本發(fā)明涉及一種電池運維技術，特別涉及一種電池模組健康度快速檢測方法。

背景技術：

儲能為清潔能源消納、綜合能源服務等在內的泛在電力物聯網建設提供重要的技術支撐，而越來越多的鋰電池儲能電站正成為電網發(fā)輸變配用等環(huán)節(jié)的重要組成部分。儲能電站運行一段時間以后，原本一致性很好的鋰電池性能逐漸變得參差不齊，為儲能電站的安全高效運行帶來潛在的風險。低成本、快速地在線檢測電池的健康度是儲能電站和動力電池系統運維人員非常關注的核心技術。

國內外對估算電池soh的方法做了大量研究。bian等人提出了一種基于增量容量分析的等效電路模型來表征充電/放電曲線的恒定電流部分，該模型能夠對鋰離子電池的soh進行有效和可靠的估計。lai等人研究了大規(guī)模退役電池串聯充電曲線的特點，建立了神經網絡模型，通過所建模型可以批量估算電池單元的容量。zheng等人從基于soc的ic/dv曲線中提取可能由電池管理系統容易識別的三個特征點，然后量化特征點與soc/容量之間的關系并應用于車載電池容量估算，研究結果對于電池容量估計可以實現2.0％的相對誤差。shen等人提出了一種深度學習方法，該方法利用深度卷積神經網絡(dcnn)進行基于部分充電周期內的電壓，電流和電荷容量測量的單元級容量估計，該方法能夠使用充電期間的測量值準確估算電池容量。wei等人根據等效電路模型中的參數自適應和基于lyapunov的自適應律，提出了混合荷電狀態(tài)和健康狀態(tài)估計技術，實驗結果表明了所提出的模型具有較高的估算準確度。sobaba等人通過使用基于動態(tài)電阻映射的模型評估了電池系統的參數和性能。所提模型的開發(fā)有助于在自動化系統中實施soh估計。wang等人比較了cv和dva方法。然后引入局部數據對稱方法來計算dv曲線，并提出了一種基于dv曲線中的兩個拐點來估計電池模塊的soh的新方法。研究結果表明對于具有不同容量的電池模塊所提出方法具有較好的適用性。weng等人提出了一種基于ica原理的ic峰值跟蹤框架，用于監(jiān)控車載的電池模塊和電池組soh。通過仿真和實驗驗證了框架的適用性。honkura等通過疊加電池日常壽命測試期間電池正負極放電曲線，評估電池衰退參數，建立起衰退參數與測試時間的函數。利用這些函數產生電池放電曲線并推導出電池容量，研究結果表明所建立的方法與常規(guī)測試手段相比有較高的準確性。zhou等人在多種放電倍率下對商用18650型鋰電池進行循環(huán)壽命測試，并建立容量隨循環(huán)次數衰退模型，研究結果表明商用鋰電池剩余容量與電池循環(huán)次數為二次高斯關系。yan等采用六個經過挑選的退役磷酸鐵鋰電池才三種典型儲能負荷曲線下對電池進行循環(huán)壽命測試，用最小二乘法評估電池壽命并將ic曲線特征輸入回歸模型，研究結果表明所用最小二乘法模型評估電池壽命的誤差在3％以內，而上述現有針對電池壽命檢測的方法檢測效率低，需要對電池進行獨立建模或獨立檢測，開發(fā)程序成本大，亟需一種新的電池壽命檢測評估方法。

技術實現要素：

本發(fā)明的目的在于提供一種電池模組健康度快速檢測方法，以克服現有技術的不足。

為達到上述目的，本發(fā)明采用如下技術方案：

一種電池模組健康度快速檢測方法，包括以下步驟：

步驟1)、對已知可用容量的電池模組樣本進行充放電，獲取已知可用容量的電池模組樣本充放電過程中的平臺電壓數據，根據平臺電壓數據建立已知可用容量電池模組樣本的概率密度函數pdf曲線，計算概率密度函數pdf曲線峰值點兩側設定電壓區(qū)間的峰面積；

步驟2)、根據已知可用容量的電池模組樣本的電池模組健康度soh值及該已知可用容量的概率密度函數pdf曲線，擬合建立電池模組健康度soh-概率密度函數pdf曲線；

步驟3)、重復步驟1)和步驟2)得到可用容量不同的電池模組的電池模組健康度soh-概率密度函數pdf曲線；

步驟4)、實時采集待檢測電池模組充放電過程中的平臺電壓數據，將待檢測電池模組充放電過程中的平臺電壓數據轉化成概率密度函數pdf曲線；計算待檢測電池模組的概率密度函數pdf曲線中的設定電壓區(qū)間的檢測峰面積，步驟3)中得到的電池模組的電池模組健康度soh-概率密度函數pdf曲線中的峰面積與檢測峰面積一致所對應的電池模組樣本的電池模組健康度soh值即為待檢測電池模組的電池模組健康度soh值。

進一步的，步驟1)中，設定電壓區(qū)間兩端的電壓數值與峰值點對應電壓值之差絕對值相等。

進一步的，設定電壓區(qū)間兩端的電壓數值與峰值點對應電壓值之差絕對值小于等于峰值點對應電壓值的0.5％。

進一步的，具體的，對概率密度函數pdf曲線中的峰值點進行峰面積積分，過峰值點頂點做橫軸的垂線，垂線與橫坐標的交點兩邊各取不大于0.5％的最大峰頂點電壓的電壓值為設定電壓區(qū)間。

進一步的，已知可用容量的電池模組樣本的電池模組健康度soh值為：

進一步的，步驟1)中計算已知可用容量電池模組樣本的概率密度函數pdf曲線峰值點兩側設定電壓區(qū)間與步驟4)中計算待檢測電池模組的概率密度函數pdf曲線中的設定電壓區(qū)間一致。

進一步的，使用matlab統計工具箱中ksdensity函數將已知可用容量的電池模組樣本的平臺電壓數據轉化成概率密度函數pdf曲線。

進一步的，電池模組樣本由n個電池單元串聯構成或者為一個電芯，或者是一組并聯電芯。

進一步的，在電池模組充放電過程中，通過電池管理系統實時采集不同時刻電池模組的充放電電壓數據。

與現有技術相比，本發(fā)明具有以下有益的技術效果：

本發(fā)明公開了一種電池模組健康度快速檢測方法，通過獲取已知可用容量的電池模組樣本充放電過程中的平臺電壓數據，根據平臺電壓數據建立已知可用容量電池模組樣本的概率密度函數pdf曲線，計算概率密度函數pdf曲線峰值點兩側設定電壓區(qū)間的峰面積；根據電池模組健康度soh值及該已知可用容量的概率密度函數pdf曲線，擬合建立電池模組健康度soh-概率密度函數pdf曲線，通過對電壓常數出現次數的統計反應到了電池老化過程與電壓平臺具有相關性，得到了電池模組充放電過程中電壓數據與電池老化程度的關系，檢測過程只需要檢測待檢測電池模組充放電過程中的平臺電壓數據，建立概率密度函數pdf曲線，電池模組健康度soh-概率密度函數pdf曲線中的峰面積與檢測峰面積一致所對應的電池模組樣本的電池模組健康度soh值即為待檢測電池模組的電池模組健康度soh值，本發(fā)明方法簡單，檢測速度快，不需要對電池模組進行單獨建模檢測，檢測結果準確，能夠實現電池模組健康度快速評估，提高儲能電站或者動力電池系統的安全運維水平。

進一步的，設定電壓區(qū)間兩端的電壓數值與峰值點對應電壓值之差絕對值相等，能夠確保峰面積結果準確。

進一步的，設定電壓區(qū)間兩端的電壓數值與峰值點對應電壓值之差絕對值小于等于峰值點對應電壓值的0.5％，結果準確穩(wěn)定。

附圖說明

圖1為本發(fā)明實施例中不同可用容量的電池模組充放電曲線。

圖2為本發(fā)明實施例中不同可用容量的電池模組充放電過程中的平臺電壓數據轉化成的概率密度函數pdf曲線。

圖3為本發(fā)明實施例中概率密度函數pdf曲線中最大峰進行峰面積積分示意圖。

圖4為本發(fā)明實施例中充電過程中概率密度函數pdf最大峰面積a-soh擬合曲線關系。

圖5為本發(fā)明實施例中放電過程中概率密度函數pdf最大峰面積a-soh擬合曲線關系。

具體實施方式

下面結合附圖對本發(fā)明做進一步詳細描述：

如圖1所示，一種電池模組健康度快速檢測方法，包括以下步驟：

步驟1)、對已知可用容量的電池模組樣本進行充放電，獲取已知可用容量的電池模組樣本充放電過程中的平臺電壓數據；根據獲取的已知可用容量的平臺電壓數據建立已知可用容量電池模組樣本的概率密度函數(probabilitydensityfunction，pdf)曲線，計算概率密度函數pdf曲線峰值點兩側電壓區(qū)間的峰面積a，設定電壓區(qū)間兩端的電壓數值與峰值點對應電壓值之差絕對值小于等于峰值點對應電壓值的0.5％；具體的：對概率密度函數pdf曲線中(充電過程中或者放電過程中)的最大峰(峰值點)進行峰面積積分，過最大峰頂點做橫軸的垂線，垂線與橫坐標的交點兩邊各取不大于最大峰頂點電壓0.5％的電壓值(v)，此兩個電壓值為設定電壓區(qū)間，求取設定電壓區(qū)間的峰面積a；

具體的，使用matlab統計工具箱中ksdensity函數將已知可用容量的電池模組樣本的平臺電壓數據轉化成概率密度函數pdf曲線，在構建的概率密度函數pdf曲線中，橫坐標為工作電壓，縱坐標為概率密度；具體matlab使用如下：

x＝[]；在[]中導入已知可用容量的電池模組樣本充放電過程中的平臺電壓數據；

[f,xi]＝ksdensity(x)；

[f,xi]是matlab計算顯示的結果形式，其中f對應的是概率密度的數值，xi是對應的橫坐標(電壓值)；

步驟2)、根據已知可用容量的電池模組樣本的電池模組健康度soh值及該已知可用容量的概率密度函數pdf曲線，擬合建立電池模組健康度soh-概率密度函數pdf曲線，即a-soh擬合曲線；

已知可用容量的電池模組樣本的電池模組健康度soh值為：

步驟3)、重復步驟1)和步驟2)得到可用容量不同的電池模組的a-soh擬合曲線；

步驟4)、實時采集待檢測電池模組充放電過程中的平臺電壓數據，將待檢測電池模組充放電過程中的平臺電壓數據轉化成概率密度函數pdf曲線；對待檢測電池模組得到的概率密度函數pdf曲線中(充電過程中或者放電過程中)的最大峰進行峰面積積分，過最大峰頂點做橫軸的垂線，垂線與橫坐標的交點兩邊各取不大于0.5％的最大峰頂點電壓的電壓值(v)，獲取這段電壓區(qū)間的峰面積a1，根據獲取的待檢測電池模組的峰面積a1，在步驟3)中的a-soh擬合曲線中查找與峰面積a1相同的峰面積a值所對應電池模組的soh值，即為待檢測電池模組的soh值。

所述電池模組樣本由n個電池單元串聯構成或者一個電芯，也可以是一組并聯電芯；在電池模組充放電過程中，通過電池管理系統實時采集不同時刻電池模組的充放電電壓數據。

實施例：首先對電池模組的可用容量進行標定，計算電池模組的電池模組健康度soh，可用容量測量步驟：(1)以c/5恒流恒壓充電到電池模組規(guī)定上限截至條件；(2)靜止30min；(3)以c/5恒流放電到電池模組規(guī)定下限截至條件；(4)靜止30min；以放電容量為可用容量。測試了7個不同容量的電池模組，分別標記為1#、2#、3#、4#、5#、6#、7#，它們的可用容量分別是37.59ah，33.77ah，30.69ah，28.58ah，27.2ah，25.81ah，24.83ah，具體結果如圖1所示。

如圖2所示，然后通過電池管理系統采集充放電過程中已知可用容量的電池模組在電壓平臺的工作電壓數據，使用matlab統計工具箱中ksdensity函數將已知可用容量電池模組充放電過程中的平臺電壓數據轉化成概率密度函數pdf曲線，對概率密度函數pdf曲線中充電過程中的最大峰或者放電過程中的最大峰進行峰面積積分，過最大峰頂點做橫軸的垂線，垂線與橫坐標的交點兩邊各取0.02v的電壓值，求取這段0.04v電壓區(qū)間的峰面積a。1#，2#，3#，4#，5#，6#，7#模組的峰面積a分別為0.8216，0.8172，0.8054，0.7869，0.7545，0.7393，0.7200，具體結果如圖3所示。采用奇瑞s18b電動汽車的磷酸鐵鋰電池模組(15p4s，15并4串)，標稱容量為40ah，由4個15p1s電池單元串聯組成；15p1s電池單元額定電壓為3.2v。

發(fā)現概率密度函數pdf曲線中最大峰峰面積a值與該15p4s電池模組的電池模組健康度soh之間呈正相關關系。因此可以用概率密度函數pdf曲線中最大峰峰面積a值作為該電池soh的快速評估指標，通過它們的正相關關系可快速檢測待測電池的soh值，提高大型儲能電站或動力電池系統的安全運維水平。

或者采用bitrodeftv1-300-100型模塊電池測試系統對電池模組進行可用容量檢測，測試溫度在25c±2c條件下，先用1i5(i5為1/5c倍率電流，8a)恒流放電至截止電壓為10.8v(2.7v4)，靜置0.5小時，然后在以1i5恒流充電到截止電壓14.6v(3.65v4)后進行恒壓充電，當電流減小降低到i20(i20為1/20c倍率電流，2a)時電池停止充電，靜置0.5小時，再用1i5進行放電，直到放電終止電壓達到10.8v，靜置0.5h結束，最后根據1i5(a)的電流值和放電時間數據計算電池可用容量(以ah計)以及其soh值。

概率密度函數pdf曲線中最大峰峰面積a值計算過程如下：

通過電池管理系統采集充放電過程中電池模組在電壓平臺的工作電壓數據，使用matlab統計工具箱中ksdensity函數將電池模組充放電過程中的平臺電壓數據轉化成概率密度函數pdf曲線。對概率密度函數pdf曲線中充電過程中的最大峰或者放電過程中的最大峰進行峰面積積分，過最大峰頂點做橫軸的垂線，垂線與橫坐標的交點兩邊各取0.02v的電壓值，求取這段0.04v電壓區(qū)間的峰面積a。

概率密度函數pdf最大峰面積a-soh擬合曲線

充電過程中概率密度函數pdf最大峰面積a-soh擬合曲線關系見圖4。從圖4可以看出，充電過程中概率密度函數pdf最大峰面積a與soh呈正相關：a＝-0.3335+0.02615soh-1.47410-4soh2，r2＝0.9883。

放電過程中概率密度函數pdf最大峰面積a-soh擬合曲線關系見圖5。從圖5可以看出，放電過程中概率密度函數pdf最大峰面積a與soh呈正相關：a＝-0.4592+0.029soh-1.65110-4soh2，r2＝0.9671。

充(放)電過程中概率密度函數pdf最大峰面積a-soh擬合曲線確定了以后，待測電池模組不需要再進行可用容量標定以確定其soh值，只需要根據電池管理系統采集到充放電平臺的工作電壓數據，進行概率密度函數pdf轉化，求取相同電壓區(qū)間的充(放)電過程中概率密度函數pdf最大峰面積a，再根據擬合曲線查找出此待測電池模組的soh值就可以了，從而可以實現電池模組健康度的快速評估。概率密度函數pdf是對電池使用過程中電壓常數的統計，由于電極材料充放點過程中的脫/嵌鋰隨之的相變過程，體現在電壓曲線上即為電壓平臺，而隨著電極材料的損失及可循環(huán)鋰的損失該過程被認為是造成電池老化的主要因素，因此隨著老化程度的增加其充放電平臺越短，概率密度函數pdf方法通過對電壓常數出現次數的統計反應到了電池老化過程與電壓平臺具有相關性，本發(fā)明能夠有效的建立電壓數據與電池老化程度的關系，進而實現電池模組健康度的在線評估。

相關知識

一種快速檢測新能源汽車電池健康度（SOH）的檢測儀和方法與流程
一種快速的動力蓄電池SOH（健康狀態(tài)）測量方法與流程
一種動力電池健康狀態(tài)檢測及預警的方法與流程
電池健康狀態(tài)檢測方法、裝置和電子設備與流程
電池健康狀態(tài)SOH的檢測方法及裝置與流程
一種用于動力電池健康狀態(tài)預測的特征參數集測試方法與流程
電池健康狀態(tài)快速檢測方法、裝置、檢測儀及存儲介質
一種新能源汽車電池的健康度檢測方法及系統
電池健康狀態(tài)檢測系統及方法與流程
一種電池健康狀態(tài)檢測方法

網址: 一種電池模組健康度快速檢測方法與流程 http://www.gysdgmq.cn/newsview1392737.html