基于新陈代谢GM(1,1)-神经网络的锂离子电池贮存寿命研究

李炬晨,胡欲立,郝泽花,张子正,郑乙

(西北工业大学 航海学院,陕西 西安,710072)

基于新陈代谢GM(1,1)-神经网络的锂离子电池贮存寿命研究

李炬晨,胡欲立,郝泽花,张子正,郑乙

(西北工业大学 航海学院,陕西 西安,710072)

现役鱼雷大多时间处于贮存状态,而锂离子电池是其主要的动力能源,所以针对锂离子电池的贮存寿命研究尤为重要。文中以18650型钴酸锂电池为研究对象,通过开展加速寿命试验,获得在不同应力条件下电池容量和内阻随时间的变化曲线,并确定有利于缓解电池寿命衰减的贮存条件为: 温度25℃、电池荷电状态30%; 综合灰色预测方法及BP神经网络的优点,采用新陈代谢灰色模型GM(1,1)-神经网络方法对锂离子电池的容量进行预测,经验证该组合预测模型比灰色预测模型和新陈代谢GM(1,1)预测模型精度更高且更适用于电池寿命预测,从而获取锂离子电池在不同应力条件下的贮存寿命,进一步验证了有利于缓解电池寿命的贮存条件。

锂离子电池; 加速寿命试验; 灰色神经网络; 贮存寿命

0 引言

现役鱼雷大多时间均处于贮存状态[1],贮存环境是影响装备性能的重要因素,其贮存可靠性会随贮存时间的延长而降低[2]。锂电池是保证电动力鱼雷能否长期有效工作的关键部件,也是其长期贮存后设备故障率最高的部件。因此对锂电池贮存寿命的预测十分重要。在特定环境中,锂离子电池经过若干年贮存后,电池的放电容量低于规定放电容量,定义其寿命终止。

韩鹏飞[3]根据水雷电源的特点,对在水雷电源中合理使用锂电池提供了依据。刘勇[4]基于电池老化数据机理建立起一种寿命预测方法,对满荷电状态下贮存的电池寿命进行了预测,但没有对不同荷电状态和不同温度下贮存的电池进行寿命预测。Dubarry等[5]基于锂离子电池贮存过程中的容量衰减对电池的贮存寿命进行预测,然而该模型仅考虑了荷电状态,未引入温度这一重要影响因素。黄燕等[6]提出一种根据正常电池数据建立模糊隶属度函数处理不完整数据的方法,计算得到电池贮存可靠度,但是没有考虑到电池性能发生退化的情况。

此外,诸多学者采用加速寿命试验方法研究不同外部环境对电池性能的影响。研究可知,在电池贮存过程中,温度和荷电状态是最主要的影响因素[7-10]。基于此,文中选择对电池做不同温度和不同荷电状态贮存条件下的加速寿命试验来获取利于电池延寿的贮存条件。

1 加速寿命试验

测试的电池为18650型钴酸锂电池,额定电压为3.60～3.65 V,内阻不高于30 mΩ,额定容量为2.55 Ah。正极材料是LiCoO2,负极材料为石墨。

1.1 试验设备

1) 试验选用蓝电电池测试系统对ICR18650锂离子电池进行充放电测试,测试系统的型号为CT2001A,其量程为5 V、3 A。

2) 电池的内阻使用深圳市锂亚威科技有限公司的KVR-208微电脑电池内阻测试仪。

3) 试验使用恒温箱作为贮存装置,分别采用:

a.上海一恒科学仪器的鼓风干燥箱,其控温范围为室温10～250 ℃,电压为220 V/50 Hz,功率为850 W;

b.上海力辰科技的生化培养箱,控温范围为5～50 ℃,温度波动度为±1℃,电压为220 V/60 Hz,消耗功率为300 W,制冷功率为100 W;

c.上海邦西仪器科技的电热恒温培养箱,其控温范围为室温5～60 ℃,温度波动度为±0.5 ℃,电压为220 V/50 Hz,消耗功率为0.4 kW。

1.2 试验步骤

1.2.1 电池活化

电池活化的具体操作为: 对试验的电池进行5次1/3 C模式充放电循环试验,记录电池充放电实际容量,直到连续3次测试电池容量的误差在5%内,则电池活化完成。

电池活化的试验制度如表1所示(环境温度为25 ℃)。

表 1 18650型锂离子电池活化制度表Table 1 Activation system table of 18650 type lithium ion battery

1.2.2 加速贮存试验

加速贮存试验的本质是通过提高应力加速电池老化。具体试验流程如下: 将初始容量测试结束后的电池分别在1/3 C的模式下进行恒流恒压充电至30%、65%、100%的荷电状态,将其放置在恒温箱内,分别在10 ℃、25 ℃、40 ℃、55 ℃下贮存,每个温度下贮存3组不同荷电状态的电池,每组2个电池。每个温度下贮存的电池大约隔1周(7 d)测试1次容量与内阻,且贮存期间内不对电池进行任何测试和维护。

1.2.3 电池容量与内阻测试

贮存试验结束后,需要对电池进行标准容量和内阻测试。电池标准容量测试的本质是测试电池在不同状态下贮存一定时间后电池的容量衰减情况,表现电池从开始贮存到失效的过程,为电池寿命预测模型的建立提供数据。具体测试制度与电池活化的试验制度与表1相同。第6步在测试得到电池的容量和内阻后,静置一段时间使电池恢复至最佳状态,接着需要对电池进行充电至试验所要求的荷电状态,并置于相应的恒温箱内进行贮存。

1.3 试验结果

1.3.1 不同荷电状态和温度贮存下电池容量变化

由图1可知贮存温度和电池荷电状态(state of charge,SOC)对电池的性能会产生很大影响,在同一荷电状态贮存的电池,温度越高,容量衰减速度越快。尤其是温度达到55 ℃时,电池容量衰减速率最快,因此高温环境下不利于电池贮存。在相同温度下贮存的电池,65%SOC的电池容量衰减比例最大,100%SOC的电池容量衰减比例次之,30%SOC电池容量衰减比例最小。因此,30%荷电状态更适宜锂离子电池的贮存。同时通过对在不同温度、不同荷电状态下电池贮存试验数据可得出,贮存温度的影响比SOC更加显著,且电池是一个非线性系统,其容量衰退过程会出现波动现象。

图1 不同SOC和贮存温度下电池容量变化曲线Fig.1 Capacity curves of battery under different SOC and storage temperatures

1.3.2 不同荷电状态和温度贮存下电池内阻变化

由图2可以看出,贮存温度和SOC对锂离子电池的内阻变化有很大的影响。锂离子电池的内阻与贮存时间呈正相关。30%SOC下贮存84 d的电池,10 ℃下内阻增加0.5 mΩ(2.58%); 25 ℃下内阻增加0.65 mΩ(3.47%); 40 ℃下内阻增加0.75 mΩ(3.9%); 55 ℃下内阻增加1.6 mΩ(8.29%),增加幅度约为10 ℃贮存同等时间下的3.2倍。在10 ℃下贮存84 d的电池,30%SOC下内阻增加0.5 mΩ(2.58%); 65%SOC下内阻增加0.75 mΩ(4.09%);100%SOC下内阻增加1.4 mΩ(7.69%),增加幅度约为30%SOC下贮存同等时间下的3倍,因此低温、低荷电状态更适宜电池贮存。

由试验结果可以得出: 高温和高荷电状态对锂离子电池的贮存性能不利,造成锂离子电池的内阻增大及容量衰退。在贮存温度较高的条件下,负极表面将会与电解质发生反应,从而产生新的较厚的膜,导致容量损失严重[11-12]。低温和低荷电状态较普遍采用的50%SOC更有利于锂离子电池的贮存。由于在实际贮存条件下,低温贮存需要特定的制冷条件,因此选择在常温(25 ℃)、30%SOC条件下贮存锂离子电池。

图2 不同SOC和贮存温度下电池内阻变化曲线Fig.2 Internal resistance curves of battery under different SOC and storage temperatures

2 基于新陈代谢GM(1,1)-神经网络组合的锂离子电池寿命预测

2.1 灰色模型

灰色模型简称GM(gray model)模型,GM(1,n)模型中1表示方程的阶数,n表示变量的个数。GM模型建立的本质是通过微分方程的系数将时间序列转换为微分方程,以对系统的发展进行预测。灰色系统理论可以将任何随机过程看成灰色过程,找出新挖掘出的数据与历史数据间的关系,得出系统的运动规律,从而建立灰色模型对系统的未来状态做出预测。

利用MATLAB语言对GM(1,1)预测模型进行编程,并对锂离子电池(55 ℃、65%SOC)的容量进行预测,预测结果如如表2所示。

由表2可得系统平均相对模拟误差为0.768%,参照残差检验精度表可得该模型精度等级达到2级,因此灰色预测模型可以对锂离子电池的容量进行预测。

2.2 新陈代谢GM(1,1)

由于系统在长期预测过程中会出现一些扰动因素,使得模型长期预测的精度降低,为更好地反映电池的容量变化趋势,引入新陈代谢灰色预测模型,为数据增加约束且使系统处于实时更新的状态。

建立新陈代谢GM(1,1)模型对锂离子电池(55 ℃、65%SOC)容量进行预测,预测结果如表3所示。

表2 GM(1,1)模型预测结果Table 2 Prediction results of GM(1,1)model

表3 新陈代谢GM(1,1)模型预测结果Table 3 Prediction results of metabolic GM(1,1)model

由表3得出系统平均相对模拟误差为0.477%,新陈代谢GM(1,1)模型比GM(1,1)模型的精度有所提高。GM(1,1)模型对于单调变化的系统预测精度较高,但锂离子电池是一个非线性系统,容量衰退过程中会出现波动,改进后的新陈代谢GM(1,1)模型能够有效解决此问题,且经误差分析,模型精度得到显著提高。

2.3 新陈代谢GM(1,1)-神经网络组合模型

灰色预测模型针对“数据量少、贫信息”的不确定性系统,对电池的退化数据数量要求较少,但是在波动点处的精度较低,由于神经网络具有非线性拟合能力强的优点,且对数据量具有一定的要求,基于此将2个模型进行组合,以对锂离子电池的寿命进行预测。

2.3.1 模型建立

将原始数据用新陈代谢GM(1,1)模型进行预测之后,将预测值和真实值组合在一起对神经网络进行训练,修正灰色预测模型残差。

具体建模步骤如下:

用新陈代谢GM(1,1)模型对原始数据列X={x1,x2,···,xn}进行预测,得到数据列y(0)={x(0)(2),···,x(0)(n),x(0)(n+1)},进而得到序列的残差值E(0)={e(0)(2),e(0)(3),···,e(0)(n)}。

将新陈代谢GM(1,1)模型预测出的前p周电池容量作为神经网络的输入值,下一周的预测残差值作为神经网络模型的输出值,如表4所示(其中p+q−1=n)。

表4 新陈代谢GM(1,1)-神经网络模型输入与输出样本Table 4 Input and output samples of metabolic GM(1,1)-neural network model

新陈代谢GM(1,1)-神经网络的输入层为p,输出层为1,使用前q−1组电池容量衰退数据训练网络,满足要求后用第q组进行预测,得到到e(0)(n+1),则可以获取预测值为x′(0)(n+1)=x(0)(n+1)−e(0)(n+1),然后用获取的预测值x′(0)(n+1)来更新数据列,保持数据列中的容量个数不变,获得新数据列x(0)(q+1),x(0)(q+2),···,x′(0)(n+1),即可得到第n+1周的电池容量(即第7×(n+1)天)的容量预测值,以此类推,直至电池失效。

2.3.2 组合模型应用

将新陈代谢GM(1,1)模型预测出的连续3周的电池容量作为神经网络的输入值,将下一周的预测残差值作为神经网络模型的输出值,如表5所示。

表5 新陈代谢GM(1,1)-神经网络模型输入与输出样本值Table 5 Input and output sample values of metabolic GM(1,1)-neural network model

用前9组数据对网络进行训练,训练完成后用第10、11组数据进行训练预测,隐含层个数取3开始训练,学习速率选取0.01,允许最大误差设为0.001,训练次数设为2 000,若训练后预测得到的数据与实际数据间的误差较大,则将隐含层节点数逐渐增加,直至模型预测性能最佳。

基于新陈代谢GM(1,1)-神经网络的预测结果如表6所示。

表6 新陈代谢GM(1,1)-神经网络模型预测结果Table 6 Prediction results of metabolic GM(1,1)-neural network model

通过上述分析可知,通过构造新陈代谢GM(1,1)-BP神经网络模型对非线性变化电池容量的预测,得到系统平均相对误差为0.11%。预测精度较GM模型和新陈代谢GM(1,1)模型得到显著提高。

2.4 基于组合模型的电池寿命预测

通过组合模型对各种应力条件下电池容量进行预测,隐含层节点先从3开始训练,学习速率选取0.01,允许最大误差设为0.000 1,最大训练次数设置为2 000,若训练后预测得到的数据与实际数据间的误差较大,则将隐含层节点数逐渐增加,直至模型预测性能最佳。

经学习预测后得到各个试验样本的容量随时间变化曲线,如图3所示。

图3 电池容量衰退曲线Fig.3 Decline curves of battery capacity

当电池容量衰减至额定容量(2 550 mAh)的80%时认为电池失效。由电池失效阈值(2 040 mAh)可得在不同应力下贮存时电池的寿命,如表7所示。

表7 组合预测模型得出的电池寿命Table 7 Battery life based on combined prediction model

3 结束语

文中选取恒定应力加速寿命试验方法,在老化机理和失效分析的基础上,以贮存温度和荷电状态为加速应力开展寿命试验,获得在不同应力条件下电池容量和内阻随时间的变化曲线,确定有利于缓解电池寿命衰减的贮存条件为: 25℃、30%SOC。

通过采用GM模型、新陈代谢GM模型以及组合模型对锂离子电池的容量进行预测可知,GM模型系统平均相对模拟误差为0.768%,新陈代谢GM(1,1)模型的系统平均相对模拟误差为0.477%,改进后的新陈代谢GM(1,1)-神经网络组合模型的系统平均误差为0.11%,预测精度得到显著提高。组合模型能够充分利用BP神经网络模型的学习能力强、非线性映射能力好,以及灰色模型方法简单、对数据数量要求低的特点,可以较好地拟合电池性能退化曲线,拥有较好的外推预测效果,最终预测出在不同应力下贮存时的电池寿命。通过电池寿命的预测进一步验证了有利于缓解电池寿命衰减的贮存条件。

[1]赵涛,刘明雍,周良荣.自主水下航行器的研究现状与挑战[J].火力与指挥控制,2010,35(6): 1-6.

Zhao Tao,Liu Ming-yong,Zhou Liang-rong.A Survey of Autonomous Underwater Vehicle Recent Advances and Future Challenges[J].Fire Control amp; Command Control,2010,35(6): 1-6.

[2]颜佳辉.基于多元性能退化的电连接器贮存可靠性建模与验证[D].杭州: 浙江理工大学,2019.

[3]韩鹏飞.锂电池小电流放电的可靠性分析[J].电源技术,1994(2): 34-37.

Han Peng-fei.Analysis on Low-rate Discharge Reliability for Lithium Batteries[J].Chinese Journal of Power Sources,1994(2): 34-37.

[4]刘勇.LiFePO_4锂离子电池满电荷存储寿命的研究[D].长沙: 国防科学技术大学,2013.

[5]Dubarry M,Truchot C,Liaw B Y.Synthesize Battery Degradation Modes via a Diagnostic and Prognostic Model[J].Journal of Power Sources,2012,219(12): 204-216.

[6]黄燕,宋保维,谢亚丽.基于性能退化数据的锂离子电池贮存可靠性评估方法[J].鱼雷技术,2011,19(1): 43-47.

Huang Yan,Song Bao-wei,Xie Ya-li.A Storage Reliability Evaluation Method of Lithium Battery Based on Capability Degenerate Data[J].Torpedo Technology,2011,19(1): 43-47.

[7]Thomas W,Marcel W,et al.Temperature Dependent Ageing Mechanisms in Lithium-ion Batteries-A Post-Mortem Study[J].Journal of Power Sources,2014,262: 129-135.

[8]Kassem M,Bernard J,Revel R,et al.Calendar Aging of a Graphite/LiFE PO4 Cell[J].Journal of Power Sources,2012,208: 296-305.

[9]王亚辉,李晓钢.基于退化轨迹的锂离子电池加速试验研究[J].装备环境工程,2013(2): 30-33.

Wang Ya-hui,Li Xiao-gang.Study of Li-ion Cells Accelerated Test Based on Degradation Path[J].Equipment Environmental Engineering,2013(2): 30-33.

[10]Guan T,Sun S,Gao Y,et al.The Effect of Elevated Temperature on the Accelerated Aging of LiCoO2/Mesocarbon Microbeads Batteries[J].Applied Energy,2016,177: 1-10.

[11]倪江锋,周恒辉,陈继涛,等.锂离子电池中固体电解质界面膜(SEI)研究进展[J].化学进展,2004,16(3): 335-342.

Ni Jiang-feng,Zhou Heng-hui,Chen Ji-tao,et al.Progress in Solid Electrolyte Interface in Lithium Ion Batteries[J].Progress in Chemistry,2004,16(3): 335-342.

[12]闻人红雁,毛松科,闻人红权,等.不同荷电态对锂离子电池循环寿命的影响[J].材料科学与工程学报,2011,29(5):797-799,769.

Wenren Hong-yan,Mao Song-ke,Wenren Hong-quan,et al.Effect of State-of-Charge on the Cycle Life of Lithium-ion Batteries[J].Journal of Materials Science and Engineering,2011,29(5): 797-799,769.

Investigation of the Storage Life of Lithium-ion Battery Based on the Metabolism GM(1,1)-Neural Network

LI Ju-chen,HU Yu-li,HAO Ze-hua,ZHANG ZI-zheng,ZHENG Yi
(School of Marine Science and Technology,Northwestern Polytechnical University,Xi’an 710072,China)

Active torpedoes are in storage most of the time,and lithium-ion batteries are the main power sources.Therefore,it is important to study the storage life of lithium-ion batteries.In this study,a 18650 lithium cobalt oxide battery was used as the research object.Through the accelerated life test,the battery capacity and internal resistance change curves with time under different stress conditions are obtained,and the storage condition that is helpful to alleviate the attenuation of battery life is determined as 25°C and 30% state of charge(SOC).This study integrates the advantages of the gray prediction method and neural network,and uses the metabolic GM(1,1)-neural network method to predict the capacity of lithium-ion batteries.The combined prediction model was verified to be better than the gray prediction model and metabolic GM(1,1).The prediction model has a higher accuracy and is more suitable for predicting the storage life of lithium-ion batteries under different stress conditions.This further verifies the storage conditions that are conducive to alleviating the attenuation of battery life.

lithium-ion battery; accelerated life test; grey neural network; storage life

TJ630.32; U661

A

2096-3920(2022)02-0231-06

10.11993/j.issn.2096-3920.2022.02.014

李炬晨,胡欲立,郝泽花,等.基于新陈代谢GM(1,1)-神经网络的锂离子电池贮存寿命研究[J].水下无人系统学报,2022,30(2): 231-236.

2021-03-24;

修回日期:2021-06-18.

李炬晨(1996-),男,在读博士,主要研究方向为能源与动力及能量管理策略.

(责任编辑:杨力军)