[发明专利]一种实时检测退役动力电池SOC的方法

说明书

本发明涉及电池检测技术领域，具体公开了一种实时检测退役动力电池SOC的方法，发明针对经过筛选后的一组状态参数相同的一类退役动力电池。前期经过少数的测试实验，在引入电阻R，电压U，电流I以及温度T四个参量的基础上，先建立模型测量出这一组内各电池的参数，然后由测定的参数建立由U、I值决定R值的三维关系模型和由R、T值决定SOC值的三维关系模型，其中R值是这两个三维关系模型的中间媒介。在建立数学模型后，这一系列状态参数相同的电池应用在不同场合时，只需要测量U、I、T三个参数，就能根据两个三维关系模型找到对应的SOC。

技术领域

本发明涉及电池检测技术领域，具体涉及一种实时检测退役动力电池SOC的方法。

技术背景

动力电池，是为工具提供动力的电源，通常情况下指的是为新能源汽车、电动自行车等运载工具提供能量的电池。在日常生活中其主要的类型包含采用阀口密封的铅酸电池、磷酸铁锂电池、三元锂电池等。

动力电池梯次利用，通常当新能源汽车动力电池剩余容量降低到初始容量的70％-80％时便无法满足车载使用要求。退役动力电池经过测试、筛选、重组等环节，仍然有能力用于低速电动车、备用电源、电力储能等运行工况相对稳定、对电池性能要求较低的领域。随着新能源汽车推广应用的力度不断加大，动力电池梯次利用的概念应运而生并受到广泛关注。

SOC值是反映动力电池的剩余容量的参数，SOC表示荷电状态。SOC的取值范围在0-1。动力电池SOC值通常情况下不能直接得到，只能通过动力电池的状态参数包括电压、电流或内阻的估算得到。并且这些状态参数还会受到温度，电池老化状态等因素的影响。

动力电池SOC估算常用的方法可以大致分为两种，一种是基于卡尔曼滤波递推算法的预测方法，卡尔曼滤波估算精度取决于电池模型的准确程度，非线性的动力电池经过卡尔曼线性化后难免存在误差。同时，卡尔曼滤波器作为递推算法，对初始值的选择十分敏感。另一种是基于神经网络算法的预测方法，其预测的准确性需要依靠大量且全面的目标样本数据，所输入的训练数据和训练的方式方法都会影响SOC的估计精度。上述两种方法的算法复杂，计算量大，所需计算周期长

发明内容

为了解决上述存在的技术问题，本发明提供一种能够实时检测退役动力电池SOC的方法，其具体技术方案如下：

一种实时检测退役动力电池SOC的方法，包括如下步骤：

步骤一、选取一组电池型号相同，并且充满电后电池容量相差不超过3％，电压相差不超过5％的退役动力电池；

步骤二、对退役动力电池进行HPPC测试，分别给与步骤一中每一个退役动力电池HPPC脉冲电流，得到在HPPC脉冲激励下每一个退役动力电池的电压、电流变化曲线，根据退役动力电池的电压、电流变化曲线计算动态内阻，对每一个退役动力电池的电压、电流和动态内阻数据进行拟合建立由电压、电流决定动态内阻的三维关系图；

步骤三、对每一个退役动力电池进行初始容量测定：

①将退役动力电池在1C恒流充电至电压达到额定电压1.2倍，转恒压充电至电流为0.05C时截止，静置10min；

②将退役动力电池在1C恒流放电至截止电压，静置10min；

③同时测量该退役动力电池1C放电电流下，电压随时间的变化，用安时积分法计算该退役动力电池初始容量；

步骤四、测量每一个退役动力电池不同温度条件下的SOC值：

①在0℃条件下，将退役动力电池进行1C恒流充电至额定电压1.2倍，转恒压充电至电流为0.05C，在此过程中监测电压U、电流I随时间的变化并计算，以退役动力电池初始容量为基准，当退役动力电池容量每变化10％停止充电，静置30min，再继续充电；