也低的区域1(例如小于5％)中执行该建模。例如，作为一个例子，区域1可以选择为导数值小于5％或d(SOC)<0.5。然后，发明人使用区域1的建模结果在区域1中进行OCV测试。这大大提高了人工智能建模的精度，只对区域1进行建模，而不是区域2和3。

通过图9的校准过程获得的SOC、OCV数据点可以被绘制为图表中的点。校准曲线被生成为最适合这些数据点的最佳拟合函数。由图9的步骤130生成的校准曲线模型，由图10B的步骤112使用，以获得2个OCV电压数据点的建模SOC值。然后在图10B的步骤118中计算SOH。

校准曲线模型可以从这些(SOC、OCV)数据点的AI建模中获得，例如使用最小二乘法找到参数，使用神经网络进行优化。也可以使用其他统计方法。

人工神经网络(ANN)可用于生成SOC模型，作为一个OCV函数。人工神经网络对于以复杂方式处理大量非线性数据特别有用，而这些方式很难用传统计算机程序来定义。不是用指令来编程，而是将训练数据输入到神经网络并与预期输出进行比较，然后在神经网络内进行调整，再次处理训练数据并比较输出，以产生对神经网络的进一步调整。在多次这样的训练周期之后，神经网络被改变为有效地处理与训练数据和预期输出类似的数据。神经网络是机器学习的一个例子，因为神经网络学习如何为训练数据生成预期输出。然后，与训练数据类似的真实数据可以输入到神经网络，以处理实时数据。

图7显示一个神经网络，用于建模SOC的校准曲线，作为OCV的一个函数。输入节点12接收输入数据OCV，而输出节点60输出神经网络的运行结果SOC_CALC，这是输入OCV值的建模SOC值。在这个神经网络中进行了两层操作。节点20、22、24、...28、29，每个都从输入节点12处获取输入，进行小波函数运算，并将输出发送到第二层的节点。第二层节点52、54、...58、59也接收多个输入，组合这些输入以产生一个输出，例如通过生成乘积，并将输出发送到第三层节点60，第三层节点60同样对输入进行组合或求和，产生一个输出。

通常会对每一级的输入进行加权，因此在每个节点上产生加权和(或其他加权运算结果)。一个节点上的每个输入都可以被分配一个权重，该权重被乘以该输入，然后所有加权输入相加、相乘或由该节点以其他方式操作，以产生节点的输出。对于小波层中的节点20、22、24、…28、29，这些权重被指定为A_ij、B_ij，对于乘积层中的节点52、54、…58、59，权重被指定为W_ij。这些权重值A_ij、B_ij、W_ij在训练期间会被调整。通过反复试验或其他训练程序或学习算法，最终可以对产生预期输出的路径赋予较高的权重，而对不产生预期输出的路径分配较小权重。机器学习哪些路径会产生预期的输出，并为这些路径上的输入分配高权重。

这些权重可以存储在权重存储器100，或存储在另一个存储器中。由于神经网络通常有许多节点，因此可能有许多权重要存储在权重存储器100中。每个权重可能需要多个二进制位来表示该权重的可能值范围。权重通常需要8到16位。权重存储器100可以是SRAM、DRAM、闪存、磁盘或这些或其他计算机存储设备的各种组合。

图8显示了使用测量的SOC作为目标来训练神经网络，以生成一个旧电池校准模型。在图9的步骤130，对老化电池进行测量，存储测量的OCV和SOC数据，并进行建模。测量的OCV数据被用作训练数据34，OCV_MEAS。与OCV_MEAS值相对应的测量SOC数据被记录为目标数据38，SOC_MEAS。每个SOC_MEAS值都对应于在使用图9过程测试的老化电池寿命中同时测量的OCV_MEAS值。

神经网络36接收训练数据34和当前权重集合A_ij、B_ij、W_ij，并对训练数据34进行运算以产生结果。这个生成的结果是SOC的建模值(SOC_CALC)。来自神经网络36的生成结果(SOC_CALC)通过损失函数42与目标数据38(SOC_MEAS)进行比较，损失函数42产生一个损失值，该损失值是生成的结果离目标有多远的一个函数。损失函数42产生的损失值用于调整应用于神经网络36的权重。损失函数42可以对训练数据34进行多次权重迭代，直到确定一个最小损失值，最终的权重集合用于校准曲线建模。

神经网络36可以有多个输出节点60，以从OCV_MEAS的并行输入中并行生成许多SOC_CALC值，而不是生成单一的SOC_CALC值。损失函数42可以将许多SOC_CALC值与许多SOC_MEAS值并行比较，以生成损失函数值。

图9显示了测试旧电池以获得OCV和SOC值来对校准曲线建模的过程。图9的过程可以用多个旧电池重复进行，以获得一个数据集，该数据集可以输入到神经网络(图7、8)，以建立一个校准曲线模型，随后可用于对旧电池进行分类(图10A-10B、11)。

首先使用1C的大恒定电流对要进行校准测试的旧电池进行放电，直到达到目标最小电压Vmin(步骤121)。等待3分钟后，进一步以0.05C的恒定电流对电池进行放电，直到再次达到目标最小电压Vmin(步骤122)。让电池冷却并休息24小时。

在休息期之后，用0.05C的恒定电流(CC)对电池进行充电，直到达到目标最大电压Vmax(步骤124)。恒定电流随时间积分，以获得Q。电池测试仪可用于记录每个时间段或时间步长的电池电压V_charge和积分电流Q。许多数据点的每个都有一个Q和V_charge值，被存储或以其他方式记录。

使用0.05C的恒定电流对电池进行放电，直到达到Vmin(步骤126)。将0.05C恒定放电电流随时间进行积分，以获得旧电池的当前放电容量Q_now。电池测试仪可用于记录每个时间段或时间步长的电池电压V_discharge和积分电流Q。许多数据点的每个数据点都有一个Q和V_discharge值，被存储或以其他方式记录。

对于许多Q值中的每一个，在充电步骤124期间获得的V_charge值和在放电步骤126期间获得的V_discharge值被进行平均，以获得该Q值的OCV值(步骤128)。

然后将Q值转换为SOC值(步骤129)。由于Q和SOC彼此线性相关，对于每个数据点，SOC可以计算为SOC＝Q/Q_now。因此，在步骤124中获得的(Q，V_charge)数据点和在步骤126中获得的(Q，V_discharge)数据点已被转换为(SOC，OCV)数据点。

存储的OCV和SOC数据点应用于人工智能引擎(图7、8)以生成作为OCV函数的SOC模型，即校准曲线(步骤130)。

图10A-10B是基于在短区域OCV测试期间测量的两个(Q，OCV)数据点来测试和分类旧电池的方法。每个旧电池的电压被测量为Vcel(步骤102)。当Vcel高于最大电压Vmax或低于最小电压Vmin时(步骤104)，处理掉电池(步骤106)。初始电压Vcel在Vmin和Vmax之间的电池(步骤104)，被进一步处理。

将电池电压Vcel与区域1的OVC电压范围进行比较(步骤108)。对于图6的电池，区域1是OCV＜3.4伏。当Vcel大于3.4伏时(步骤108)，电池短时间放电(步骤110)，休息一段时间后，再次将电池电压Vcel与区域1的OCV电压范围进行比较(步骤108)。反复对电池进行放电和比较，直到其电压落入区域1内(步骤108)。

在图10B，一旦电池电压在目标OCV区域内，则对旧电池进行区域OCV测试(步骤134)。电池测试仪在两个电压OCV1和OCV2之间对电池进行放电。同时测量放电电流ΔQ。OCV1和OCV2彼此接近，例如当OCV1＝OCV2+0.1伏时，因此充/放电电流ΔQ和充电时间都很小。OCV1可以是电池的最新电压，即在步骤108中测量的Vcel，尽管电池测试仪可以再次测量电池电压。该测试在图11中有更详细的显示。

使用图9的步骤130中由AI建模的校准曲线。OCV1被输入到校准曲线模型，该模型输出SOC1，然后OCV2被输入到校准曲线模型以获得SOC2。

在步骤118，健康状态(SOH)是使用以下公式从SOC1、SOC2、ΔQ和Q_new计算出来的：

在步骤112，SOC1和SOC2是从AI校准曲线模型中获得的，在步骤134，ΔQ是从库仑计数中获得的，Q_new是制造商规定的新电池的满充电容量，或者可以测量一个新电池。

将被测试电池的SOH与一个SOH阈值进行比较，如75％(步骤114)，SOH低于阈值的电池被处理掉(步骤132)。高于SOH阈值的电池根据其SOH值被分类到质量箱中(步骤116)。分类的电池可以根据质量分类重新用于各种应用。一些应用可能需要比其他应用更高质量的再利用电池。例如，与SOH在80％到75％之间的电池相比，SOH高于95％的电池价格更高，可用于要求更高的应用。

图11更详细地显示了区域OCV测试。电池测试仪记录电池电压Vcel为OCV1(步骤140)。使用0.05C的恒定电流对待测试的旧电池进行放电，直到达到接近OCV2的目标电压(步骤142)。

这种测试是快速的，因为OCV2非常接近OCV1，例如OCV2＝OCV1–0.1伏。电池测试仪可以连续测试0.1伏的电压降，或者可以在一个短的固定时间段(例如8分钟)内放电。

测试仪还测量电池电压从OCV1下降到OCV2时由电池提供的放电电流ΔQ(步骤142)。

在电池测试仪读取OCV2之前，让电池冷却并休息一小时(步骤144)。电池测试仪对OCV2的早期读数并不准确，因为电池尚未休息。由于时间影响，OCV1和OCV2之间的最终差异可能不完全是目标压降，如0.1伏。

在休息后，OCV2与可能已经提前记录的ΔQ和OCV1一起被保存在计算机存储器中或以其他方式记录。这些值可以通过写入计算机存储器，如寄存器文件、SRAM、DRAM或硬盘来存储。

替代实施例

发明人还设想了若干其他实施例。例如，对于某些电池化学或具有多个电池单元的电池组，具有最低导数值的区域可能不是具有最低OCV电压的区域(图6)。那么图10A的步骤108可以将电池电压Vcel与该最低导数区域中的OCV的上下限进行比较，可以对电池充电以增加Vcel直到它在该区域内。图10A步骤110可以在Vcel小于该区域的OCV电压下限时对电池进行短时间充电，或者在Vcel大于该区域的OCV电压上限时对电池进行短时间放电。步骤110中充电和放电时间可以通过Vcel与目标区域最近边界的差值来调整，例如在Vcel距离较远时增加充电时间。

可以通过将导数值与阈值(例如0.5)进行比较来选择具有最低导数值的OCV区域，以确定该区域的OCV的上限和下限。可能有多个区域，或者该区域可能有多个不连续的部分，需要对区域的多个边界进行更多比较。

在图9中，可以删除初始步骤121。步骤121可以通过以大电流更快速地对电池放电来减少测试时间。这在目标区域具有最低OCV时特别有用，因为该目标区域的电池接近完全放电状态。

虽然图11描述了将电池从OCV1放电到OCV2，但电池测试仪也可以将电池从OCV1充电到OCV2。计算中数值的极性可以针对充电而不是放电进行调整，或者可以使用绝对值。

一些步骤的顺序或次序可以改变。作为一个示例，存储OCV和SOC数据可以在步骤129期间发生，或者可以在几个步骤124-129上执行。可以对神经网络有各种修改，例如有更多的层或权重或不同的功能。可以输入更多的样本点，可以使用更多的迭代周期或时期。可以使用神经网络建模和优化来获得对校准曲线模型的非常好的拟合。

校准曲线模型可以实现为一个查找表，当测量的OCV被输入到查找表时，输出一个建模SOC值。校准曲线也可以实现为由一个处理器(如微处理器、中央处理单元、算术逻辑单元、协处理器或其他编程机器)执行的函数。存储器可以是共享的或独立的、本地的、远程的或各种组合，处理器和其他计算块可以是共享的、分布式的、本地的、远程的或各种组合。

校准终点可以基于一个SOC阈值，或者可以在收集到一定数量的数据点后、或经过一定时间后、或其他一些标准后，停止OCV、SOC数据的收集。测试技术人员可以简单地用完时间并停止进一步的数据收集，然后继续为校准曲线生成模型。可以先生成一个初始模型以供使用，然后从更多数据点中生成一个更精细的模型。

尽管已经描述了对电流进行积分以产生Q_now和ΔQ，但是对于恒定电流的积分，可以是将恒定电流乘以施加恒定电流的时间段。可以应用各种近似的积分方法，例如使用PWL或将电流乘以几个短时间周期中的每一个时间周期。库仑计数方法可用于随时间积分电荷。积分方法可以累积小时间段内传输的电荷。

尽管不需要最初的深度放电，但是如果需要，可以在其他步骤中对电池进行预放电或预充电。休息时间可以缩短或延长。可以使用一个简单的电池台架测试装置，而不是复杂的测试台架。

校准曲线可以由一个或多个函数来近似，例如逐段线性(Piece-Wise-Linear，PWL)或多变量函数。SOC可以用OCV的平方根、对数等项的方程来建模。

测试期间电池的温度应保持在一个恒定值，如室温。电池充电或放电后的休息时间的长短可以取决于充电/放电电流和电池的热性能。电池的热性能可能会随着老化而变化，例如由于内阻增加而导致旧电池的发热增加。

从给定的示例中可以更改许多参数和值。电压如Vmax、Vmin、OCV1、OCV2等以及电流C可以有不同的值，或彼此的比率不同。Imin可以是0.05C，Vmax可以为4.2伏，Vmin可以为2.75伏，这只是众多示例之一。新电池可能要经过许多次充电/放电循环以诱发老化，而不是使用旧电池进行校准。

为校准而测试的电池数量可以是一个相对较小的数字，如当人工智能建模有效时，可以测试3个电池，或者当使用效果较差的建模时，或当需要更精确的校准时，可以测试更多的电池，如100个电池。一些电池再利用应用可能不需要精确的SOC建模。理想情况下，为校准而测试的电池与被筛选的电池密切相关，如制造商和型号相同。被测试电池可以是单个电池或电池组、单节或多节电池。

一些测试误差是可以容忍的，这取决于再利用电池的应用或预期用途。在某些情况下，可能会出现实际SOH的+/-3％的测试误差。当能够使用较大的电流来达到所需的测试精度或误差容忍度时，测试时间可能会缩短。

电流可以是正的，也可以是负的，根据电流的极性，充电和放电之类的术语可以互换使用。虽然已经描述了恒定电流，但也可以使用可变电流，并随时间积分以获得Q值。

一些实施例可能不使用所有组件。可以添加其他组件。损失函数42可以使用各种误差/损失和成本生成器，例如权重衰减项，防止权重在训练优化的多个周期中增长太大；稀疏性惩罚则可以鼓励节点将其权重归零，因此只有总节点的一小部分是这样。许多替代、组合和变化都是可能的。其他变化和损失或成本项可以添加到损失函数42中。可以调整不同成本函数的相对比例因子的值，以平衡各种函数的影响。神经网络的训练终点可以针对各种条件的组合进行设置，如期望的最终精度、精度-硬件成本、目标硬件成本等。

可以使用软件、硬件、固件、例程、模块、功能等的各种组合，以多种技术来实现神经网络36、损失函数42和其他组件。最终结果，即校准曲线模型或校准函数生成器，可以从具有最终权重的神经网络36导出，并且可以作为程序模块来实现，或者在专用集成电路(ASIC)或其他硬件中实现，以提高处理速度和降低功耗。

本发明的背景部分可以包含关于本发明问题或环境的背景资料，而不是描述他人的现有技术。因此，在背景技术部分中包含的材料并不是申请人对现有技术的承认。

本文描述的任何方法或过程都是机器实现的或计算机实现的，旨在由机器、计算机或其他设备执行，而不是在没有机器辅助的情况下仅由人类执行。产生的有形结果可以包括报告或其他机器生成的显示在诸如计算机显示器、投影设备、音频生成设备和相关媒体设备的显示设备上，可以包括也是机器生成的硬拷贝打印输出。其他机器的计算机控制是另一个有形的结果。

所述的任何优点和好处不一定适用于本发明的所有实施例。当“装置”一词出现在权利要求元素中时，申请人意在该权利要求元素落入35USC第112节第6款的规定。通常，在“装置”一词之前有一个或多个词的标签。在“装置”一词前面的一个或多个词是一个标签，目的是为了便于权利要求元素的引用，而不是为了表达结构上的限制。这种装置加功能的权利要求不仅要涵盖本文所述的用于执行该功能的结构及其结构等同物，而且要涵盖等效结构。例如，虽然钉子和螺钉具有不同的构造，但它们是等效结构，因为它们都执行紧固功能。未使用“装置”一词的权利要求不落入35USC第112节第6款的规定。信号通常是电子信号，但也可以是光信号，例如可以通过光纤线路传输。

对本发明实施例的上述描述是为了说明和描述的目的而提出的。它并不打算是详尽的，也不打算将本发明限制在所公开的精确形式中。根据上述教学，许多修改和变化是可能的。其目的是本发明的范围不受本详细说明的限制，而是受附于权利要求书的限制。