基于形态与性能的动力电池循环寿命预测方法

doi:10.3969/j.issn.1000-565X.2018.04.001

华南理工大学学报（自然科学版） ›› 2018, Vol. 46 ›› Issue (4): 1-7.doi: 10.3969/j.issn.1000-565X.2018.04.001

• 交通运输工程 • 下一篇

基于形态与性能的动力电池循环寿命预测方法

李礼夫张东羽

华南理工大学机械与汽车工程学院，广东广州 510640

收稿日期:2017-08-18 修回日期:2017-12-20 出版日期:2018-04-25 发布日期:2018-03-01
通信作者: 李礼夫( 1955) ，男，教授，博士，主要从事光机电一体化研究 E-mail:pmlfli@scut.edu.cn
作者简介:李礼夫( 1955) ，男，教授，博士，主要从事光机电一体化研究
基金资助:
广东省公益研究与能力建设专项资金资助项目( 2014B010106004)

Cycle Life Prediction Method of Lithium Batteries Based on Morphology and Properties

LI Lifu ZHANG Dongyu

School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2017-08-18 Revised:2017-12-20 Online:2018-04-25 Published:2018-03-01
Contact: 李礼夫( 1955) ，男，教授，博士，主要从事光机电一体化研究 E-mail:pmlfli@scut.edu.cn
About author:李礼夫( 1955) ，男，教授，博士，主要从事光机电一体化研究
Supported by:
Supported by the Special Funds for Public Welfare Ｒesearch and Capacity Building of Guangdong Province ( 2014B010106004)

摘要/Abstract

摘要： 常用的锂动力电池循环寿命预测模型由于忽略了电化学反应引起的结构变化而导致锂动力电池寿命预测出现错误．为此，以磷酸铁锂动力电池为对象，研究了锂动力电池内部结构形态与锂动力电池循环寿命之间的关系，提出了基于形态与性能的动力电池循环寿命预测方法，建立了基于形态与性能的动力电池循环寿命预测模型( BLPC 模型) ，研发了对应的动力电池循环寿命检测系统( BLPC 系统) ，并以此对磷酸铁锂电池进行了循环寿命实验和 BLPC 模型的验证分析．结果表明，与常用的电池循环寿命预测方法相比，该预测方法具有可行与实用的特点．

关键词: 锂离子电池, 循环寿命, 预测, 层析成像

Abstract: The conventional prediction model for cycle life of lithium power batteries may generate prediction error， because it ignores the impact of the structural changes caused by electrochemical reactions． To solve this problem， the lithium iron phosphate batteries are regarded as the research objects for the study of the relationship between the internal structure and the cycle life of lithium power battery． The prediction method based on morphology and electrochemical properties is proposed． And a prediction model for cycle life of power battery ( BLPC model) is established on the basis of the morphology and electrochemical properties． The corresponding power battery cycle life test system ( BLPC system) is designed to carry out the cycle life experiment of the lithium iron phosphate batteries and verify the validity of BLPC model． The experimental results show that the new prediction method is more reliable and practical than those conventional ones．

Key words:

lithium-ion batteries, cycle life, prediction, computerized tomography

中图分类号:

U469.72

李礼夫张东羽. 基于形态与性能的动力电池循环寿命预测方法 [J]. 华南理工大学学报（自然科学版）, 2018, 46(4): 1-7.

LI Lifu ZHANG Dongyu .

Cycle Life Prediction Method of Lithium Batteries Based on Morphology and Properties

[J]. Journal of South China University of Technology (Natural Science Edition), 2018, 46(4): 1-7.

[1]	李方, 郭炜森, 张平, 等. 基于时空双细胞状态的轴承剩余使用寿命预测方法[J]. 华南理工大学学报(自然科学版), 2023, 51(9): 69-81.
[2]	魏海斌, 魏东升, 蒋博宇, 等. 基于IPSO-SVR的盾构下穿既有道路沉降预测分析[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 62-71.
[3]	赵建东, 焦岚馨, 赵志敏, 等. 考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 10-19.
[4]	林志坚, 丁永强, 杨秀芝, 等. HEVC帧内率失真优化预测模式的并行流水线硬件设计[J]. 华南理工大学学报(自然科学版), 2023, 51(5): 95-103.
[5]	王永岗, 陈俊先, 郑少娅, 等. 道路急弯路段追尾冲突分析预测[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 80-87.
[6]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[7]	王情情, 刘战强, 程延海, 等. 基于多尺度晶粒细化演变的TC4加工表层硬度预测[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 35-46.
[8]	杨旭锋, 刘泽清, 张懿. 基于贝叶斯神经网络的金属材料P-S-N曲线估计[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 82-92.
[9]	陈锋, 毛豪滨, 蔡吉玲, 等. 面向低延时实时视频的多维跨层带宽预测[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 18-27.
[10]	乔冠, 廖荣, 张校民, 姜广君, 马尚君. 循环式行星滚柱丝杠副的疲劳分析与寿命预测[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 131-139.
[11]	罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.
[12]	王高, 陈晓鸿, 柳宁, 等. 一种基于视角选择经验增强算法的机器人抓取策略[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 126-137.
[13]	侯力玮, 王恒升, 邹浩然. 基于深度学习的玻璃基板铲起过程作用力预测[J]. 华南理工大学学报(自然科学版), 2022, 50(8): 71-81.
[14]	张桂珍刘洋严明保. PEO基固态聚合物电解质膜的免溶剂熔融制备及性能[J]. 华南理工大学学报(自然科学版), 2022, 50(8): 119-127.
[15]	宋建, 王文龙, 李东, 等. 基于Stacking集成学习的注塑件尺寸预测方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 19-26.

基于形态与性能的动力电池循环寿命预测方法

Cycle Life Prediction Method of Lithium Batteries Based on Morphology and Properties

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价