动力电池二次利用关键参数识别研究综述

利用参数识别技术对退役动力电池进行分选,实现退役电池的二次利用。研究二次利用前动力电池的性能状况,对电池的剩余容量、剩余寿命、电池的荷电状态(state of charge,SOC)、电荷健康度(state of health,SOH)等影响电池性能的参数进行识别,并根据获取的相关数据来评估退役电池组当前状态下的性能,预测电池的剩余寿命,为动力电池二次利用的参数识别提供理论依据。     

一种基于改进型k-means聚类算法的退役电池组筛选重组方法

随着新能源汽车保有量的逐渐增加,未来几年将会有大量的新能源汽车动力电池组退役,而这些达到退役寿命的电池同样具备潜在的利用价值。从电池单体容量、电量、内阻三个维度出发,针对电池组内单体状态差异性,提出了一种改进型k-means聚类方法实现退役电池组的重组,即认为单体的容量、电量、内阻每个维度上的差异对电池组整体不一致性的影响程度不同,进而利用信息熵理论确定每个维度的权重;通过实验对聚类结果进行了验证,结果表明这种方法可以有效筛选出一致性较高的电池单体。在此基础上,进一步提出了梯次利用可能的应用场景,完善了电池组全生命周期的价值链。     

基于SOP动态一致性的退役动力电池模组筛选方法研究

针对退役电池初始特性参数不一致性,多因素影响下电池模组筛选效果不佳的难题,提出一种基于SOP动态一致性的电池模组筛选方法。首先,为表征退役动力电池梯次利用筛选时初始特性,选取退役动力电池的端电压、容量和内阻作为静态筛选的参量,并提出基于密度思想的改进K-均值聚类的静态筛选方法;其次,从静态筛选结果中选取一致性较好的单体电池,建立电压、荷电状态（SOC）、电池健康状态（SOH）等因素与功率状态（SOP）的特征关系,对退役动力电池SOP动态特性进行估计;最后,将SOP一致性较好的退役电池串联成组,建立SOP与电池模组寿命损耗关联关系,基于SOP动态一致性进行电池模组的动态筛选。通过仿真分析验证所提筛选方法的有效性,可有效延长退役电池的使用寿命。     

基于风险防御的退役动力电池递进式分选方法研究

针对退役动力电池存在初始特性参数不一致,梯次利用过程中存在安全稳定性降低等问题,提出一种基于风险防御的退役动力电池递进式分选方法。首先,提取电动汽车退役动力电池“灰箱”数据,选取剩余容量、内阻及端电压作为分选参数,采用改进K-均值算法对退役动力电池参数进行初始聚类数据提取。其次,估计梯次利用过程中退役动力电池荷电状态（SOC）、健康状态（SOH）等特性,通过功能状态（SOF）表征参数间的关联特性,并基于SOF动态一致性进行分选。最后,考虑风险防御预留系统的SOF动态安全裕度,降低退役动力电池初始特性缺陷对梯次利用重组的影响。通过仿真分析验证所提分选方法提高了退役动力电池的一致性,并有效降低了重组系统的寿命损耗。     

梯次利用电池储能系统一致性维护方法研究

梯次利用电池储能系统与常规储能系统相比,面临更加困难的维护工作,需要研究高效的梯次利用电池储能系统维护方法 ,而维护工作的目的之一就是维护电池间的一致性。动力电池退役后应用于储能系统,相比传统新电池储能电站,电池一致性发散问题更为突出。随机抽取两组某纯电动公交车退役电池模组作为试验样本,测试电池模块剩余容量、欧姆内阻等参数,分析欧姆内阻的不一致性和SOC使用区间的不一致性对容量的影响。经分析,被测试退役电池在循环过程中,欧姆内阻没有明显增大趋势,容量的衰退主要由单体电池容量不一致性导致。然后提出一种基于抽样试验的梯次利用电池储能系统维护关键指标确定方法 ,并通过试验证明了该方法的有效性。通过数据分析,抽样电池模块在后期循环中,欧姆内阻一致性没有太大变化,但是SOC使用区间变化较大,尤其是高端SOC区间容量利用率随着循环次数的增加逐渐降低,影响了电池模块的可用容量,是维护中要重点关注的部分。     

Study on the characteristics of second life LiFePO4 batteries

随着电动汽车的快速发展,未来将有大量的动力电池退役,这些淘汰下来的电池仍有可观的剩余容量和寿命,可以在静态储能等领域实现梯次利用。为了提高安全性和输出性能,淘汰下来的动力电池需要在筛选之后重新串、并联成组使用。以二次利用磷酸铁锂动力电池为研究对象,研究在单体电池内阻不一致、剩余容量不一致、初始SOC不一致等情形下,电池组的并联特性,即并联电池组中各电池直流阻抗、电流不平衡度的变化情况。对于实现磷酸铁锂动力电池的梯次利用具有指导意义。     

二次利用磷酸铁锂动力电池并联特性研究

随着电动汽车的快速发展,未来将有大量的动力电池退役,这些淘汰下来的电池仍有可观的剩余容量和寿命,可以在静态储能等领域实现梯次利用。为了提高安全性和输出性能,淘汰下来的动力电池需要在筛选之后重新串、并联成组使用。以二次利用磷酸铁锂动力电池为研究对象,研究在单体电池内阻不一致、剩余容量不一致、初始SOC不一致等情形下,电池组的并联特性,即并联电池组中各电池直流阻抗、电流不平衡度的变化情况。对于实现磷酸铁锂动力电池的梯次利用具有指导意义。     

面向实车数据的电动汽车电池退役轨迹预测

针对车载环境下电池容量难以预测,电池退役时间难以确定的问题,提出基于车辆日常充电片段数据来估算电池当前最大可用电量,构建电池当前可用最大容量与行驶里程的序列关系以描述电池的退化特征,为剩余寿命预测提供可靠依据。首先在电池的充电工况下以安时积分法估算电池的当前可用最大容量,利用卡尔曼滤波对得到的容量值进行修正,然后建立长短期记忆（LSTM）神经网络模型来预测在车辆行驶里程下的电池容量衰退轨迹。结果表明：该方法实现了电池容量的准确预测,为车辆电池退役时间确定提供了可靠依据。不同训练集下均方根误差均低于多项式回归模型和高斯回归模型,预测精度至少提高了12.7%,具有较强的适用性和实际意义。     

退役电池梯次利用安全性分析

为解决环境污染和资源紧缺问题,国家大力支持发展新能源汽车产业,随着电动汽车数量的增加,车用退役电池如何回收利用成为产业发展的关键问题.从国内外政策分析、梯次利用环节的安全问题剖析等方面考虑退役电池梯次利用的安全性.梯次利用环节包括退役电池收集拆解、筛选、重组、应用等,着重从筛选重组环节入手,结合退役电池健康状态和剩余容...     

一种基于单片机的剩余容量在线检测新方法

文中以动力电池为研究对象,为了能够有效解决电池剩余容量在线检测的难题,设计了一种基于单片机的动力电池剩余容量在线检测装置。通过对电池电流、电池离线产生的回跳电压以及环境温度进行测量,用特定的算法软件实现剩余容量的估算,并将结果送显示器。该方法成本较低,所得结果有较高的可靠性,实用价值也比较高。     

风电场含退役动力电池的混合储能系统容量优化配置

针对退役电池在风电场平抑功率波动场景的应用,提出一种考虑退役电池时间尺度的混合储能系统容量配置方法。首先分析退役电池和新电池储能的优势,并介绍储能系统的成本构成;然后建立以全寿命周期经济性最优、考虑退役动力电池充放电时间尺度的混合储能容量配置模型,线性化后可调用求解器求解获取储能容量配置结果;最后用风电场实际数据进行分析,验证容量配置方法的有效性,并分析风电场不同储能配置时长政策要求、退役动力电池不同时间尺度以及不同控制策略下的混合储能容量配置结果。     

基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用,对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题,提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性,从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数,利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数,选取较高相关度特征作为深度神经网络的输入,建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明,与传统神经网络相比,深度神经网络学习可明显提高梯次利用电池健康状态的预测精度,为退役动力电池健康状态评估提供理论依据。     

A novel fast estimation and regroup method of retired lithium-ion battery cells

With the commercialization of the electric vehicles, the large-scale lithium-ion cells as the power of electric vehicles are to be retired. The second-use of retired cells is of great significance to improve the battery economy. A fast classification and regroup evaluation method of the retired lithium-ion cells are proposed in this paper to improve the classification efficiency of retired lithium-ion cells and adapt to the regroup under different conditions. The lithium-ion cells after being balanced in parallel are charged in series with a constant current. A support vector regression (SVR) model with the parameters optimized by the particle swarm optimization (PSO) algorithm is built for the fast capacity estimation and the error will not exceed 0.3%. Different cells regrouped means different performance. In order to improve the consistency of retired cells and satisfy different using conditions, a Weighted-K-means algorithm is proposed in this paper to regroup the cells with the known capacity and internal resistance. The classification method is evaluated by the voltage consistency of cells using different working conditions, which indicates capacity occupied a large proportion can meet the requirement of energy condition meanwhile keep a good consistency. But the resistance will dominate in algorithm under conditions which have requirement for instantaneous power.     

退役动力电池政策智能模拟方法研究

推进退役动力电池梯次利用是建立绿色低碳循环经济体系的重要抓手,该文围绕退役动力电池政策事前模拟评估开展研究,提出一种退役动力电池利用政策的知识化表达方法,构建基于模糊神经网络的退役动力电池政策智能模拟模型,实现了计算机对政策知识的自动识别和政策制定者决策行为的智能模拟,为退役动力电池政策优选提供了一种新思路.     

船用电池管理系统及SOC算法研究

依照中国船级社《纯电池动力船舶检验指南》(CCS GUIDANCE NOTES GD22-2019)要求,设计了一种船舶通用型电池管理系统.针对大容量电池系统电池荷电状态估算不准确问题,开发了一种扩展的卡尔曼滤波算法.经试验验证,所设计的电池管理系统能够满足船用要求;所采用的SOC算法能够较准确地估算出电池剩余电量.     

A fast classification method of retired electric vehicle battery modules and their energy storage application in photovoltaic generation

The fading characteristics of 60 Ah decommissioned electric vehicle battery modules were assessed employing capacity calibration, electrochemical impedance spectroscopy, and voltage measurement of parallel bricks inside modules. The correlation between capacity and internal resistance or voltage was analyzed. Then, 10 consistent retired modules were packed and configured in a photovoltaic (PV) power station to verify the practicability of their photovoltaic energy storage application. The results show that the capacity attenuation of most retired modules is not severe in a pack while minor modules with state of health (SOH) less than 80% bring about the retirement of the whole pack as a result of the buckets effect. There is no obvious correlation between capacities of retired battery modules and their lithium-ion diffusion coefficients or charge transfer resistance or ohmic resistance, whose reliability is low as the consistency indexes of decommissioning battery modules. The maximum off load voltage difference ΔU_max at low state of charge (SOC) values has a good negative linear correlation with the capacity of retired modules, suggesting that the ΔU_max value at low SOC values can be considered as a characteristic index for fast classification of retired battery modules for large-scale second-life application. A PV power station equipped with retired battery energy storage system (RBESS) can maximize the photovoltaic self-utilization rate. It is an important way to reutilization of retired battery that RBESSs are configured with distributed PV power stations.