锂离子电池健康状态估计及寿命预测研究进展综述

随着锂离子电池的应用越来越广泛,锂电池健康状态的精确估计和剩余寿命的实时预测对于锂电池系统的安全运行和降低运维成本具有重要意义。锂电池内部复杂的物理化学反应和外部复杂工作条件,使得实现精准的健康状态估计和寿命预测具有挑战性。该文综述近年来锂电池健康状态估计和剩余使用寿命预测方法的研究现状,分析基于物理/数学模型、数据驱动、模型法和数据驱动融合,以及多种数据驱动融合的锂电池健康状态估计方法的优缺点及适用条件,并对比分析不同数据驱动类型的锂电池寿命预测方法。指出锂电池健康状态估计及寿命预测尚存在的问题,并对未来研究方向进行展望,对完善锂电池健康状态估计和寿命预测算法理论体系、指导实际应用技术具有重要意义。

基于电化学阻抗谱的锂电池过充电阻抗特性与检测方法研究

目前以锂电池为主的电化学储能单元及系统应用日益广泛,而锂电池在实际使用中频发因过充电滥用引发电池故障的情况,因此实际电池的过充电状态准确检测一直是该领域的难点和瓶颈问题。针对此,该文采用电化学阻抗谱技术对单体电池过充电行为及过程开展检测研究,在实验室设计并制定电池过充电模拟循环实验,利用弛豫时间分布法对锂电池阻抗特性进行分析;在获得电池阻抗特性的基础上,对电池弛豫时间分布曲线进行解析;最后筛选阻抗特征参量为模型输入量,构建支持向量机模型进行电池过充电检测。结果表明,弛豫时间分布曲线中的极化峰P1对应锂离子在固态电解质界面(solid electrolyte interphase,SEI)膜中的扩散过程、极化峰P2对应电子在正极材料中的扩散过程、极化峰P3对应锂离子在电极界面的氧化还原反应。过充电会导致电池欧姆内阻、SEI膜内阻与电荷转移电阻的增长速率最大为正常循环的266%、360%和182%,其中固态电解质界面SEI膜内阻为主要因素。电化学阻抗谱的阻抗特征参量以及支持向量机模型可以用于锂电池过充电检测,估计精度达93.24%。不仅可掌握电池的运行状态,还可对过充电进行有效辨识。

锂离子电池储能电站的热失控状态检测与安全防控技术研究进展

锂离子电池具有能量密度大、使用寿命长、工作温度范围宽、自放电小等优点,是中国电化学储能电站的主流电池技术。然而,在加热、过充等恶劣工况下,锂离子电池易发生热失控引发火灾甚至爆炸,因此其安全问题已逐渐成为锂离子电池储能电站建设及大规模应用的首要问题。该文系统分析了锂离子储能电池热失控的诱因、电池内部反应过程及外部特征参量的变化规律,重点总结了当前主要的电池热失控状态检测技术、智能诊断算法及储能电站安全防控技术,最后对储能电站热失控状态检测及安全防控技术进行了总结和展望。

最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法(LS)用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘(AFFRLS)改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘(VFFRLS)进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。

液氮抑制32650型磷酸铁锂电池组热失控传播特性试验研究

文章从磷酸铁锂电池组热失控危险特性出发,通过试验研究32650型磷酸铁锂电池单体热失控特征及其电池组间热失控传播过程。探究利用液氮喷淋阻断电池组间热失控传播,分析液氮对磷酸铁锂电池的防灭火效能。结果表明:单体锂电池热失控可划分为被动加热、安全阀泄压、自反应、喷射火、明火熄灭等5个阶段,单体电池温度变化曲线呈倒“V”形。液氮可有效阻断电池组间的热失控传播,能够大幅降低喷射火阶段的电池峰值温度。且喷淋时间越长,阻止电池组热失控传播越明显。30 s液氮喷淋条件下,除电池A1外,其他电池未进入安全阀泄压阶段。

基于放电电压平台研究的蓄电池寿命状态评估

为解决传统动车组镍镉蓄电池的返修方法导致部分蓄电池在触发返修条件前已性能劣化,同时大量已达返修标准的蓄电池性能并未过度衰退的问题,设计单体镍镉蓄电池全寿命加速老化实验并获取相关实验数据。首先,采用集成经验模态方法建立单体电池全寿命健康状态类别划分模型,然后运用离散小波变换消除放电电压平台数据的奇异值,进而利用极限学习机算法预测蓄电池寿命状态,最终实现对蓄电池全生命周期寿命的准确预测与健康状态评估功能。实验结果表明:相较于传统的蓄电池寿命阈值分类方法,运用集成经验模态建立的健康状态类别划分模型能有效避免蓄电池寿命末端出现误警情况。作为融合算法模型输入的放电电压平台数据易获取,基于离散小波变换的数据预处理方法可提升算法准确率近3%,最终可达到96%~98%。此外,相对于传统的神经网络模型,融合算法模型不涉及迭代,因而能兼顾算法的预测精度与计算效能。蓄电池识别健康状态的F1值为0.976 3,识别老化阶段的F1值为0.950 9,识别故障阶段的F1值为0.939 394。相较于传统的依据动车组运营里程和使用年限进而决定蓄电池是否返修的方法,融合算法模型提供了显著的评判标准,能判别蓄电池是否应该返修,并有效地识别蓄电池的健康状态,降低了动车组的运营成本,保障动车组运营安全,为电池寿命评判和检修策略的优化提供参考。

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

单晶高镍三元正极材料的制备及改性研究进展

介绍了单晶高镍三元正极材料的结构特点,总结了单晶高镍三元正极材料常见的制备工艺,并探讨了近年来材料性能改善的主要策略,可为高性能单晶高镍三元正极材料的规模化生产提供借鉴和参考。

锂离子电池热失控监测参数研究综述

锂离子电池因其能量密度高、自放电率低、循环寿命长、输出功率大等优点被广泛应用于储能领域,然而由于其不稳定性导致储能事故频发。从热失控-火灾蔓延角度出发,对热失控机理进行探究,基于产气成分及含量、膨胀力、表面温度、电压变化等热失控特征参数,对现有的磷酸铁锂体系电池早期预警(外部)方式进行综述,在此基础上,提出未来电池热失控早期预警(外置)的发展思路,为锂电池热失控早期监控及预警提供思路。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。

基于Buck-Boost的锂电池双层均衡方法研究

由于锂电池组的不一致性导致电池组使用寿命缩短和可用容量减少,为提高均衡速度,设计了一种基于Buck-Boost的分层均衡拓扑。以单体电池荷电状态(SOC)作为均衡变量,采用平均值比较法的均衡策略,将电池组分为两层来进行均衡。根据提出的均衡拓扑和相应的均衡策略,采用4节锂电池单体在MATLAB/Simulink实验平台做了双层均衡仿真实验,同时将其与传统均衡拓扑进行对比分析,经实验证明,所设计的均衡拓扑可以提高均衡速度和能量转移效率。

全固态电池的研发现状与产学研协同创新的前景

一、全球全固态电池的研发背景自20世纪70年代开始,国内外很多科学家在固态电解质研究方面做了大量基础工作。大概在1980年左右,固态电解质氮化锂形成研究热潮,但因氮化锂的稳定性较差,当时没有得到较好的发展。另外一个研究重点就是硫化物固态电解质,初期和二期的硫化物性能表现不是很好,真正爆发的是第三期硫化物。此外,还有如卤化物固态电解质、石榴石型氧化物也都在研究中。

锂离子电池铝塑膜建模研究

为了准确建立软包锂离子电池有限元模型,进行了开裂准则适用性研究。开发了铝塑膜单向拉伸、等双向拉伸、杯突实验专用夹具并对铝塑膜进行相应测试,采用弹塑性有限元模型模拟相应的实验,并分别应用韧性断裂准则、剪切断裂准则、Mus chenborn-Sonne成形极限图(MSFLD)准则模拟铝塑膜的开裂行为。由模拟结果知:三个断裂准则都能较好地模拟单向拉伸和等双向拉伸实验中铝塑膜的开裂行为,而只有韧性断裂准则能够较好地模拟杯突实验中铝塑膜的开裂行为。该研究结果可为建立软包锂离子电池模型提供参考。

全球化背景下电池产业链的合作模式构建

锂及下游动力电池的技术革新和工艺优化,成为健全电池产业链,加快国民经济转型升级的重要力量。全球化背景下电池产业面临产能扩张后的存量化周期,整合资源端、生产端、产品端和应用端,挖掘优势研产模块,用深度合作强化产业链协同效应。本文梳理电池产业基础及复合应用研究成果,把握行业国际格局,提出基于垂直细分领域的资源、技术、资金、管理合作,构筑电池产业链共生发展的良好生态。

储能电池单元可靠性提升研究

本文基于电池系统(有源系统)在绝缘耐压过程中的“电势叠加”现象,采用“分层解耦、逐级叠加”的思路对电池主体、二次采集线缆和BMU进行绝缘和耐压测试。在理想状态下,储能电池单元绝缘可超过5 kV,耐压可超过8.0 kV,并根据海拔-耐压关系的推算验证了储能电池单元在高海拔条件下(4800 m)应用的可能性。本文后半部分聚焦放电对储能电池单元绝缘耐压的影响,通过改变线束与电池框架距离、线束绝缘包裹层数等参数,验证了产品线束只要存在尖端且距离壳体较近就会导致电池系统内发生放电,从而降低储能电池单元的绝缘耐压能力。通过增加绝缘包裹、改进线束工艺、增强绝缘防护等措施能够极大提升产品稳定性。

基于简化阻抗模型和比较元启发式算法的锂离子电池参数辨识方法

快速准确地辨识电化学参数对锂离子电池机理建模至关重要。而传统的参数辨识方法多采用直接拟合,难以精确反映电池的内部状态。为解决这一问题,本工作以37 Ah三元电池为研究对象,基于电化学反应中的法拉第过程、双层电容的弥散效应的非法拉第过程以及固相与液相的传导过程,构建了一个与电化学模型映射的修正简化阻抗模型,与伪二维(P2D)模型不同,该模型输入为不同荷电状态(SOC)下的三电极电化学阻抗谱(EIS),通过拟合EIS得到对应工况电化学参数,实现对电池模型准确的参数识别。通过拟合阻抗谱,辨识得到了16个高敏感度的电化学参数,其中正极7个、负极9个。我们进一步比较了66种元启发式算法在锂离子电池电化学参数识别中的性能表现,从识别精度、计算效率和鲁棒性等方面对其进行多维分析。研究结果表明,自适应差分进化算法在参数识别中综合效果最佳,其平均绝对百分比误差小于3%,非重复函数计算次数小于35000次,表明其达到最大准确度的同时运算量较低,提出的辨识方法不仅更好地反映了参数的物理意义,还为电化学模型的简化计算和在线辨识提供了有力支持。

原子层沉积Al_(2)O_(3)对尖晶石LiNi_(0.5)Mn_(1.5)O_(4)正极材料的影响机理

为提升尖晶石相LiNi_(0.5)Mn_(1.5)O_(4)正极材料在深度荷电状态下的界面稳定性,采用原子层沉积法在单晶LiNi_(0.5)Mn_(1.5)O_(4)正极材料表面可控沉积了纳米级Al_(2)O_(3)层。改性后的LiNi_(0.5)Mn_(1.5)O_(4)正极材料表现出优异的长循环耐腐蚀性能(1C电流密度下循环500次的容量保持率高达94.7%)。进一步的表界面解析结果表明:原子层沉积技术构建的纳米级Al_(2)O_(3)包覆层能够明显抑制材料本体与电解液的腐蚀反应,降低过渡金属离子的不可逆溶解与析出;另外,基于HF表面刻蚀产生的AlF_(3)具有增强的耐刻蚀性能,可显著提升LiNi_(0.5)Mn_(1.5)O_(4)正极材料在长循环及高电压下的服役性能。

考虑锂电池温度和老化的荷电状态估算

针对锂离子动力电池工作环境复杂且电池老化导致内部参数辨识精度低与荷电状态估计误差大的难题,本文提出了一种多新息最小二乘法与平方根容积卡尔曼滤波估计锂离子电池荷电状态的联合算法,实现动力电池在全服役周期内多温度条件下的状态估算。首先,为解决传统最小二乘法对历史数据利用率低的问题,在最小二乘法中融入多新息理论,采用一阶RC等效电路建立电池模型,利用多新息最小二乘法对电池内部参数进行参数辨识;然后,采用平方根容积卡尔曼滤波估算电池SOC;最后,通过多温度全寿命的电池实验数据对本文所提算法进行验证,并且与扩展卡尔曼滤波、容积卡尔曼滤波算法进行对比,证明本文提出算法的有效性。实验结果表明:本文提出的多新息最小二乘-平方根容积卡尔曼滤波算法在多温度全寿命条件下,能够准确反映动力电池内部参数和精确估算电池SOC,电压平均绝对误差不超过40 mV,SOC的估算误差控制在2%范围内。

基于动态工况实测数据图像和深度学习的锂电池容量估计方法

针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先,将动态工况下电池状态参数监测量(电压、电流和温度)的片段数据转化为二维特征图像。其次,提出基于残差卷积神经网络(residual convolutional neural network,Res-CNN)和门控循环单元(gate recurrent unit,GRU)网络结合的多通道深度学习模型Res-CNN-GRU,以构建动态工况下电池状态参数特征图像和SOH之间的复杂非线性关系,其中电压、电流和温度的二维特征图像以三通道的方式输入到Res-CNN-GRU模型中,模型输出为对应电池的相邻参考充放电循环实验所获得容量的差值。研究结果表明:此方法在锂电池随机充放电工况下对电池健康状态估计效果更佳,且Res-CNN-GRU模型的泛化性和全局特征提取能力较强。论文研究为现实工况下电池健康状态估计的进一步深入研究提供了参考。

基于DFD-DBSCAN的高速列车电池组多故障诊断方法

高速列车电池作为备用电源,被广泛应用于辅助供电系统以维持高速列车控制系统的正常运转,其可靠性涉及行车安全。列车频繁起停、频繁加减速以及震动等多种复杂运行环境易导致电池单体故障和连接故障。为了保证高速列车的安全运行,高速列车电池组的状态检测与多故障诊断研究备受关注。目前,针对高速列车电池组的多故障诊断方法的研究尚属空白,提出一种基于改进离散弗雷歇距离(Discrete Fréchet Distance, DFD)和自适应密度聚类(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)的高速列车电池组的实时多故障诊断方法,以准确识别电池组的连接故障和单体故障。以高速列车电池作为研究对象,通过设计适用于高速列车电池组的电压交叉测量方法,使得电池电压和连接板电压与不同的电压传感器相关联,并通过DFD算法对电池组的故障特征进行提取,将电压偏移率与DFD共同作为故障诊断模型的参数输入以提高算法的鲁棒性与可靠性,接着引入DBSCAN算法自动对故障诊断并定位。为了保证算法的实时性,利用基于滑动窗口的遗忘机制实时地对采样数据进行诊断。通过实验对所提出的方法进行验证,结果表明该方法可及时有效地诊断电池组的单体故障与连接故障并准确定位,弥补了高速列车电池组多故障诊断方法研究的缺失,对提高轨道列车的行车安全具有工程实用意义。