[发明专利]电动汽车动力电池寿命预测方法

说明书

技术领域

本发明涉及一种寿命预测方法，尤其涉及一种电动汽车动力电池寿命预测方法。

背景技术

在动力电池寿命预测方法方面，目前可大致分为1)模型法、2)数据驱动法。

1)模型法

目前很多动力电池寿命预测都是采用模型法来完成的。

Broussely等(请参见：Broussely M,Herreyre S,Biensan P,et al.Aging mechanism in Li ion cells and calendar life predictions[J].Journal of Power Sources,2001,97:13-21.)分析了锂电池在不同温度(15，30，40和60℃)和不同电压(3.8，3.9和4.0V)下储存时电池容量的衰减情况。他们认为负极固体电解质界面(solid electrolyte interface,简称SEI)膜形成后，电解液与界面膜表面的副反应会造成锂离子的消耗，引起容量的持续衰减。他们提出的模型如下式：

其中：x是损失的锂离子量；k，n，d是常数；s表示SEI膜面积，e₀厚度，γ是电导率。这一方程关注的是负极SEI膜中损失的锂离子量对容量衰减的影响，而外部温度、荷电状态都没有涉及到。

Ramadass等(请参见：Ramadass P,Haran B,White R,et al.Mathematical modeling of the capacity fade of Li-ion cells[J].Journal of Power Sources,2003,123(2):230-240.)所做动力电池剩余寿命模型是从电池寿命衰退原理出发的，他们认为电池寿命的下降是因为电池内部具有活性的锂离子正在减少，并且电池内SEI膜电阻的提高引起电池放电电压下降。他们根据量子力学中的第一性原理提出了预测动力电池剩余寿命的经验模型。在模型中，电池SOC变化量与SEI膜电阻作为参数，定量研究动力电池容量的衰减，从而预测电池剩余寿命。

模型法从电池的老化机理入手，分析研究导致电池衰退的物理因素，建立电池的运行机理模型及老化模型。其缺点在于：模型需要精细的参数，复杂程度较高；电池老化机理复杂，它是多因素共同作用下的结果，现阶段研究还不是很透彻，并且针对老化因素的测试比较复杂，现行的参数模型法往往只考虑了其中的一个或者几个因素，而忽略了其他因素，难以建立完善的老化机理模型，从而增大了误差。

2)基于数据驱动的方法。

Jon等(请参见：Christopherson J P,Bloom I,Edward V T,et al.Advanced technology development program for lithium-ion batteries:gen2performance evaluation final report[M].Washington:US Department of Energy,2006.)对第二代锂离子电池提出了循环寿命的双Sigmoid模型(Double-Sigmoid Model,DSM)，多Sigmoid模型(Multiple Sigmoid Model,MSM)是基于人工神经网络原理的一种预测模型。

刘杰等(请参见：Liu Jie.Life prediction of batteries for selecting the technically most suitable and cost effective battery[J].Journal of Power Sources.2005,1:373-384.)使用了自适应回归神经网络(ARNN)方法。

Goebel(请参见：Geobal.A technique for estimating the state of health of lithium batteries through a RVM observer[J].EEE Trans.Power Electron.2010(25):1013-1022.)在其对电池性能的研究中使用了贝叶斯结构的相关向量机方法来预测动力电池剩余寿命。