基于新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡的鋰離子電池貯存壽命研究

李炬晨,胡欲立,郝澤花,張子正,鄭乙

(西北工業(yè)大學 航海學院,陜西 西安,710072)

基于新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡的鋰離子電池貯存壽命研究

李炬晨,胡欲立,郝澤花,張子正,鄭乙

(西北工業(yè)大學 航海學院,陜西 西安,710072)

現(xiàn)役魚雷大多時間處于貯存狀態(tài),而鋰離子電池是其主要的動力能源,所以針對鋰離子電池的貯存壽命研究尤為重要。文中以18650型鈷酸鋰電池為研究對象,通過開展加速壽命試驗,獲得在不同應力條件下電池容量和內(nèi)阻隨時間的變化曲線,并確定有利于緩解電池壽命衰減的貯存條件為: 溫度25℃、電池荷電狀態(tài)30%; 綜合灰色預測方法及BP神經(jīng)網(wǎng)絡的優(yōu)點,采用新陳代謝灰色模型GM(1,1)-神經(jīng)網(wǎng)絡方法對鋰離子電池的容量進行預測,經(jīng)驗證該組合預測模型比灰色預測模型和新陳代謝GM(1,1)預測模型精度更高且更適用于電池壽命預測,從而獲取鋰離子電池在不同應力條件下的貯存壽命,進一步驗證了有利于緩解電池壽命的貯存條件。

鋰離子電池; 加速壽命試驗; 灰色神經(jīng)網(wǎng)絡; 貯存壽命

0 引言

現(xiàn)役魚雷大多時間均處于貯存狀態(tài)[1],貯存環(huán)境是影響裝備性能的重要因素,其貯存可靠性會隨貯存時間的延長而降低[2]。鋰電池是保證電動力魚雷能否長期有效工作的關鍵部件,也是其長期貯存后設備故障率最高的部件。因此對鋰電池貯存壽命的預測十分重要。在特定環(huán)境中,鋰離子電池經(jīng)過若干年貯存后,電池的放電容量低于規(guī)定放電容量,定義其壽命終止。

韓鵬飛[3]根據(jù)水雷電源的特點,對在水雷電源中合理使用鋰電池提供了依據(jù)。劉勇[4]基于電池老化數(shù)據(jù)機理建立起一種壽命預測方法,對滿荷電狀態(tài)下貯存的電池壽命進行了預測,但沒有對不同荷電狀態(tài)和不同溫度下貯存的電池進行壽命預測。Dubarry等[5]基于鋰離子電池貯存過程中的容量衰減對電池的貯存壽命進行預測,然而該模型僅考慮了荷電狀態(tài),未引入溫度這一重要影響因素。黃燕等[6]提出一種根據(jù)正常電池數(shù)據(jù)建立模糊隸屬度函數(shù)處理不完整數(shù)據(jù)的方法,計算得到電池貯存可靠度,但是沒有考慮到電池性能發(fā)生退化的情況。

此外,諸多學者采用加速壽命試驗方法研究不同外部環(huán)境對電池性能的影響。研究可知,在電池貯存過程中,溫度和荷電狀態(tài)是最主要的影響因素[7-10]。基于此,文中選擇對電池做不同溫度和不同荷電狀態(tài)貯存條件下的加速壽命試驗來獲取利于電池延壽的貯存條件。

1 加速壽命試驗

測試的電池為18650型鈷酸鋰電池,額定電壓為3.60～3.65 V,內(nèi)阻不高于30 mΩ,額定容量為2.55 Ah。正極材料是LiCoO2,負極材料為石墨。

1.1 試驗設備

1) 試驗選用藍電電池測試系統(tǒng)對ICR18650鋰離子電池進行充放電測試,測試系統(tǒng)的型號為CT2001A,其量程為5 V、3 A。

2) 電池的內(nèi)阻使用深圳市鋰亞威科技有限公司的KVR-208微電腦電池內(nèi)阻測試儀。

3) 試驗使用恒溫箱作為貯存裝置,分別采用:

a.上海一恒科學儀器的鼓風干燥箱,其控溫范圍為室溫10～250 ℃,電壓為220 V/50 Hz,功率為850 W;

b.上海力辰科技的生化培養(yǎng)箱,控溫范圍為5～50 ℃,溫度波動度為±1℃,電壓為220 V/60 Hz,消耗功率為300 W,制冷功率為100 W;

c.上海邦西儀器科技的電熱恒溫培養(yǎng)箱,其控溫范圍為室溫5～60 ℃,溫度波動度為±0.5 ℃,電壓為220 V/50 Hz,消耗功率為0.4 kW。

1.2 試驗步驟

1.2.1 電池活化

電池活化的具體操作為: 對試驗的電池進行5次1/3 C模式充放電循環(huán)試驗,記錄電池充放電實際容量,直到連續(xù)3次測試電池容量的誤差在5%內(nèi),則電池活化完成。

電池活化的試驗制度如表1所示(環(huán)境溫度為25 ℃)。

表 1 18650型鋰離子電池活化制度表Table 1 Activation system table of 18650 type lithium ion battery

1.2.2 加速貯存試驗

加速貯存試驗的本質(zhì)是通過提高應力加速電池老化。具體試驗流程如下: 將初始容量測試結束后的電池分別在1/3 C的模式下進行恒流恒壓充電至30%、65%、100%的荷電狀態(tài),將其放置在恒溫箱內(nèi),分別在10 ℃、25 ℃、40 ℃、55 ℃下貯存,每個溫度下貯存3組不同荷電狀態(tài)的電池,每組2個電池。每個溫度下貯存的電池大約隔1周(7 d)測試1次容量與內(nèi)阻,且貯存期間內(nèi)不對電池進行任何測試和維護。

1.2.3 電池容量與內(nèi)阻測試

貯存試驗結束后,需要對電池進行標準容量和內(nèi)阻測試。電池標準容量測試的本質(zhì)是測試電池在不同狀態(tài)下貯存一定時間后電池的容量衰減情況,表現(xiàn)電池從開始貯存到失效的過程,為電池壽命預測模型的建立提供數(shù)據(jù)。具體測試制度與電池活化的試驗制度與表1相同。第6步在測試得到電池的容量和內(nèi)阻后,靜置一段時間使電池恢復至最佳狀態(tài),接著需要對電池進行充電至試驗所要求的荷電狀態(tài),并置于相應的恒溫箱內(nèi)進行貯存。

1.3 試驗結果

1.3.1 不同荷電狀態(tài)和溫度貯存下電池容量變化

由圖1可知貯存溫度和電池荷電狀態(tài)(state of charge,SOC)對電池的性能會產(chǎn)生很大影響,在同一荷電狀態(tài)貯存的電池,溫度越高,容量衰減速度越快。尤其是溫度達到55 ℃時,電池容量衰減速率最快,因此高溫環(huán)境下不利于電池貯存。在相同溫度下貯存的電池,65%SOC的電池容量衰減比例最大,100%SOC的電池容量衰減比例次之,30%SOC電池容量衰減比例最小。因此,30%荷電狀態(tài)更適宜鋰離子電池的貯存。同時通過對在不同溫度、不同荷電狀態(tài)下電池貯存試驗數(shù)據(jù)可得出,貯存溫度的影響比SOC更加顯著,且電池是一個非線性系統(tǒng),其容量衰退過程會出現(xiàn)波動現(xiàn)象。

圖1 不同SOC和貯存溫度下電池容量變化曲線Fig.1 Capacity curves of battery under different SOC and storage temperatures

1.3.2 不同荷電狀態(tài)和溫度貯存下電池內(nèi)阻變化

由圖2可以看出,貯存溫度和SOC對鋰離子電池的內(nèi)阻變化有很大的影響。鋰離子電池的內(nèi)阻與貯存時間呈正相關。30%SOC下貯存84 d的電池,10 ℃下內(nèi)阻增加0.5 mΩ(2.58%); 25 ℃下內(nèi)阻增加0.65 mΩ(3.47%); 40 ℃下內(nèi)阻增加0.75 mΩ(3.9%); 55 ℃下內(nèi)阻增加1.6 mΩ(8.29%),增加幅度約為10 ℃貯存同等時間下的3.2倍。在10 ℃下貯存84 d的電池,30%SOC下內(nèi)阻增加0.5 mΩ(2.58%); 65%SOC下內(nèi)阻增加0.75 mΩ(4.09%);100%SOC下內(nèi)阻增加1.4 mΩ(7.69%),增加幅度約為30%SOC下貯存同等時間下的3倍,因此低溫、低荷電狀態(tài)更適宜電池貯存。

由試驗結果可以得出: 高溫和高荷電狀態(tài)對鋰離子電池的貯存性能不利,造成鋰離子電池的內(nèi)阻增大及容量衰退。在貯存溫度較高的條件下,負極表面將會與電解質(zhì)發(fā)生反應,從而產(chǎn)生新的較厚的膜,導致容量損失嚴重[11-12]。低溫和低荷電狀態(tài)較普遍采用的50%SOC更有利于鋰離子電池的貯存。由于在實際貯存條件下,低溫貯存需要特定的制冷條件,因此選擇在常溫(25 ℃)、30%SOC條件下貯存鋰離子電池。

圖2 不同SOC和貯存溫度下電池內(nèi)阻變化曲線Fig.2 Internal resistance curves of battery under different SOC and storage temperatures

2 基于新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡組合的鋰離子電池壽命預測

2.1 灰色模型

灰色模型簡稱GM(gray model)模型,GM(1,n)模型中1表示方程的階數(shù),n表示變量的個數(shù)。GM模型建立的本質(zhì)是通過微分方程的系數(shù)將時間序列轉換為微分方程,以對系統(tǒng)的發(fā)展進行預測?；疑到y(tǒng)理論可以將任何隨機過程看成灰色過程,找出新挖掘出的數(shù)據(jù)與歷史數(shù)據(jù)間的關系,得出系統(tǒng)的運動規(guī)律,從而建立灰色模型對系統(tǒng)的未來狀態(tài)做出預測。

利用MATLAB語言對GM(1,1)預測模型進行編程,并對鋰離子電池(55 ℃、65%SOC)的容量進行預測,預測結果如如表2所示。

由表2可得系統(tǒng)平均相對模擬誤差為0.768%,參照殘差檢驗精度表可得該模型精度等級達到2級,因此灰色預測模型可以對鋰離子電池的容量進行預測。

2.2 新陳代謝GM(1,1)

由于系統(tǒng)在長期預測過程中會出現(xiàn)一些擾動因素,使得模型長期預測的精度降低,為更好地反映電池的容量變化趨勢,引入新陳代謝灰色預測模型,為數(shù)據(jù)增加約束且使系統(tǒng)處于實時更新的狀態(tài)。

建立新陳代謝GM(1,1)模型對鋰離子電池(55 ℃、65%SOC)容量進行預測,預測結果如表3所示。

表2 GM(1,1)模型預測結果Table 2 Prediction results of GM(1,1)model

表3 新陳代謝GM(1,1)模型預測結果Table 3 Prediction results of metabolic GM(1,1)model

由表3得出系統(tǒng)平均相對模擬誤差為0.477%,新陳代謝GM(1,1)模型比GM(1,1)模型的精度有所提高。GM(1,1)模型對于單調(diào)變化的系統(tǒng)預測精度較高,但鋰離子電池是一個非線性系統(tǒng),容量衰退過程中會出現(xiàn)波動,改進后的新陳代謝GM(1,1)模型能夠有效解決此問題,且經(jīng)誤差分析,模型精度得到顯著提高。

2.3 新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡組合模型

灰色預測模型針對“數(shù)據(jù)量少、貧信息”的不確定性系統(tǒng),對電池的退化數(shù)據(jù)數(shù)量要求較少,但是在波動點處的精度較低,由于神經(jīng)網(wǎng)絡具有非線性擬合能力強的優(yōu)點,且對數(shù)據(jù)量具有一定的要求,基于此將2個模型進行組合,以對鋰離子電池的壽命進行預測。

2.3.1 模型建立

將原始數(shù)據(jù)用新陳代謝GM(1,1)模型進行預測之后,將預測值和真實值組合在一起對神經(jīng)網(wǎng)絡進行訓練,修正灰色預測模型殘差。

具體建模步驟如下:

用新陳代謝GM(1,1)模型對原始數(shù)據(jù)列X={x1,x2,···,xn}進行預測,得到數(shù)據(jù)列y(0)={x(0)(2),···,x(0)(n),x(0)(n+1)},進而得到序列的殘差值E(0)={e(0)(2),e(0)(3),···,e(0)(n)}。

將新陳代謝GM(1,1)模型預測出的前p周電池容量作為神經(jīng)網(wǎng)絡的輸入值,下一周的預測殘差值作為神經(jīng)網(wǎng)絡模型的輸出值,如表4所示(其中p+q?1=n)。

表4 新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡模型輸入與輸出樣本Table 4 Input and output samples of metabolic GM(1,1)-neural network model

新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡的輸入層為p,輸出層為1,使用前q?1組電池容量衰退數(shù)據(jù)訓練網(wǎng)絡,滿足要求后用第q組進行預測,得到到e(0)(n+1),則可以獲取預測值為x′(0)(n+1)=x(0)(n+1)?e(0)(n+1),然后用獲取的預測值x′(0)(n+1)來更新數(shù)據(jù)列,保持數(shù)據(jù)列中的容量個數(shù)不變,獲得新數(shù)據(jù)列x(0)(q+1),x(0)(q+2),···,x′(0)(n+1),即可得到第n+1周的電池容量(即第7×(n+1)天)的容量預測值,以此類推,直至電池失效。

2.3.2 組合模型應用

將新陳代謝GM(1,1)模型預測出的連續(xù)3周的電池容量作為神經(jīng)網(wǎng)絡的輸入值,將下一周的預測殘差值作為神經(jīng)網(wǎng)絡模型的輸出值,如表5所示。

表5 新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡模型輸入與輸出樣本值Table 5 Input and output sample values of metabolic GM(1,1)-neural network model

用前9組數(shù)據(jù)對網(wǎng)絡進行訓練,訓練完成后用第10、11組數(shù)據(jù)進行訓練預測,隱含層個數(shù)取3開始訓練,學習速率選取0.01,允許最大誤差設為0.001,訓練次數(shù)設為2 000,若訓練后預測得到的數(shù)據(jù)與實際數(shù)據(jù)間的誤差較大,則將隱含層節(jié)點數(shù)逐漸增加,直至模型預測性能最佳。

基于新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡的預測結果如表6所示。

表6 新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡模型預測結果Table 6 Prediction results of metabolic GM(1,1)-neural network model

通過上述分析可知,通過構造新陳代謝GM(1,1)-BP神經(jīng)網(wǎng)絡模型對非線性變化電池容量的預測,得到系統(tǒng)平均相對誤差為0.11%。預測精度較GM模型和新陳代謝GM(1,1)模型得到顯著提高。

2.4 基于組合模型的電池壽命預測

通過組合模型對各種應力條件下電池容量進行預測,隱含層節(jié)點先從3開始訓練,學習速率選取0.01,允許最大誤差設為0.000 1,最大訓練次數(shù)設置為2 000,若訓練后預測得到的數(shù)據(jù)與實際數(shù)據(jù)間的誤差較大,則將隱含層節(jié)點數(shù)逐漸增加,直至模型預測性能最佳。

經(jīng)學習預測后得到各個試驗樣本的容量隨時間變化曲線,如圖3所示。

圖3 電池容量衰退曲線Fig.3 Decline curves of battery capacity

當電池容量衰減至額定容量(2 550 mAh)的80%時認為電池失效。由電池失效閾值(2 040 mAh)可得在不同應力下貯存時電池的壽命,如表7所示。

表7 組合預測模型得出的電池壽命Table 7 Battery life based on combined prediction model

3 結束語

文中選取恒定應力加速壽命試驗方法,在老化機理和失效分析的基礎上,以貯存溫度和荷電狀態(tài)為加速應力開展壽命試驗,獲得在不同應力條件下電池容量和內(nèi)阻隨時間的變化曲線,確定有利于緩解電池壽命衰減的貯存條件為: 25℃、30%SOC。

通過采用GM模型、新陳代謝GM模型以及組合模型對鋰離子電池的容量進行預測可知,GM模型系統(tǒng)平均相對模擬誤差為0.768%,新陳代謝GM(1,1)模型的系統(tǒng)平均相對模擬誤差為0.477%,改進后的新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡組合模型的系統(tǒng)平均誤差為0.11%,預測精度得到顯著提高。組合模型能夠充分利用BP神經(jīng)網(wǎng)絡模型的學習能力強、非線性映射能力好,以及灰色模型方法簡單、對數(shù)據(jù)數(shù)量要求低的特點,可以較好地擬合電池性能退化曲線,擁有較好的外推預測效果,最終預測出在不同應力下貯存時的電池壽命。通過電池壽命的預測進一步驗證了有利于緩解電池壽命衰減的貯存條件。

[1]趙濤,劉明雍,周良榮.自主水下航行器的研究現(xiàn)狀與挑戰(zhàn)[J].火力與指揮控制,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]顏佳輝.基于多元性能退化的電連接器貯存可靠性建模與驗證[D].杭州: 浙江理工大學,2019.

[3]韓鵬飛.鋰電池小電流放電的可靠性分析[J].電源技術,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]劉勇.LiFePO_4鋰離子電池滿電荷存儲壽命的研究[D].長沙: 國防科學技術大學,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]黃燕,宋保維,謝亞麗.基于性能退化數(shù)據(jù)的鋰離子電池貯存可靠性評估方法[J].魚雷技術,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]王亞輝,李曉鋼.基于退化軌跡的鋰離子電池加速試驗研究[J].裝備環(huán)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]倪江鋒,周恒輝,陳繼濤,等.鋰離子電池中固體電解質(zhì)界面膜(SEI)研究進展[J].化學進展,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]聞人紅雁,毛松科,聞人紅權,等.不同荷電態(tài)對鋰離子電池循環(huán)壽命的影響[J].材料科學與工程學報,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,郝澤花,等.基于新陳代謝GM(1,1)-神經(jīng)網(wǎng)絡的鋰離子電池貯存壽命研究[J].水下無人系統(tǒng)學報,2022,30(2): 231-236.

2021-03-24;

修回日期:2021-06-18.

李炬晨(1996-),男,在讀博士,主要研究方向為能源與動力及能量管理策略.

(責任編輯:楊力軍)