锂电池自放电检测方法、装置及系统发明专利

专利名称：锂电池自放电检测方法、装置及系统

专利类型：发明专利

专利申请号：CN202010760423.9

专利申请（专利权）人：蜂巢能源科技有限公司
权利人地址：江苏省常州市金坛区鑫城大道8899号

专利发明（设计）人：江新海,金镇瀚,郑赫,胡韦伟,吴义,张伟,杨榕衫

专利摘要：本发明涉及电池测试领域，其实施方式提供了一种锂电池自放电检测方法，所述方法包括：获取待测锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；将所述第一自放电电流数据输入机器学习预测模型，得到所述待测锂电池的第一时间点之后的第二自放电电流数据；基于所述第二自放电电流数据，判断所述待测锂电池的自放电性能。同时还提供了对应的锂电池自放电检测装置和系统。本发明提供的实施方式缩短了锂电池的自放电检测的检测时间。

主权利要求：
1.一种锂电池自放电检测方法，其特征在于，所述方法包括：
获取锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；
将所述第一自放电电流数据输入机器学习预测模型，得到所述锂电池的第一时间点之后的第二自放电电流数据；所述机器学习预测模型为套索回归分析模型，所述套索回归分析模型中的参数采用训练集训练后得到；所述训练集包括若干数据样本，所述数据样本包括：与所述锂电池相同类型的锂电池在自放电测试环境下的从测试开始到第一时间点的自放电电流数据和/或所述锂电池之前在自放电测试环境下的从测试开始到第一时间点的自放电电流的历史数据；
基于所述第二自放电电流数据，判断所述锂电池的自放电性能。
2.根据权利要求1所述的方法，其特征在于，所述自放电测试环境包括：按照自放电测试规范，将待测锂电池连接至自放电检测电路；所述自放电检测电路包括：与所述待测锂电池串联的稳压电源和微电流表。
3.根据权利要求1所述的方法，其特征在于，所述套索回归分析模型中的参数包括：自变量、因变量、权重参数和正则化参数；所述权重参数的值由所述训练集训练后确定。
4.根据权利要求3所述的方法，其特征在于，在对所述套索回归分析模型进行训练之后，所述方法还包括对训练后的套索回归分析模型进行验证的步骤：将自放电电流的验证数据样本按所述第一时间点分为前后两段；
将前段验证数据样本输入训练后的套索回归分析模型，得到后段时间所对应的预测电流序列；
确定后段时间内的预测电流序列与后段验证数据样本之间的偏差小于偏差阈值，则验证通过。
5.根据权利要求4所述的方法，其特征在于，所述偏差阈值与所述锂电池的良品电流和不良品电流之间偏差相关。
6.根据权利要求1至5中任一项权利要求所述的方法，其特征在于，所述第一时间点为测试开始后的2小时。
7.一种锂电池自放电检测设备，其特征在于，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至6中任意一项权利要求所述的锂电池自放电检测方法。
8.一种锂电池自放电检测系统，其特征在于，所述系统包括：
数据检测设备，用于与待测锂电池相连，获取所述锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；
数据处理设备，包括数据预测模块和性能判断模块；
所述数据预测模块用于将所述第一自放电电流数据输入机器学习预测模型，得到所述锂电池的第一时间点之后的第二自放电电流数据；所述机器学习预测模型为套索回归分析模型，所述套索回归分析模型中的参数采用训练集训练后得到；所述训练集包括若干数据样本，所述数据样本包括：与所述锂电池相同类型的锂电池在自放电测试环境下的从测试开始到第一时间点的自放电电流数据和/或所述锂电池之前在自放电测试环境下的从测试开始到第一时间点的自放电电流的历史数据；
所述性能判断模块用于基于所述第二自放电电流数据，判断所述锂电池的自放电性能。
9.一种计算机可读存储介质，所述存储介质中存储有指令，其特征在于，所述指令在被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述的锂电池自放电检测方法。 说明书 : 锂电池自放电检测方法、装置及系统技术领域[0001] 本发明涉及电池测试领域，特别涉及一种锂电池自放电检测方法、一种锂电池自放电检测方法、锂电池自放电检测方法以及对应的存储介质。背景技术[0002] 以锂离子电池作为动力的电动汽车被广泛使用。电动汽车的动力电池组由单个电池通过串联或并联的方式成模组后，再组合成pack包。每个单体电池都必须具备良好的性能一致性，才能保证电池组的性能、循环寿命、安全等。衡量电池一致性的主要指标有容量、自放电、内阻等。其中过大的自放电有可能导致热失控，给电动汽车带来安全隐患。同时自放电率的测量也是锂电池生产过程中的关键工序，需耗费较长的工艺时间。[0003] 目前主流的锂电池自放电测量方法为开路电压测量法，即对化成后的电池进行静置3～5H后，测量开路电压记为OCV1；再静置一定时间后(不同电池厂有不同工艺要求，通常为96～144H)，测量其开路电压记为OCV2，自放电率记为K1＝(OCV1‑OCV2)*1000/T，其中T为测量的间隔时间。引起锂电池自放电偏大的原因很复杂，主要为正负极与电解液的界面副反应，电解液中存在氧气和杂质，不同SOC状态、不同环境温度以及电池内部水分含量等。为了确保锂电池在客户端不发生自放电过大的现象，各家锂电池厂家都会在出厂前尽量静置较长时间；但过长的静置时间会带来周转库位的增加，导致厂建和设备的投资成本增加，同时延长出货周期。发明内容[0004] 有鉴于此，本发明旨在提出一种锂电池自放电检测方法、装置及系统，以至少解决以上的问题。[0005] 在本发明的第一方面，提供了一种锂电池自放电检测方法，所述方法包括：获取待测锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；将所述第一自放电电流数据输入机器学习预测模型，得到所述待测锂电池的第一时间点之后的第二自放电电流数据；基于所述第二自放电电流数据，判断所述待测锂电池的自放电性能。[0006] 可选的，所述自放电测试环境包括：按照自放电测试规范，将所述待测锂电池连接至自放电检测电路；所述自放电检测电路包括：与所述待测锂电池串联的稳压电源和微电流表。[0007] 可选的，所述机器学习预测模型为套索回归分析模型，所述套索回归分析模型中的参数采用训练集训练后得到；所述训练集包括若干数据样本，所述数据样本包括：与所述待测锂电池相同类型的锂电池在自放电测试环境下的从测试开始到第一时间点的自放电电流数据和/或所述待测锂电池之前在自放电测试环境下的从测试开始到第一时间点的自放电电流的历史数据。[0008] 可选的，所述套索回归分析模型中的参数包括：自变量、因变量、权重参数和正则化参数；所述权重参数的值由所述训练集训练后确定。[0009] 可选的，在对所述套索回归分析模型进行训练之后，所述方法还包括对训练后的套索回归分析模型进行验证的步骤：[0010] 将自放电电流的验证数据样本按所述第一时间点分为前后两段；将前段验证数据样本输入训练后的套索回归分析模型，得到后段时间所对应的预测电流序列；确定后段时间内的预测电流序列与后段验证数据样本之间的偏差小于偏差阈值，则验证通过。[0011] 可选的，所述偏差阈值与所述待测锂电池的良品电流和不良品电流之间偏差相关。[0012] 可选的，所述第一时间点为测试开始后的2小时。[0013] 在本发明的第二方面，还提供了一种锂电池自放电检测设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的锂电池自放电检测方法。[0014] 在本发明的第三方面，还提供了一种锂电池自放电检测系统，所述系统包括：[0015] 数据检测设备，用于与待测锂电池相连，获取所述待测锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；数据处理设备，包括数据预测模块和性能判断模块；所述数据预测模块用于将所述第一自放电电流数据输入机器学习预测模型，得到所述待测锂电池的第一时间点之后的第二自放电电流数据；所述性能判断模块用于基于所述第二自放电电流数据，判断所述待测锂电池的自放电性能。[0016] 本发明第四方面，还提供一种计算机可读存储介质，所述存储介质中存储有指令，所述指令在被处理器执行时，使得所述处理器执行前述的锂电池自放电检测方法。[0017] 通过本发明提供的上述技术方案，具有以下有益效果：本专利介绍的基于机器学习的新型自放电检测方法，将最新的人工智能和大数据分析技术应用到锂电池自放电检测中，同时结合电流的检测方式。在保证同样的检出效果的前提下，将传统的锂电池常温静置工艺时间由144小时，缩短至74H，大幅减少静置试时间。带来的收益主要体现在，静置库位的减少和厂房面积的降低，设备和投资费大幅降低，同时产品交付周期大幅缩短。[0018] 本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明[0019] 构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：[0020] 图1是本发明一种实施方式提供的锂电池自放电检测方法的流程示意图；[0021] 图2是本发明一种实施方式提供的自放电检测电路的等效电路模型；[0022] 图3是本发明一种实施方式提供的对机器学习预测模型进行验证的逻辑流程图；[0023] 图4是本发明一种实施方式提供的对机器学习预测模型进行验证的数据图；[0024] 图5是本发明一种实施方式提供的锂电池自放电检测中的电流测试曲线图。具体实施方式[0025] 需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。[0026] 以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。[0027] 图1是本发明一种实施方式提供的锂电池自放电检测方法的流程示意图，如图1所示。一种锂电池自放电检测方法，所述方法包括：获取待测锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；将所述第一自放电电流数据输入机器学习预测模型，得到所述待测锂电池的第一时间点之后的第二自放电电流数据；基于所述第二自放电电流数据，判断所述待测锂电池的自放电性能。[0028] 如此，能够避免通过长时间的试验测试获取自放电电流数据来检验锂电池的自放电性能，将实际的试验时间压缩至第一时间点内，之后的数据通过预测得到，以此提升测试效率，降低产品的交付周期。[0029] 在本发明提供的一种实施方式中，所述自放电测试环境包括：按照自放电测试规范，将所述待测锂电池连接至自放电检测电路；所述自放电检测电路包括：与所述待测锂电池串联的稳压电源和微电流表。自放电测试环境包括测试流程和硬件环境。测试流程包括依照测试规范，预先的静置时长和预处理等，例如：选取某型号电池常温静置72H后，在恒温房进行测量。自放电检测方式为直接测量自放电电流大小，通过判断一定时间内自放电流的大小和趋于稳定的趋势，筛选出自放电不良的电池。图2是本发明一种实施方式提供的自放电检测电路的等效电路模型，如图2所示。在测量的等效电路模型中，Vsource：外部稳压电源，Vcell：电池电压，Rs：串联电阻，Rsd：自放电电流流过的并联电阻，Isd：自放电电流；Vcell＝Vsource–(Isd*Rs)，稳定电源的匹配功能可测量初始电池电压并调整施加的电压进行匹配，从而更快获得准确的自放电测量结果。微电流表可以精确测量低电平自放电电流，精度达到±(读数的0.025％+100nA)。通过以上测试环境，能够准确获取待测锂电池的自放电电流。[0030] 在本发明提供的一种实施方式中，所述机器学习预测模型为套索回归分析模型，所述套索回归分析模型中的参数采用训练集训练后得到；所述训练集包括若干数据样本，所述数据样本包括：与所述待测锂电池相同类型的锂电池在自放电测试环境下的从测试开始到第一时间点的自放电电流数据和/或所述待测锂电池之前在自放电测试环境下的从测试开始到第一时间点的自放电电流的历史数据。套索回归能够增强统计模型的预测准确性和可解释性。通过采用数据样本对模型中的参数进行训练，能够实现该模型对数据进行较好的拟合，拟合后的模型能够较好地体现时间与自放电电流值的对应关系。[0031] 在本发明提供的一种实施方式中，所述套索回归分析模型中的参数包括：自变量、因变量、权重参数和正则化参数；所述权重参数的值由所述训练集训练后确定。例如定义自变量是x，因变量是y，也就是测量得到的真实值。β是权重参数，对于每一个x会有一个β与之对应，机器学习的训练结果也就是得到这些β。λ是正则化参数，是一个固定值，对自变量x进行约束和方便解方程用的，其计算公式和详情可以参见现有的技术。训练的过程是：获得一批真实数据，比如500组或者1000组对应的x和y；代入套索公式，设置一个数值上的评价指标，可以有不同的选择，有微妙的区别，然后解方程，最后得到的β就是训练的结果。预测的过程是：对于新的X，代入公式得到y。这里的x可以有很多个，比如2小时内每30秒取一个值，就是3600/30*2＝240个。[0032] 在本发明提供的一种实施方式中，在对所述套索回归分析模型进行训练之后，所述方法还包括对训练后的套索回归分析模型进行验证的步骤：将自放电电流的验证数据样本按时间分为前后两段；将前段验证数据样本输入训练后的套索回归分析模型，得到后段时间所对应的预测电流序列；确定后段时间内的预测电流序列与后段验证数据样本之间的偏差小于偏差阈值，则验证通过。图3是本发明一种实施方式提供的对机器学习预测模型进行验证的逻辑流程图，如图3所示，具体对2～5小时数据进行预测，预测结果如图4所示，图4是本发明一种实施方式提供的对机器学习预测模型进行验证的数据图：图中虚线为预测曲线，实线为实际测试曲线，共预测360个点，预测值与实际值的平均差值绝对值与实测值的百分比为1.6％，预测值准确度达到98.4％。样本在2H时刻实测，不良品与良品最小电流偏差为22.52％，远大于预测偏差1.6％。预测结果可作为自放电良品与不良品的判断标准。[0033] 所述偏差阈值与所述待测锂电池的良品电流和不良品电流之间偏差相关。以上一实施方式为例，预测偏差为1.6％，不良品与良品最小电流偏差为22.52％，两者差距较大。若设定的偏差阈值过小，则不利于套索回归分析模型的确定，但设定的偏差阈值过大，则会提升自放电测试的误差。从数学上讲，本实施方式主要用于通过数据验证排除数据训练造成的欠拟合和过拟合现象。[0034] 在本发明提供的一种实施方式中，所述第一时间点为测试开始后的2个小时。图5是本发明一种实施方式提供的锂电池自放电检测中的电流测试曲线图，从图5可知，测试进行到2H后，自放电流开始出现分层现象，5小时后分层已较明显，可以区分出正常电池与自放电不良电池，因此将第一时间点定为测试开始后的2个小时，既能显著缩短实际测试时间，又能获取到自放电电流的特征。[0035] 在本发明提供的一种实施方式中，还提供了一种锂电池自放电检测设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的锂电池自放电检测方法。此处的控制模块或处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。此处控制模块或控制设备可以例如为单片机、芯片或处理器等常用硬件，更常用的情况下，就是智能终端或者PC的处理器。在此处，当该设备为PC时，前述的实施方式为运行于该PC上的软件程序。当该设备为专用电子设备时，其通过内置的单片机或者PLC实现前述的功能。[0036] 在本发明提供的一种实施方式中，还提供了一种锂电池自放电检测系统，所述系统包括：数据检测设备，用于与待测锂电池相连，获取所述待测锂电池在自放电测试环境下的从测试开始到第一时间点的第一自放电电流数据；数据处理设备，包括数据预测模块和性能判断模块；所述数据预测模块用于将所述第一自放电电流数据输入机器学习预测模型，得到所述待测锂电池的第一时间点之后的第二自放电电流数据；所述性能判断模块用于基于所述第二自放电电流数据，判断所述待测锂电池的自放电性能。[0037] 关于锂电池自放电检测系统的具体限定可以参见上文中对于锂电池自放电检测方法的限定，在此不再赘述。上述系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。其中数据检测设备可以是包括前述的稳压电源和微电流表，数据处理设备可以是前述的锂电池自放电检测设备。[0038] 在本发明提供的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，所述指令在被处理器执行时，使得所述处理器执行前述的锂电池自放电检测方法。[0039] 本发明提供的实施方式针对现有自放电测试中存在的试验时间长的问题，提供了一种锂电池自放电检测方法，该方法针对自放电测量必须静置4天以上才能保证检出的有效性，本发明提出一种基于机器学习的新型自放电检测方法，在保证同样的检出有效性前提下，大幅缩短检测时间，降低产线投资和运营成本，缩短产品交付周期。本发明的提供的实施方式应用于电池的自放电测试中。[0040] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。[0041] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0042] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0043] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0044] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。[0045] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。[0046] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0047] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0048] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

专利地区：江苏

专利申请日期：2020-07-31

专利公开日期：2024-07-19

专利公告号：CN111965545B