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。

基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法

准确的动力电池单体性能评估对保障动力电池安全具有重要意义。目前基于数据驱动的电池故障诊断算法,大多对各单体电池进行相互比较,根据各单体电压等特征参数之间的差异,使用分类算法将离群单体认定为故障单体。然而当动力电池包内有多个异常表现相似的电池单体,或所有单体性能整体恶化时,难以区分甚至没有显著离群的个别单体,相互比较策略的应用范围受到限制。本文提出了一种基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法,结合车辆运动状态、驱动系统状态及动力电池电信号3类特征,建立1dCNN-LSTM融合模型估计理想状态下的单体实时电压参考值,根据各单体电压实测值与参考值之间的差异,量化各单体异常性。结合实际案例表明,对于因单体故障导致热失控的案例,本方法可以提前7日识别故障单体相比其他单体的明显异常,且可以在距离事故发生1年前甚至更早的放电片段中发现潜在风险;针对无明显单体不一致的整体恶化案例,可以实现事故发生前7日内的整体性能恶化过程跟踪。

基于频域和时域法的电池包随机振动疲劳计算对比研究

针对频域法和时域法在随机振动疲劳计算中的适用性问题,以某型号电池包为研究对象,综合研究了2种方法的计算精度和计算效率.首先,建立电池包有限元模型,并通过模态试验进行验证;其次,以国标GB 38031―2020加速度功率谱密度(PSD)载荷谱作为频域载荷输入,并利用傅里叶逆变换技术将其转换为加速度时域载荷;最后,分别基于频域法和时域法计算电池包的振动加速度、应力和疲劳寿命,并进行了计算精度、效率的对比分析和精度的试验验证.结果表明,在电池包总振级和应力均方根值(RMS)方面,频域法和时域法计算结果相近,相对误差小于16%;在加速度和应力峰值方面,频域法“3σ”计算结果与时域法差距较大,若采用“4σ”或“5σ”原则,计算结果与时域法相近,相对误差小于15%;在振动疲劳方面,频域法计算寿命约为时域法的3~6倍,主要原因包括Dirlik模型和应力响应PSD谱差异,其中Dirlik模型造成的差距小于1.5倍;在计算效率方面,频域法比时域法高约134倍.试验数据表明,时域法计算精度更高,适用于结构危险位置振动疲劳的精确计算,而频域法计算效率更高,适用于结构危险位置的快速预测.

基于自适应LTTB与DTW-DBA-Means的动力电池组不一致性评估方法

针对电动汽车动力电池组不一致性难以通过外部参数有效评估问题,在对电池组电压数据进行分析时,引入轮廓系数作为不一致性评价指标,并融合自适应降采样(LTTB)与时序聚类(DTW-DBA-Means)算法,提出一种新的动力电池组不一致性评估方法。自适应LTTB能够根据电池组电压序列特点自适应分配压缩区间采样点数目并调整压缩比,可提高DTW-DBA-Means运算效率的同时保证聚类效果。通过运行9个月的实车数据进行实验验证,结果表明,自适应LTTB降采样效果优于动态LTTB与LTTB,且DTW-DBA-Means时序聚类效果优于k-Shape,所提方法在保证评估准确性同时可节省约96.7%的运算时间。

基于一类非线性时间序列模型的锂离子动力电池建模研究

伴随着新能源产业的飞速发展,锂离子动力电池作为一种高效的储能方式,已成为电动汽车的重要组成部分。在电池管理系统的功能中,电池的高精度建模至关重要。在实际应用中,电池不是一个线性系统,其输入和输出由于外部扰动等原因表现出非线性特征,从而直接影响参数识别效果,进而影响模型精度。鉴于此,本文对锂离子动力电池进行了Hammerstein-ARMAX(Autoregressive MovingAverage with Extra Input)模型构建,并对模型参数的估计方法进行研究,旨在提高模型的准确性。实验结果表明了该方法的有效性。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

基于电化学阻抗谱的电池组不一致性诊断

电池组中的单体电池之间可能会存在温度、荷电状态、老化状态(容量和内阻)等不一致。由于“短板效应”的存在,不一致性将会影响电池组的整体性能发挥,及时准确地进行不一致性诊断非常必要。考虑到上述提及的不一致性会对电极过程特性产生影响,进而反映在电化学阻抗谱(EIS)和弛豫时间分布(DRT)上,本文在结合等效电路厘清几种不一致性对EIS和DRT的影响规律后,创新性地提出了一种基于EIS和DRT的电池组不一致性诊断方法。通过将异常电池混入一组一致性良好的电池中,对比分析了K-means、AP和DBSCAN等无监督聚类算法性能,结果表明DBSCAN诊断准确率为99.2%,可以实现电池组内单体电池不一致性差异的准确诊断。

锂离子电池超声传播特性温度解耦方法研究

超声检测技术用于评估锂离子电池的荷电状态和健康状态,受到了广泛的关注,但是在大倍率、高温升条件下电池声学响应特征及放电条件与声学信号的关系尚不清楚。基于以上问题,通过搭建磷酸铁锂电池电-声-热综合检测平台,分析电池超声信号温度作用机制,引入与荷电状态相关的温度耦合系数以实现声学传播特性的温度解耦,并分析了不同温度和放电倍率下锂离子电池循环过程中的声学响应特性。实验结果表明,解耦温度的声学时域特征能够准确表征电池内部结构变化,为磷酸铁锂电池的检测和超声技术用于更多场景提供了研究方法。

基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

退役锂电池高压放电声音信号时频特征研究

为实现退役动力电池的梯次利用,以10 A·h方壳电池高压放电声音为研究对象,将不同SOH电池内部离子活性、放电能力、电荷迁移与补给能力等与其放电声纹建立联系,提取相关统计指标表征电池老化状态,为后续通过声音特征快速检测退役电池SOH打下理论基础。通过自搭建声音采集实验平台采集电池放电声音,而后对放电声音进行预处理,最后提取其时域特征(时域图、均方根能量)与频域特征(声谱图)进行分析。通过时频域特征分析得知:电池在高压电场诱导下放电发声,电池放电高能区域集中于10 kHz附近,随着SOH的降低,电池内部离子失活,电荷迁移与补给能力减弱,时域图中声音信号波形稳定性越差,且振幅主体范围不断减小,电池放电声音的均方根能量不断降低,语谱图中则表现为放电现象微弱,放电频率以及能量大幅下降。

水凝胶对三元锂电池热失控抑制效果研究

为快速有效扑灭锂离子电池火灾,解决灭火时间长、耗水量大等消防领域关注的难题,探究水凝胶灭火剂对大容量锂离子电池热失控的抑制效果。首先,借助环境扫描电镜,分析水凝胶在高温下微观结构的变化;然后,搭建锂电池燃烧试验平台,开展水凝胶灭火试验;最后,以车用135 Ah方形铝壳三元锂电池组为试验对象,采用电加热的方法诱导其发生热失控,探究水凝胶对锂电池的降温抑制效果。结果表明:水凝胶受热后,内部孔状结构被破坏,有利于其黏附在物体表面持续降温;使用水凝胶灭火降温时,电池表面最大降温速率是水的2倍,水凝胶喷放结束后,锂电池温度回升速率较为缓慢,升温速率仅为水的一半;与水相比,水凝胶延缓相邻电池发生热失控的时间更长,这可以为救援逃生带来更长的安全时间。

考虑EV充放电意愿的园区综合能源系统双层优化调度

随着电动汽车(electric vehicle,EV)普及度的不断提高,工业园区内的EV用户日益增多,其充放电行为给园区综合能源系统(park integrated energy system,PIES)的规划运行带来极大挑战。文中提出考虑EV充放电意愿的PIES双层优化调度。首先,基于动态实时电价、电池荷电量、电池损耗补偿、额外参与激励等因素建立充放电意愿模型,在此基础上得到改进的EV充放电模型;然后,以PIES总成本最小和EV充电费用最小为目标建立双层优化调度模型,通过Karush-Kuhn-Tucker(KKT)条件将内层模型转化为外层模型的约束条件,从而快速稳定地实现单层模型的求解;最后,进行仿真求解,设置3种不同场景,对比所提模型与一般充放电意愿模型,验证了文中所提引入EV充放电意愿模型的PIES双层优化调度的有效性和可行性。

高压直挂大容量电池储能系统实时仿真及控制研究

电池储能具有响应速度快、功率密度高、安装地点无要求等特点,是目前十分有前景的储能技术之一。级联变流器用作大容量电池储能变流器时,能够省去工频变压器直接接入中高压电网,即高压直挂式电池储能系统,具备模块化、高电压直挂、单机大容量、多电平输出等优点。然而,目前国内外还缺乏计及电池外特性的高压直挂储能系统的实时仿真模型的研制以及基于实时仿真模型的控保策略研究。首先开发了国内外首个基于CPU和FPGA联合仿真的高压直挂大容量电池储能系统的实时仿真模型。其次以典型的35 kV高压直挂大容量电池储能系统为例,基于OPAL-RT的RT-LAB实时仿真平台,搭建了相应的实时仿真系统,能够支持控制保护系统的闭环接入。最后,多种工况下的测试结果能够验证实时仿真模型和控制保护策略的有效性,为高压直挂大容量电池储能系统的设计和控制优化提供技术支撑。

一种提升蓄电池后备时长的新方法

电源是通信系统的重要组成部分,通信电源系统运行质量的好坏直接关系到通信网络的运行质量和通信安全。基于目前各通信运营企业和铁塔公司在汇聚机房和基站机房的电源设备维护过程中,存在运行电池组的单体电池寿命短,供电时间不足,达不到设计使用寿命的问题。通过蓄电池智慧管理、铅酸+铁锂电池融合组网应用、备电系统远程智能管理的新方法,提升蓄电池后备时长的能力,来提升电源系统运行质量。

矿用电动单轨吊动力电池监控系统的研究

为了更加高效地对矿用电动单轨吊的动力锂电池进行健康状态实时监控和预警,设计了一种针对锂电池组的监控系统,采用STM32作为主控芯片,系统包括电压、电流、温度以及振动加速度等在内的电池组运行状态信息的监控,当监测到数据发生异常时会发出预警提示,并采取自动断开电源等操作。试验测试结果表明,能够对电池进行实时监控,并将所测得的数据在上位机实时显示并进行分析处理,具有采集精度高、稳定性好等特点,为动力锂电池安全使用和保障提供参考。

基于改进移动回归滤波的储能实时平抑功率波动

为提高储能系统平抑风功率波动的经济性,提出了一种基于改进移动回归滤波的电池集成储能双层控制策略。上层控制中,基于改进的移动回归滤波风功率平滑策略,引入权重机制来减小控制过程中的相位滞后,并推导出基于加权回归的风功率平滑模型,使并网功率与风功率相位接近,以减少储能额定功率需求和运行负担,通过移动数据窗实现实时控制;下层控制中,将电池储能系统划分为充放电特性不同的两部分独立跟踪功率,以减小频繁充放电对电池寿命的影响,并根据荷电状态(state of charge,SOC)反馈信号判断其是否达到充/放电限值,而后切换2组储能充放电模式转换,并构建基于雨流计数法的寿命评估模型评估电池储能实际运行寿命。通过实际风电池数据对所提策略的进行验证,结果表明:所提方法可有效减少并网功率相位滞后,降低电池储能系统额定功率需求和运行负担,相较单电池储能控制,电池寿命提升了数倍。

磷酸铁锂锂离子电池电芯注液量相关试验验证与探讨

通过详细的理论计算,推导出LFP/230 Ah锂离子电池电芯孔隙率和极限饱和吸液量,并且通过试验设计进行验证。通过调整LFP/230 Ah锂离子电池电芯的一次注液量与不同高温下的静置时间来验证随后高温负压化成后电芯各项电性能参数受到的影响。测试及验证结果表明:随着一次注液后高温静置时间的延长,LFP/230 Ah锂离子电池电芯中游离态电解液量逐渐减少,而且在24 h后基本达到稳定状态;一次注液后随着高温静置时间的延长,电芯在化成过程中的温度逐渐降低,而且化成结束后的开路电压越来越高,分容容量有升高趋势,DCR有降低趋势,电芯满充后黑斑析锂位置点的数量减少,而且黑斑面积也逐渐缩小,但在SoC为0.6%下的K值筛选没有受到显著影响。

基于核磁共振技术测量研究锂电池正极导电浆料的分散性

采用核磁共振(NMR)技术研究了不同类型导电颗粒制备的锂电池正极导电浆料。通过测量导电浆料的弛豫时间和弛豫谱,发现了在同等研磨分散条件下炭黑浆料的弛豫时间与比表面积(BET)值呈负相关性,且炭黑浆料弛豫谱为单峰结构,说明炭黑更容易得到分散;而碳纳米管(CNT)浆料的弛豫谱全部为多峰结构,说明CNT的分散性较差。研究结果表明,CNT浆料的固含量越大,颗粒的比表面积越大,那么弛豫谱主峰的弛豫时间就越大,主峰信号占比就越低,说明CNT在溶剂中就越容易发生纠缠和团聚。

基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

随着近几年新能源汽车市场的蓬勃发展,消费者对锂电池的电池性能和储能系统的整体要求逐步提升。锂电池作为新能源汽车的重要组成部分,对新能源汽车品牌的经济性能具有重要影响。针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间(Remaining Useful Life,RUL)预测无法直接测量,为了攻克在线准确测量的难题,提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络,利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理,采用NASA开放实验数据测试,经过实验结果对比,基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。

基于多时间尺度Cholesky分解AEKF的锂电池SOC估计

建立可靠的锂电池荷电状态估算模型,获取精确估算值已成为锂离子电池组能源和安全管理的核心。选择锂离子电池的二阶等效电路模型为研究对象,提出了一种基于Cholesky分解优化多时间尺度自适应扩展卡尔曼滤波算法。状态方程中,对应不同状态变量子方程,选择不同采样周期,解决不同状态变量的不同时间尺度问题。考虑噪声变化,在扩展卡尔曼滤波的基础上,引入噪声的迭代估计,实现噪声的自适应矫正,结合Cholesky分解方法以克服计算的舍入误差问题。在不同工况下,选用不同型号的锂电池进行实验验证,验证该算法的普适性和有效性。