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。     

退役锂动力电池预测技术研究

锂动力电池从电动汽车上退役后仍有高达80%的剩余容量,有较高的利用价值。分析了开展退役电池研究的现实背景,阐述了国内外对锂动力电池预测研究现状与发展动态,介绍了电池品质预测技术研究方法,特别提出退役锂动力电池在电力系统储能方面的利用及其关键技术。通过实际应用各种预测技术,最终确定退役电池的综合品质(荷电状态,内阻和材料劣化程度等),从而进一步提高锂动力电池的利用率。     

退役电池梯次利用对新能源消纳影响的研究

为提高退役电池梯次利用收益,建立了退役电池平抑新能源功率预测误差模型和改善等效负荷峰谷差模型。首先分析新能源功率预测误差的影响以及新能源波动对等效负荷峰谷差和等效负荷波动率的影响,然后设计退役电池能量管理系统,通过小波包分解方法将低频能量分量分配给退役电池,并根据等效负荷大小确定退役电池充放电时间和功率。最后利用实际算例仿真,结果表明提出的退役电池梯次利用模型可以提高新能源功率预测准确率、改善峰谷特性、降低等效负荷波动率,并大幅提高收益。     

基于LightGBM的电动汽车行驶工况下电池剩余使用寿命预测

行驶工况下电动汽车锂离子电池剩余使用寿命(RUL)衰退情况复杂,准确的RUL预测可为电池的定期维护和安全稳定运行提供指导,避免安全隐患.为此,该文提出一种适用于行驶工况下电动汽车电池的RUL预测方法.首先,针对行驶工况,提出一种基于轻量型梯度提升机(LightGBM)的RUL预测模型,利用元学习超参数优化方法对其进行超参数调优;其次,搭建行驶工况下电池全生命周期容量测试系统,模拟行驶工况下电池所受振动应力、充放电应力环境和测试电池容量衰退情况;然后,基于动态时间规整对容量衰退的相似性分析结果,使用生成对抗网络(GAN)生成新的容量序列;最后,通过实验数据验证所提模型和生成容量序列的有效性.     

基于快速充电曲线的退役锂电池模块快速分选技术EI北大核心CSCD

由于在使用过程中造成的电池间的不一致性,退役锂离子电池在储能应用等梯次利用前要进行一致性分选。然而,现有的退役锂电池分选方法存在着效率低下的问题,并且研究多集中于单体,针对模块层面的分选方法相对欠缺。为此提出了一种基于机器学习算法的退役锂电池模块快速分选方法。首先阐述了由于电池不一致性所带来的串联充电曲线不同的现象,基于此原理设计了分选步骤;其次,提出了基于支持向量机的筛选模型,实现了利用少部分样品电池的特征电压筛选大批量的退役电池;进一步,提出了一种针对模块级别的退役电池重组方法,以应对实际工程中电池模块难以拆解的特性。结果表明,相较于传统方法,所提退役电池模块快速分选方法大幅提升了分选效率,同时解决了退役锂电池模块分选的问题。     

基于退役电池阈值设定和分级控制的弃风消纳模式

考虑到风电并网波动性和不确定性造成大量弃风的弊端,为了提高风电场的综合效益,提出基于退役电池阈值设定和分级控制的弃风消纳模式以降低储能成本。考虑到退役电池状态的不一致性会导致整体储能的效率低下,控制效果很难达到预期的情况,对退役电池充放电深度与循环寿命之间的关系进行分析,利用分段概率分布函数设定理想退役电池的充放电阈值范围;为了延长退役电池的使用寿命,利用分级控制策略实现其分级实时动态切换储能功能。对所提策略进行算例分析,结果表明分级控制策略相较于整体控制策略具有更好的经济性,促进了弃风消纳。     

基于快速充电曲线的退役锂电池模块快速分选技术

由于在使用过程中造成的电池间的不一致性,退役锂离子电池在储能应用等梯次利用前要进行一致性分选。然而,现有的退役锂电池分选方法存在着效率低下的问题,并且研究多集中于单体,针对模块层面的分选方法相对欠缺。为此提出了一种基于机器学习算法的退役锂电池模块快速分选方法。首先阐述了由于电池不一致性所带来的串联充电曲线不同的现象,基于此原理设计了分选步骤;其次,提出了基于支持向量机的筛选模型,实现了利用少部分样品电池的特征电压筛选大批量的退役电池;进一步,提出了一种针对模块级别的退役电池重组方法,以应对实际工程中电池模块难以拆解的特性。结果表明,相较于传统方法,所提退役电池模块快速分选方法大幅提升了分选效率,同时解决了退役锂电池模块分选的问题。     

基于贝叶斯理论的新能源锂离子电池剩余寿命预测方法

针对锂离子电池健康因子衰退指标预测不佳,影响电池有效更换的问题,设计基于贝叶斯理论的新能源锂离子电池剩余寿命预测方法。提取新能源锂离子电池的衰退特征,并分析电池衰退变化;通过贝叶斯理论确定电池剩余寿命先验分布,提高电池剩余寿命预测的置信度;根据先验分布结果,构建锂离子电池剩余寿命预测模型,对电池寿命期望函数进行分析,进而实现新能源锂离子电池的有效利用。采用对比实验的形式,验证了该预测方法新能源锂离子电池剩余寿命预测效果更佳,可以应用于实际生活中。     

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...     

退役动力电池在光伏储能中应用

将电动汽车退役电池重新成组为分布式光伏电站的储能系统是其梯次利用的一个重要方向。综述了5例电动汽车退役电池在分布式光伏中的储能应用案例,并论述了自制的荣威e50电动汽车退役电池储能系统在分布式光伏中的应用效果。电动汽车退役电池的梯次利用不但可以降低电池的使用成本,还兼具资源循环利用和节能减排的社会效益。     

基于改进支持向量回归的锂电池剩余寿命预测

锂离子电池凭借其优越的性能广泛用于电动汽车及储能领域.然而,随着使用时间增加,锂离子电池性能大幅度衰退,会间接导致设备性能衰退或发生故障.因此,准确预测锂离子电池剩余有效寿命(RUL),能够对电池进行及时维护和更换,保障电池安全可靠运行.该文从充电过程中提取能够表征电池性能退化的间接健康因子,并利用Pearson和Spearman相关性分析法分析与容量之间的相关性;构建一种基于间接健康因子的改进蚁狮优化算法(IALO)支持向量回归(SVR)预测方法,实现在线准确预测锂离子电池RUL.利用NASA电池数据集对IALO-SVR方法进行验证,对比分析反向传播(BP)和SVR方法,实验结果表明,所构建的IALO-SVR方法能够更加准确地预测锂离子电池RUL.     

基于静动态一致性的退役动力电池模组阶梯式筛选方法

针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of health,SOH)及循环次数等参数间的关联特性,以电池模组内阻、剩余容量作为表征参数,采用密度权重Canopy改进的K-medoids聚类方法对外部特性参数相近的电池模组进行初次筛选;其次,将电池模组SOH动态一致性特性曲线作为表征对象,对其进行再次筛选;最后,采用非参数Bootstrap概率方法解析阶梯式静动态筛选下退役动力SOH估计的置信区间,评估动力电池模组筛选精度。结果表明,该文所提方法可将电池模组的筛选精度至少提高6.2%,为退役动力电池大规模筛选及梯次利用奠定理论基础。     

一种基于电化学阻抗谱的大规模退役锂离子电池的软聚类方法

退役锂离子电池的分选目前存在效率与精度不可兼得的问题,严重制约大规模退役锂电池梯次利用的经济性与安全性。该文针对以上问题,提出一种基于电化学阻抗谱（EIS）的退役锂离子电池软聚类方法。首先,对退役锂离子电池进行EIS测试和弛豫时间（DRT）分析,利用BP神经网络建立电池容量与DRT关联模型,并用于大规模电池容量的快速估计。然后,构建电池容量、欧姆内阻与DRT特征等六维度判据,在此基础上提出一种基于高斯混合模型的电池软聚类方法。该方法在考虑电池内部重要电化学特征的基础上实现了退役锂离子电池的软聚类,大大提高了聚类结果的准确性与灵活性。最后,通过计算轮廓系数和进行混合脉冲功率特性（HPPC）实验对聚类结果进行验证。实验结果表明,获取电池容量的时间由标准容量测试的3h缩短到10min,容量预测误差控制在4%以内;所提出的软聚类分类方法能提高电池重组的灵活性,并能保证重组电池具有很好的一致性。     

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。     

“先进储能技术研究”特约专栏寄语

<正>特约专栏寄语车用动力锂电池退役时的剩余容量高达80%,具有较高的梯次利用价值。为了获得退役动力锂电池在梯次利用过程中的不同工况下电池的响应特性,本文提出了一种考虑电池老化特性的电池模型,并利用Matlab/Simulink仿真软件构建     

退役磷酸铁锂动力电池性能分析研究

随着电动汽车行业的快速发展,退役动力电池数量与日俱增。分析统计了某批退役磷酸铁锂动力电池的容量、内阻、容量保持率、容量恢复率等关键参数,发现退役电池的容量和内阻出现了较大程度的离散,在梯次利用前需重新筛选配组;此外,测试了其倍率性能、表面放热特性、高低温性能、循环寿命并拆解部分电池对电极材料的物相和表面形貌进行分析,结果表明,此退役电池仍具有较好的性能,可以在使用条件相对温和的领域进行梯次利用。     

退役磷酸铁锂动力电池容量衰减性能分析研究

首先分析了退役软包磷酸铁锂单体电池(简称"退役电池")容量循环性能,发现容量与循环次数呈线性关系。其次,研究了退役电池循环寿命预测方法及结果,得出:电池剩余循环寿命十分可观,电池能量和容量衰减具有较高的一致性。分析了个别电池发生容量衰减突变的现象及特点。最后,利用高斯分布统计方法对电池一致性变化进行了评估。结果显示:电池容量离散程度随循环次数先减小后增加,在约500次循环的时候离散程度最小。     

基于电池健康度的微电网群梯次利用储能系统容量配置方法EI北大核心CSCD

对新能源汽车退役的动力电池进行梯次利用,可有效地提高储能电池的运行周期。根据退役后动力电池健康状态(state of health,SOH)的差异性,提出一种基于电池健康度的微电网群梯次利用储能系统容量配置方法。首先,考虑充放电深度对储能电池寿命的影响,提出基于荷电状态(state of charge,SOC)的储能电池有效容量估算方法,为储能电池梯次利用相关研究提供理论依据。其次,为有效延长储能系统运行寿命,根据电池SOH设置储能系统的动态安全裕度,提高储能系统配置及调控的准确性。最后,根据梯次利用储能系统设定好的动态安全裕度,综合考虑微电网群的供需平衡、联络线损耗、储能的运行寿命及成本等,合理地制定系统选址定容方案。仿真结果表明广泛的动力电池梯次利用有效地降低了投资成本,通过SOH监测设定调控动态安全裕度,降低微电网群储能配置成本,延长了蓄电池使用寿命。     

基于改进回声状态网络的锂离子电池剩余使用寿命预测

锂离子电池凭借其优越的性能被广泛用于纯电动汽车及大型电气系统。然而，随着锂离子电池循环充放电，电池性能大幅度衰退，会间接导致用电系统的性能衰退或发生故障。因此，准确预测锂离子电池剩余有效寿命(RUL),能够保障电池安全可靠运行。为了提高锂离子电池RUL的预测精度，提出了一种基于改进粒子群算法(IPSO)回声状态网络(ESN)的锂离子电池RUL预测方法，实现在线准确预测锂离子电池RUL。首先，通过遗传算法(GA)的交叉和变异操作优化PSO,提高粒子局部与全局寻优能力。然后通过GA-PSO对ESN网络参数进行优化，建立退化预测模型，利用NASA公开的锂离子电池实验数据进行仿真实验。结果表明，在相同数据集条件下，与改进粒子群算法和门控循环单元(IPSO-GRU)神经网络、遗传算法的极端学习机(GA-ELM)、非线性自回归(NARX)动态神经网络、改进蚁狮优化算法支持向量回归(IALO-SVR)、间接健康指标与ESN的预测方法相比，GA-PSO-ESN有更高的预测精度、稳定性和泛化能力，表明了该方法的有效性。     

碳达峰背景下退役锂电池梯次利用电热管理技术

退役锂电池的性能衰退导致其安全风险增加,近年来退役锂电池梯次利用的安全问题已逐渐成为了制约其大规模产业化的关键问题。为推进电池电热管理技术的研究进展,针对退役锂电池梯级利用中的安全问题,首先分析了其风险评估技术现状以及其电、热两方面风险评估技术难点,然后针对电管理技术以及其发展趋势进行了分析,之后梳理了退役锂电池热管理技术的建模与管控方法。最后基于上述分析,对未来退役锂电池梯级利用的发展与走向进行了总结与展望。