锂离子电池老化机理及综合利用综述

准确的老化机理诊断与健康状态(SOH)评估可提示用户及时更换故障电池,保障电池系统的安全运行。分析总结过充与温度影响下锂离子电池容量衰减的老化机理,依据剩余容量,将退役锂离子电池应用于电网储能、应急电源等。对比不同方法下的老化诊断、SOH评估现状,展望未来建立退役锂离子电池快速诊断老化以及可用于实时监测退役锂离子电池二次利用过程中SOH变化的模型和系统。     

退役三元电池健康状态在线估算方法研究

为了准确获得退役电池在梯次利用过程中的健康状态,以退役三元锂离子电池单体为研究对象,提出一种无损、快速的动态阻抗测试方法,通过测试电池在充放电过程中的动态阻抗,建立合适的等效电路模型,对动态阻抗谱进行拟合.拟合结果表明,电池的欧姆内阻和电荷转移内阻与健康状态成负相关,弥散系数与健康状态成正相关,感抗与电池健康状态无直接...     

退役动力电池健康状态特征提取及评估方法综述

我国电动汽车动力电池退役高峰来临,电池梯次利用技术备受学术界和产业界的高度关注。与新电池相比,退役电池(retired battery,RB)一致性差、性能离散度高、安全隐患大,并且从电池单体、模块、电池簇到储能系统逐层集成过程中,上述问题会叠加、放大,导致系统整体性能不确定性增大。为实现退役动力电池安全可靠、规模化、多场景梯次利用,研究基于RB衰退机理的特征提取及健康状态评估技术非常关键。该文基于退役电池的性能衰退规律、电池安全状态演变机理,重点对RB健康状态特征参量表征和残值评估方法进行综述,分别从数据驱动方式以及模型驱动2个维度对提取RB特征和健康评估进行总结分析,提高基于RB衰退规律的退役电池健康状态和残值评估模型精度,对RB特征提取以及健康状态评估未来的研究方向进行展望。     

动力电池健康因子提取实验研究

动力电池梯次利用技术是解决退役电池去处问题的关键技术,其中锂电池健康状态(SOH是分类、配组的关键参数。目前锂离子电池健康状态估算方法以离线测试数据为主,解决其准确性和效率问题是难点。本文从实验出发,以测试数据为依据,在室温测试环境下进行单体电池的充放电老化实验,研究电池衰退容量与充放电曲线、内阻关系,提取表征电池的健康状态因子。在实验结果基础上,通过统计方法分析表征电池健康状态的健康因子与电池衰退容量相关性,量化各健康因子与电池容量的紧密程度,为锂动力电池的健康评价、一致性筛选、分类与二次成组提供数据支撑。     

锂离子动力电池健康状态评估方法的研究进展

随着锂离子电池在储能体系中的广泛应用,其健康状态的评估研究备受关注。综述了国内外动力电池健康状态评估方法的研究进展。讨论了几种主要的锂离子电池健康状态评估方法,包括定义法、内阻法、交流阻抗法、电压曲线法、模型法以及一些新方法,并对未来锂离子电池健康状态评估方法的研究方向做出展望。     

退役锂离子电池梯次利用状态区间划分

选择一阶RC等效电路,研究环境温度和极化反应程度对于退役锂离子电池开路电压和放电时间的影响.对NCR18650GA型锂离子电池进行混合脉冲功率特性(HPPC)测试,对比不同荷电状态(SOC)下的电极电位衰减情况和极化反应程度,确定电池二次利用时SOC的下限需大于0.4;根据不同放电倍率下放电深度(DOD)区间与端电压衰减快慢的关系,以及多次循环实验下电池的容量衰减程度,将退役锂离子电池的健康状态(SOH)区间划分为80％～60％、60％～45％和45％～30％等3个区间,实现梯次利用的效率最大化.     

基于TCN-BiGRU的锂离子电池健康状态评估

准确估算锂离子电池的健康状态可以有效保障锂离子电池的安全使用,但现有锂离子电池SOH评估方法存在评估精度不理想等问题。为此,本文提出了一种基于TCN和BiGRU相结合的电池SOH评估方法。首先,从电池充电数据中提取构建健康因子,并验证其与电池容量之间的相关关系;然后,利用TCN模型处理长序列依赖数据并开展特征提取,同时在该模型中添加Dropout层以防止过拟合,提升了模型的泛化性;最后,通过BiGRU模型进行历史数据特征建模并对数据退化趋势进行估计,最终实现对锂离子电池SOH的精确评估。利用实验室搭建的电池退化试验台获取的四组电池退化数据进行方法验证,结果表明所提模型所估计的SOH在决定系数、绝对平均误差以及均方根误差3个指标上的均值分别为0.990 4、0.017 1、0.022 3,明显优于其他对比方法。     

基于CNN-BiLSTM网络的锂离子电池健康状态检测方法

锂离子电池健康状态(SOH)是锂离子电池可靠运行的重要参考指标，为提高电池健康状态检测的精确性，提出一种基于CNN-BiLSTM网络的锂电池健康状态检测方法。该方法使用CALCE锂离子电池容量衰减数据集，提取电池健康因子(HI)作为模型输入数据，同时利用灰色关联分析法(GRA)验证HI选取的合理性，采用卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)构建网络模型，对电池容量进行预测，实现锂离子电池健康状态检测。实验结果表明，该方法SOH检测的平均绝对误差为1.3%,均方根误差为1.78%,精确度和可靠性较高。     

基于Elman神经网络的锂离子电池RUL间接预测研究

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题。提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测。选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性。构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型。采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果。     

基于多退化特征的锂离子电池剩余寿命预测

针对目前锂离子电池剩余寿命预测模型精度低、泛化性差的问题,在一种基于充放电健康特征提取的锂离子电池剩余寿命估计方法的基础上,增加了健康因子和实际容量之间的相关性分析,具体方法是:从锂离子电池充放电电压、电流、温度曲线变化趋势中提取若干潜在健康因子,并利用主成分分析(PCA)去除数据冗余性,得到代表退化特征的融合健康因子。结合自适应遗传算法(AGA)优化了Elman预测模型。结果表明所建立的PCA-AGA-Elman神经网络预测模型误差控制在1.5%之内,可作为锂离子电池的剩余使用寿命(RUL)预测模型。     

基于数据驱动的锂离子电池健康状态估计技术

电池健康状态（stateofhealth,SOH）是影响锂离子电池大规模应用的关键因素,而基于数据驱动的锂离子健康状态估计方法已经成为当前相关研究的热点课题。为了系统地剖析数据驱动下电池SOH估计方法的关键技术和难点问题,从电池数据来源、特征工程、估计模型以及验证途径4个核心环节出发,综述当前研究的进展。通过多种不同方法基本机理的分析和优缺点对比,凝炼出制约技术发展的瓶颈问题,展望未来研究的重点方向,推动基于数据驱动的锂离子电池SOH估计技术的进一步发展与应用。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于能量加权高斯过程回归的锂离子电池健康状态预测

针对容量再生现象影响锂离子电池健康状态预测(SOH)建模精度的问题,提出一种经验模态分解(EMD)的能量加权高斯过程回归(EWGPR)方法。该方法将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用EMD分解获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH预测模型。基于NASA锂电池数据集的仿真实验结果表明,EWGPR方法比基本GPR算法具有更高的精度和适应性,单步预测和多步预测的均方根误差(RMSE)分别减少了3%和10%。     

基于数据驱动的锂离子电池健康状态估计技术

电池健康状态（state of health, SOH）是影响锂离子电池大规模应用的关键因素,而基于数据驱动的锂离子健康状态估计方法已经成为当前相关研究的热点课题。为了系统地剖析数据驱动下电池SOH估计方法的关键技术和难点问题,从电池数据来源、特征工程、估计模型以及验证途径4个核心环节出发,综述当前研究的进展。通过多种不同方法基本机理的分析和优缺点对比,凝炼出制约技术发展的瓶颈问题,展望未来研究的重点方向,推动基于数据驱动的锂离子电池SOH估计技术的进一步发展与应用。     

锂电池健康度和剩余寿命预测算法研究

为了实现锂电池健康状态检测和电池故障诊断,在电池全生命周期退化数据基础上,分别使用容量增量分析和差分电压分析法进行特征提取,使用皮尔逊相关系数对健康因子进行相关性分析,并将其输入到人工神经网络用于电池健康状态(state of health, SOH)预测。针对电池容量非线性的退化特性以及局部重生现象,使用双指数函数对其进行建模。同时结合粒子滤波算法对模型参数进行估计,实现电池剩余使用寿命(remaining useful life, RUL)的概率密度预测。实验结果表明所提出的方法能够实现SOH的精准预测和RUL的不确定性估计。     

基于改进LSTM的脉冲大倍率工况下锂电池SOC估计

锂离子电池是电力系统中不可或缺的重要储能元件。针对脉冲大倍率放电下锂离子电池荷电状态(State of Charge,SOC)预测问题,采用改进的长短期记忆循环神经网络(Long Short-term Memory,LSTM)搭建三元锂电池SOC预测模型。所用方法在原有LSTM基础上增加两个门控单元,通过增强LSTM内部输入和输出的交互,提高模型的动态逼近能力。在脉冲大倍率放电工况下,将所用方法与BP神经网络(Back Propagation,BP)、LSTM神经网络相比较,验证了算法在脉冲放电下的预测性能。实验结果表明,改进方法可准确表征三元锂电池工作特性,满足了SOC估计的实际需求。     

退役动力电池一致性评估及均衡策略研究

电池梯次利用是处理动力电池庞大退役量的有效手段之一。针对退役电池梯次利用过程中分选技术进行研究,主要从退役电池SOC关键参数分布特性以及退役电池一致性控制策略分析两方面展开。提出主动被动协同均衡策略考虑电池参数的相关性,弥补了单一均衡方式的不足。同时提高充放电均衡控制的可靠性,实现了均衡效率的最优化。分析退役动力电池荷电状态数学模型,涵盖不同类型的退役动力电池的荷电状态。并进一步对退役动力电池储能系统荷电状态控制策略进行研究。基于主动被动协同均衡策略,分析多组退役电池储能单元的SOC一致性,为完善退役电池梯次利用一致性分选技术有所助益。     

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health, SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter, PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model, MGM)和时间卷积网络(temporal convolutional network, TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。     

基于低频阻抗谱和健康特征融合的锂离子电池健康状态主动探测方法研究

准确的健康状态估计对锂离子电池管理具有重要意义.健康状态通常用衰退后的容量来表征,传统的容量估计主要被动采集电池的电压、电流和温度三种信号,进而提取与容量相关的特征,对充放电曲线的完整性和规则性要求较高.所提出的方法基于充电过程中探测的低频阻抗谱,提取五个健康特征,其中包含三个新的具有物理意义的健康特征,分别为修正的W...