基于PCA-GPR的锂离子电池剩余使用寿命预测

从充电过程中的电压-容量曲线中提取出一个与电池寿命高度相关健康因子（HI）。然后利用主成分分析（PCA）对影响电池寿命的多维因素进行分析和降维,结合高斯过程回归（GPR）机器学习方法提出一个基于PCA-GPR的锂离子电池剩余使用寿命预测模型。最后进行锂离子电池剩余使用寿命预测并与PCA-BP神经网络、PCA-支持向量机（SVM）模型进行比较。结果表明,利用该文提出的HI及预测模型可有效提高锂离子电池剩余使用寿命预测精度,其中通过贝叶斯优化器优化后的PCA-GPR模型的预测效果最佳。     

基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。     

基于VF-DW-DFN的锂离子电池剩余寿命预测北大核心CSCD

锂离子电池作为各类储能系统与设备的重要组成部分,准确预测锂离子电池的剩余使用寿命对于保障电池相关产业和设施的可靠性与安全性起着关键作用。针对锂离子电池剩余寿命预测中存在的非平稳、非线性特性导致单一数据驱动方法的预测精度低、泛化性能差等问题,提出了一种基于变分滤波、数据规整和深度融合网络的数据驱动融合(VF-DW-DFN)方法。首先,利用变分滤波法去除原始电池退化序列中的随机噪声干扰,得到相对平稳的退化特征数据。然后,采用最优嵌入法构造预测滑窗,实现特征数据规整,减少信息损失。其次,设计了一种新型深度融合网络对电池非线性退化数据进行建模,辨识电池数据中的退化模式,实现最终的锂离子电池剩余寿命预测。最后,在钴酸锂锂离子电池数据集上进行了剩余寿命预测实验,实验预测的平均均方根误差为1.41%,平均剩余寿命绝对误差小于2个循环周期。实验结果表明所提出的方法泛化性能好,预测精度高,误差小,能够对锂离子电池的退化过程进行有效建模和准确预测。     

基于充电过程的锂电池SOH估计和RUL预测

车用锂离子电池的健康状态(state of health,SOH)和剩余寿命(remaining useful life,RUL)是锂离子电池的关键状态参数,为实现其准确的预估以保障整车安全可靠的运行,基于电动汽车充电过程提出一种改进高斯过程回归(Gaussian process regression,GPR)的锂电池SOH估计和RUL预测模型。首先以最大互信息系数(maximal information coefficient,MIC)、Pearson系数筛选充电过程的多元信息作为健康因子,基于主成分分析(principal components analysis,PCA)简化模型结构并使用粒子群算法和组合核函数改进高斯过程回归,实现车用锂离子电池SOH的准确在线估计以及RUL预测。通过NASA锂离子电池数据集验证了模型的有效性：测试电池SOH估计的最大均方根误差(root mean square error,RMSE)为0.0148,SOH预测的最大RMSE为0.0169,RUL预测的最大绝对误差为1个循环次数。     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.     

基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

基于正交试验的锂离子电池热失控仿真北大核心CSCD

锂离子电池热失控是由多种因素耦合而导致的结果,得到影响锂离子电池热失控影响因素的重要性程度对于提高电池安全性具有极大意义。对此,针对针刺导致的锂离子电池热失控,利用COMSOL软件仿真分析了不同针刺位置、速度、直径、SOC(state of charge)对锂离子电池单体针刺热失控影响,得到对单体电池热失控影响的重要因素。基于单体针刺热失控仿真结果,以4个锂离子电池单体组成的模组为研究对象,利用单因素仿真试验分析不同钢针直径R、电池SOC以及针刺电池个数N对电池模组热扩散影响;基于此,本文分析了针刺电池个数N、钢针直径R及电池SOC耦合作用热失控的正交试验。结果表明:相对于针刺位置、针刺速度对电池单体热失控影响,电池SOC和针刺直径R对电池单体热失控影响较为显著,且针刺直径R越小,单体电池热失控越剧烈;电池SOC越大,热失控时电池温度分布越不均匀;针刺直径R越大,模组热扩散需要时间越长;当SOC在100%~85%范围内时,模组内各电池单体的热失控最高温度变化较为明显;针刺电池个数N越大,模组热失控越剧烈,但位于模组中间位置的电池热失控最高温度有所降低。针刺电池个数N、SOC、针刺直径R对电池模组热失控温度和扩散时间的影响程度主次顺序为:N>R>SOC*R>SOC*N>N*R>SOC,其中,针刺电池个数N对电池模组热扩散影响最显著,且不同因素间的交互作用不容忽视。本工作为提高电池的安全性及电池设计提供了参考依据。     

基于数理统计方法的锂电池电解液电导率优化设计北大核心CSCD

离子电导率是评估锂离子电池电解液性能的重要特征参数,直接影响着电池的低温、倍率等性能,在电解液的设计中极具指导价值。传统的电解液研发模式主要基于经验和实验的“试错法”,存在变量多、实验成本高、开发周期长等问题。针对以上问题,本工作提出了一种结合空间填充混料设计与高斯过程回归的电导率优化设计方法,以包括环状碳酸酯(EC)及不同种类线性碳酸酯、羧酸酯的电解液溶剂组成作为模型的输入,电导率作为模型的输出,并运用最大似然估计求解超参数;通过后续实验验证了模型的有效性,并可预测满足任意电导率要求的电解液溶剂配方。     

基于VMD-PSO-GRU模型的锂离子电池剩余寿命预测北大核心CSCD

准确预测锂电池的剩余使用寿命(remaining useful life,RUL)对降低电池使用风险和保证系统的安全运行起着非常重要的作用。为了消除电池容量序列受容量再生等影响,提高预测结果的准确性和稳定性,提出了一种基于变分模态分解(variational modal decomposition,VMD)与参数优化的门控循环神经网络(gate recurrent unit,GRU)相结合的RUL预测模型。首先采用VMD算法将锂电池的容量序列分解为一系列平稳分量;然后采用多层GRU网络对各分量进行预测,针对预测结果不稳定的问题,在模型训练前利用粒子群算法(particle swarm optimization,PSO)对GRU模型的参数进行优化;最后叠加各分量的预测值作为最终预测结果。在NASA数据集上对本模型进行了验证,当采用20个已知电池序列数据预测时,预测结果的最大平均绝对百分比误差和均方根误差控制在0.88%和0.0148以内,RUL预测的最大误差不超过2个充电周期,具有较高的鲁棒性和预测精度。     

锂离子电池快充策略技术研究进展北大核心CSCD

电动汽车的普及是锂离子电池的主要需求来源之一。而电动汽车的充电性能是影响普及进程的一个重要的考量参数。在材料体系不变的情况下,取代传统恒流恒压充电策略的新型充电策略近10年内也吸引了很多研究者的关注。另外,新一代电池管理系统也对充电策略提出了更高的要求。本文阐述了各种优化的充电方法及其特点和应用。研究结果表明,与传统的恒流恒压充电策略相比,优化的充电方法可以减少充电时间,改善充电性能并有效延长电池寿命。最后,本文还提出了对未来优化充电策略的展望,希望未来在线辨识和实时更新的模型参数的方法或者通过在线的方法辨识特征信号带来更加强大的充电策略。     

基于锂离子嵌入模型的NCM811电池性能北大核心CSCD

本工作以NCM811电池为主要研究目标,探究在正常工作情况下的电池性能。具体包括不同环境温度与放电倍率下的放电性能,以及初次循环与第2000次循环时的电池容量变化,得到电池的电压曲线,并将结果与NCM523电池以及NCA电池进行对比。同时,由于NCM811电池存在热安全问题,因此,探究了其在热失控情况下自身的电压与温升情况,总结了其温度传递规律,并与实验结果进行对照。基于上述结果得到:电池在正常工作情况下,NCM811电池在倍率充放电性能上表现优异,在大倍率充放电时电池容量保存较好,NCM523电池与NCA电池均表现出电池容量衰减;在电池的循环老化方面,与NCM523电池相同,NCM811电池也表现出明显的容量衰减,NCA电池容量几乎不发生变化;在高低温放电方面,电池在低温时的产热均高于高温时的产热,在相同的环境温度下,NCM811电池温升最为明显,存在较大的热安全隐患,NCM523电池与NCA电池升温较为平缓;在电池发生热失控时,电池电压突降至0 V,温度短时间内升至1200 K左右,仅在发生热失控的部分,温度随时间变化明显,其余部分温度趋于恒定。与实验过程相比,仿真过程热失控触发时间较晚,温度升高较快,电池最高温度较低。     

基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断北大核心CSCD

新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测,而传感器故障会导致荷电状态等指标出现误差,严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断,提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization,GAPSO)和模糊神经网络(fuzzy neural network,FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断,该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据,然后对故障数据进行预处理及特征提取,最后采用GAPSO-FNN算法对电池传感器进行故障诊断,并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明,基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%,相比于模糊神经网络准确率提升了10%,故障诊断准确率能够达到95%,在减少故障诊断所需信息量的同时,有效地提升了故障诊断的准确率。     

锂离子电池无损析锂检测研究进展北大核心CSCD

人们对新能源汽车快速充电的需求与现有纯电动汽车的充电效率之间的矛盾将会越来越突出。锂离子电池在正常充电速率下,锂离子嵌入石墨负极;当充电倍率逐渐增大时,金属锂来不及嵌入石墨层状结构时便会沉积在石墨颗粒表面,出现“析锂”现象。当析锂现象随时间慢慢累积后,电池容量渐渐降低,严重时甚至会发生热失控事件。在锂电池早期发展阶段,检测析锂非常具有挑战性,且主要基于拆解电池后的形貌检测,这类检测方法对电芯造成了不可逆的损坏,无论是在后期研究还是实际应用中都是非常不友好的方式。近年来,研究人员已经提出了许多无损(即非拆解的方式)析锂检测方法,本文综述了无损析锂检测的方法,将其分为四类:(1)基于锂引起电芯老化的检测方法;(2)基于锂引起阻抗变化的检测方法;(3)基于锂引起电化学反应的检测方法;(4)基于锂引起电芯物理化学特性变化的检测方法。本文系统地对现有的无损析锂检测方法的原理、优缺点进行了概述,并对目前无损析锂检测方法进行了总结与展望,以提出这一不断发展的研究领域的技术现状和当前的研究空白。     

锂离子电池电解液痕量水污染的超声表象北大核心CSCD

锂离子电池电解液痕量水污染是导致电池产气和快速失效的重要原因,而过去对痕量水污染电芯缺乏无损检测分析技术。本工作基于超声无损成像技术对微量产气副反应的敏感性,对不同水含量电解液商用NCM523/AG软包电池化成、静置、循环过程中的产气行为进行了超声透射扫描成像,并结合EIS/SEM和充放电特性对其老化和失效机制进行了分析。结果表明痕量水的存在会造成电解液的损耗,加速气体生成,增加界面阻抗和极化电压,造成库仑效率降低和可逆容量衰减,加快电池失效过程。本研究对电池生产过程质量控制以及使用过程的失效机理分析具有指导意义。     

基于仿生翅脉流道冷板的锂离子电池组液冷散热北大核心CSCD

基于方形锂离子电池生热特点,设计了一款新型仿生翅脉流道冷板。在数值传热学理论基础上,建立了仿生翅脉流道冷板的电池组液冷冷却散热模型,对仿生翅脉流道冷板和进出口位置不同的两种并行流道冷板的锂离子电池组冷却散热分别进行了数值模拟计算,并分析了电池组相邻冷板冷却液流向和流道槽深等参数对仿生翅脉流道冷板散热的影响。结果表明:与并行流道冷板相比,仿生翅脉流道冷板冷却不仅能够进一步降低电池组最高温度和温差,提升温度分布均匀性,还可以减小流道压力损失,降低能量消耗。电池组相邻冷板冷却液交错流比同向流电池组的表面最高温度降低了0.62 K,温差减小了1.13 K,平均温度变化相差不大,温度场分布均匀性得到进一步提升;冷却液质量流量不变,随着流道槽深的增大,电池组的最高温度、平均温度和温差均出现先增大后减小的现象,但随着流道槽深的增加,电池组的重量和所占空间也会增加,当流道槽深为2 mm时冷板冷却效果最优。研究结果可为探索散热性能更好、能耗更低的电池组热管理系统提供参考。     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

高能量锂离子电池硅基负极黏结剂研究进展北大核心CSCD

硅材料具有较高的理论容量,被视为发展高能量锂离子电池的重要材料之一。但是硅在充放电循环中体积变化较大,会导致负极材料粉化,严重影响电池的电化学性能。黏结剂作为电极的重要组成部分,对于稳定负极结构,改善电池性能具有重要作用。总结归纳了合成类聚合物、生物类聚合物等硅基负极黏结剂的研究进展,合成类聚合物主要包括聚丙烯酸类、聚偏二氟乙烯类以及导电类黏结剂,生物类聚合物主要包括羧甲基纤维素类、海藻酸钠类以及其他生物类黏结剂。分析了选择硅基负极黏结剂的条件,包括要有极性官能团、具有一定的弹性和机械强度、化学稳定性高、最好具有一定的导电性等。极性基团可以与硅表面的羟基形成氢键,增强材料之间的黏结性能,为了更好地制约硅的体积膨胀,可以对其进行改性,使其具有一定的弹性和自愈能力;也可以选择一些导电物质,使黏结剂本身具有导电性能,可以提高电极内部导电网络的稳定性并提高活性物质的含量等。本文也为黏结剂的选择和发展提供了思路。     

计算机技术在锂离子电池检测中的应用北大核心CSCD

伴随着时代的发展,环境污染与能源短缺已成为我国可持续发展过程中亟待解决的重要问题。基于储能视角,锂离子电池能够有效缓解我国化石能源短缺问题,随着科技的进步,锂离子电池的应用领域越来越广泛,如使用锂离子电池的电动汽车、手机等产品,为了保证这些产品的生产质量,常常需要对锂离子电池进行安全检测。