动力锂电池梯次再利用场景筛选方法技术

本发明专利技术公开了一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法，针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题，以锂电池欧姆内阻为基础参数，设计了适用于梯次利用锂电池性能测试工况，基于锂电池一阶RC等效电路模型，基于增量式自回归模型(I‑ARX)的健康特征数据提取手段，以此构建了均值内阻、最小内阻和内阻荷电状态(SOC)三种健康因子，建立了健康寿命模型，基于多模型数据融合技术的锂电池SOH检测方法。不再依靠即接触式的测量，可能破坏电池内部结构风险前提下。解决当前动力锂电池因储能系统和动力系统的复杂程度不匹配所导致的梯次利用动力电池筛选难度大、检测周期长及再利用经济效益倒挂的问题。

Scenario selection method of power lithium battery echelon reuse

【技术实现步骤摘要】
动力锂电池梯次再利用场景筛选方法
本专利技术涉及动力锂电池梯次利用
，具体为一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法。
技术介绍
动力电池的回收主要分为梯次利用和拆解回收两个循环过程，且动力电池的回收循环从梯次利用开始。拆解回收是指对已经完全报废的动力电池进行破碎、拆解和冶炼等，实现镍钴锂等资源的回收利用。动力电池的生命周期一般包括生产、使用、报废、分解以及再利用。车用动力电池的电池容量降低为80％后，其充放电性能将不能满足汽车行驶的要求，需要报废，此类动力电池除了化学活性下降外，电池内部的化学成分并没有发生改变，其中仍有20％容量可用于电量需求较小的领域，即电池容量低于60％才不再具有使用价值，因此电动汽车使用的电池容量仅占动力电池全生命周期可用容量的50％，若从电动汽车上拆卸下来的电池直接拆解回收，将造成50％的能量浪费，将这类电池重组后，梯次应用于比汽车电能要求更低的场合，实现电池容量的充分利用；对于再利用循环寿命较小，以及容量低于60％的动力电池，将不再具有使用价值，这类电池需要进行拆解回收，提取出有价值的金属和材料，之后再将回收的金属和材料应用于电芯、模块、系统的生产中，使动力电池整个生命周期形成一个闭环状态。首先，动力电池的产品结构和生产工艺设计上，很多企业为提高电池组工作的可靠性，采用激光焊接工艺将电池串联起来，或者采用螺栓紧固方法。这样的连接结构造成动力电池梯次利用的难度，用户采用旧电池重新组装成电池组的成本过大，阻碍了动力电池的梯次利用。其次，关于动力锂电池的梯次利用领域也是比较复杂的，退役电池质量不一，还需要解决其安全性、一致性、技术性、经济性等诸多问题。最后，应用于梯次利用的储能电池和动力电池在技术性能方面的关注点不同，储能系统和动力系统所面对的系统复杂程度不同，特别是经过长期使用后，电池一致性呈现非线性下降，使动力梯次电池的利用更类似伪命题，而对于一致性不同的电池进行大量的筛检工作，也让梯次利用的动力锂电池的经济性遭到业内质疑。
技术实现思路
本专利技术的目的在于提供一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法，具体步骤如下：第一步，通过电池组包内BMS芯片的数据收集功能(详见图1)、及充放电控制算法，搭载服务器端的智能化匹配算法功能；第二步，采用梯次利用锂电池SOH离线检测手段，所设计锂电池测试工况以动态内阻测试为目标，测试工况时长较短，可在20分钟内对批次退役锂电池组完成检测筛选工作；采用基于所设计锂电池性能测试方法，构建了均值内阻、最小内阻和内阻-SOC曲线三种健康因子，进而建立了三种健康寿命模型。第三步，将动力电池使用中的SOCvsOCV曲线在SOC从70％到95％区间大约控制在2-3mV，而电压传感器的测量误差就有3-4mV；第四步，在批量的锂电池算法匹配中，我们有意让初始SOC有20％的误差，通过智能化的匹配及电池使用历史数据的收集，将这20％的误差纠正过来。如果没有纠错功能，SOC会按照SOCI的曲线走。算法输出的SOC是CombinedSOC也即是图中的蓝色实线。CalculatedSOC是根据最后的验证结果反推回去的真正SOC。(详见图2)与现有技术相比，本专利技术的有益效果是：现有技术中使用的筛选方法，都或多或少地涉及对动力锂电池电参数即接触式的测量，比如开路电压和内阻的检测，需要对电池有较长充放电的过程；一方面这些参数的测量可能会引起锂电池内部结构发生变化和破损，另一方面锂电池充电和放电过程，更是需要几个小时才能完成，导致耗费的时间、人工成本都比较高，导致商业化锂电池的回收与梯次利用的经济效益受到限制。本专利技术要解决的技术问题是提供一种动力锂电池梯次利用基于实用性维度筛选方法，以解决现有技术所存在的传统接触式测量锂电池容量和内阻参数会对锂电池造成二次损耗及筛选效率低的问题。所提出的基于多模型数据融合技术的评价方法，有利于保证梯次利用锂电池SOH预测的可靠性和精确度，与传统预测方法相比，不再依靠即接触式的测量，可能破坏电池内部结构风险前提下。解决当前动力锂电池因储能系统和动力系统的复杂程度不匹配所导致的梯次利用动力电池筛选难度大、检测周期长及再利用经济效益倒挂的问题。附图说明图1为本专利技术的检测设备结构示意图；图2为本专利技术的SOCvsOCV曲线图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1、2，本专利技术提供了：一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法，具体步骤如下：第一步，通过电池组包内BMS芯片的数据收集功能(详见图1)、及充放电控制算法，搭载服务器端的智能化匹配算法功能；第二步，采用梯次利用锂电池SOH离线检测手段，所设计锂电池测试工况以动态内阻测试为目标，测试工况时长较短，可在20分钟内对批次退役锂电池组完成检测筛选工作；采用基于所设计锂电池性能测试方法，构建了均值内阻、最小内阻和内阻-SOC曲线三种健康因子，进而建立了三种健康寿命模型。第三步，将动力电池使用中的SOCvsOCV曲线在SOC从70％到95％区间大约控制在2-3mV，而电压传感器的测量误差就有3-4mV；第四步，在批量的锂电池算法匹配中，我们有意让初始SOC有20％的误差，通过智能化的匹配及电池使用历史数据的收集，将这20％的误差纠正过来。如果没有纠错功能，SOC会按照SOCI的曲线走。算法输出的SOC是CombinedSOC也即是图中的蓝色实线。CalculatedSOC是根据最后的验证结果反推回去的真正SOC。(详见图2)工作原理：本专利技术提供了一种基于应用场景数据收集的动力锂电池梯次再利用场景筛选方法，针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题，以锂电池欧姆内阻为基础参数，设计了适用于梯次利用锂电池性能测试工况，基于锂电池一阶RC等效电路模型，基于增量式自回归模型(I-ARX)的健康特征数据提取手段，以此构建了均值内阻、最小内阻和内阻荷电状态(SOC)三种健康因子，建立了健康寿命模型，基于多模型数据融合技术的锂电池SOH检测方法。尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。本文档来自技高网...

【技术保护点】
1.动力锂电池梯次再利用场景筛选方法，其特征在于，具体步骤如下：/n第一步，通过电池组包内BMS芯片的数据收集功能、及充放电控制算法，搭载服务器端的智能化匹配算法功能；/n第二步，采用梯次利用锂电池SOH离线检测手段，所设计锂电池测试工况以动态内阻测试为目标，测试工况时长较短，可在20分钟内对批次退役锂电池组完成检测筛选工作；采用基于所设计锂电池性能测试方法，构建了均值内阻、最小内阻和内阻-SOC曲线三种健康因子，进而建立了三种健康寿命模型；/n第三步，将动力电池使用中的SOCvs OCV曲线在SOC从70％到95％区间大约控制在2-3mV，而电压传感器的测量误差就有3-4mV；/n第四步，在批量的锂电池算法匹配中，我们有意让初始SOC有20％的误差，通过智能化的匹配及电池使用历史数据的收集，将这20％的误差纠正过来；如果没有纠错功能，SOC会按照SOCI的曲线走；算法输出的SOC是CombinedSOC也即是图中的蓝色实线；CalculatedSOC是根据最后的验证结果反推回去的真正SOC。/n

【技术特征摘要】
1.动力锂电池梯次再利用场景筛选方法，其特征在于，具体步骤如下：
第一步，通过电池组包内BMS芯片的数据收集功能、及充放电控制算法，搭载服务器端的智能化匹配算法功能；
第二步，采用梯次利用锂电池SOH离线检测手段，所设计锂电池测试工况以动态内阻测试为目标，测试工况时长较短，可在20分钟内对批次退役锂电池组完成检测筛选工作；采用基于所设计锂电池性能测试方法，构建了均值内阻、最小内阻和内阻-SOC曲线三种健康因子，进而建立了三种健康寿命模型；

【专利技术属性】
技术研发人员：潘维杰，
申请(专利权)人：上海晖腾新能源科技有限公司，
类型：发明
国别省市：上海;31