基于锂离子电池容量增量曲线半峰面积的容量在线估计方法

锂离子电池关键材料的持续突破和规模化应用是我国双碳目标实现的重要技术路径。然而,电池具有即用即衰性和老化特性的复杂性,准确的老化分析和容量估计极其困难。为此,该文发现了电池容量增量曲线半峰面积与寿命衰减的映射关系,提出了基于充电容量增量曲线特征峰半峰面积的最大可用容量估计方法,明确了可用锂损耗为电池主要容量衰退模式,通过采用递推更新算法在线计算曲线特征峰半峰面积实施电池容量在线估计。考虑环境温度和充电倍率对容量估计算法的影响,进一步建立了基于环境温度、充电倍率的容量优化估计算法,不同老化状态和电池的验证结果表明最大可用容量估计误差小于3%。

基于容量增量分析的石墨负极磷酸铁锂电池SOC估算方法研究

本文中对纯电动汽车用磷酸铁锂电池SOC估算方法进行研究。首先,利用基本的测试手段测得反映电池外特性的充放电电压曲线(V vs Q),并用它求得反映电池电化学特性的容量增量曲线(ΔQ/ΔV vs V)。接着,采用容量增量分析法研究充放电倍率、温度和老化程度对电池性能的影响。最后,建立了电池内部相变阶段的容量增量峰与电池SOC的对应关系,并利用这一关系来估算电池SOC,为电动汽车制定动力电池管理策略提供依据。

基于容量增量分析的复合材料锂电池分区间循环衰退机理

以35A·h三元锰酸锂复合材料锂电池为研究对象,探索分析锂电池分区间循环衰退机理。基于容量增量曲线峰值分布,将荷电状态(SOC)区间划分为0%~20%、20%~60%、60%~100%及0%~100%四个区间,分别在各区间进行衰退老化实验。为保证电池各循环区间的容量吞吐量一致,以全区间为基准,在40℃下以2C电流共进行600次充放电循环实验。从起始点开始以100个循环为间隔,在室温条件下采用C/20电流进行容量增量分析(ICA)性能测试实验,分析不同SOC区间电池的衰退机理。结果表明:电池在SOC全区间使用时衰退最快,在低端区间使用时衰退较慢;在中低区间的性能衰退主要是由活性锂离子的损失造成的,而在SOC高端区间还包括活性材料的损失和动力学衰退。本文得到的结论为电池的改进设计及使用区间的选取提供了理论依据。

基于ICA的锂电池SOH估计曲线确定方法研究

针对如何提取容量增量(IC)曲线上更有效的特征参数进行锂电池健康状态(SOH)估计问题,提出了一种基于修正的洛伦兹电压容量(RL-VC)模型。首先使用传统滤波方法对锂电池进行容量增量分析(ICA)。然后使用RL-VC模型进行对比,获得相应的特征参数并计算容量建模误差。在基于自主搭建的试验平台上获得的试验数据与开源数据集NASA中的动态数据集NCM中分别进行试验。VC容量建模的误差分别在0.23%和0.16%以内。RL-VC模型拟合的IC曲线提取的特征参数与锂电池容量高度线性相关,为后续SOH工作奠定了基础。基于RL-VC模型的IC分析方法相较于传统滤波方法,不仅在电池老化方面具有更高的鲁棒性,同时在特征参数提取方面避免了主观性和不确定性。

融合电化学阻抗与容量增量曲线特征的锂电池健康状态算法研究

针对锂离子电池的安全运行问题,提出了一种特征融合的锂电池健康状态预测算法。该框架融合了电化学阻抗谱(electrochemical impedance spectroscopy,EIS)与容量增量分析(incremental capacity analysis,ICA)的健康特征,使用卷积神经网络(convolutional neural network,CNN)和改进型长短期记忆网络(long short term memory,LSTM)建立特征与健康状态的映射关系,利用量子粒子群优化(quantum particle swarm optimization,QPSO)算法对混合网络结构进行超参数优化。最后,利用NASA PCoE数据集验证了该方法的准确性与可靠性。

基于区域容量的锂离子电池健康状态评估

锂离子电池的健康状态(SOH)评估为电池安全保护、充放电控制、热管理等功能提供重要参考。提出了一种基于容量增量分析(ICA)的区域容量分析(RCA)方法,引入了区域电压和区域容量的概念。对不同倍率下的磷酸铁锂(LFP)电池模组充放电电压数据进行ICA分析,分别提取了IC曲线的最高峰值和RCA的区域容量作为健康因子,并建立了健康因子与SOH之间的数学模型。研究结果表明,当充放电倍率为1 C时,最高峰值与SOH的拟合优度(R~2)在充电阶段为0.815 4、放电阶段为0.874 1,而区域容量与SOH的拟合度在充电段为0.984 2、放电段为0.957 6;当充放电倍率为2 C时,最高峰值作为健康因子在充电阶段与SOH的拟合度只有0.188 4,放电阶段的拟合度为0.576 7,而区域容量与SOH的拟合度在充电阶段为0.894 2、放电阶段的R~2为0.988 2。可以看出充放电倍率为1 C或2 C时,区域容量作为健康因子评估电池的SOH效果更好。研究结果对大倍率下的电池SOH评估有重要参考价值。

基于改进GWO–SVR算法的锂电池剩余寿命预测

锂离子电池性能优越,已在B787等机型上得到应用.锂离子电池性能随着使用次数增加而衰退,准确预测锂电池剩余使用寿命从而及时维护/更换,对航班安全飞行具有重要意义.面向锂离子电池剩余寿命预测问题,本文采用容量增量分析等方法提取特征,基于灰色关联分析计算特征与电池容量的关联程度并筛选特征,提出一种基于改进灰狼优化算法(Improved grey wolf optimization, IGWO)和支持向量回归(Support vector regression, SVR)的锂离子电池剩余寿命预测方法.作为近年研究热点的灰狼优化(Grey wolf optimization, GWO)算法寻优性能出色,但是在应用中容易陷入局部最优.针对此问题,IGWO对GWO算法中的位置更新方程进行优化,对狼群中的个体添加了记忆与飞行功能,增强了算法全局搜索和收敛能力;同时基于Skew Tent映射产生混沌序列,优化狼群初始位置分布.基于标准测试函数对比GWO和IGWO算法的寻优能力,结果表明IGWO算法的收敛速度和寻优效果更好,能够避开GWO陷入的局部最优,在部分测试函数上将寻优精度提升了几十个数量级;基于NASA锂离子电池数据集开展IGWO–SVR、GWO–SVR和SVR的剩余寿命预测能力对比实验,结果证明IGWO–SVR能够有效提高预测精度,与GWO–SVR相比预测均方根误差值降低了10%以上.

基于ISSA-CNN-BiGRU-Attention的锂电池健康状态评估

健康状态(SOH)预测对于电池管理系统至关重要。针对电池健康状态评估建模复杂、预测误差大等问题,准确的SOH预测仍需要改进。本文结合容量增量分析(ICA)和差分电压分析(DVA)方法,提出了一种改进麻雀优化算法(ISSA)-卷积神经网络(CNN)-双向门控递归单元(BiGRU)-注意力机制(Attention)的锂电池健康状态评估方法。通过对容量增量(IC)曲线和差分电压(DV)曲线进行高斯滤波处理,避免了噪声的影响。通过马里兰大学先进的生命周期工程中心(CALCE)数据进行处理,从滤波后的IC和DV曲线上提取一组新的电池老化特征,所提4个老化特征与SOH之间的Pearson相关系数在0.9以上。使用ISSA-CNN-BiGRU-Attention方法来构建电池SOH的预测模型,将所提方法与CNN、BiGRU、CNN-BiGRU等方法进行比较,实验结果表明,该方法的MAE与RMSE误差最大值分别为0.00544和0.00717,对比其他模型,具有优秀的鲁棒性和准确性,具有更好的实际使用价值。

融合多项式特征扩展与CNN-Transformer模型的锂电池SOH估计

为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。

一种基于SD-ICA的卫星电池健康状态估计方法

针对容量增量分析(ICA)法应用在卫星电池的健康状态(SOH)估计中存在较大误差的问题,提出了基于带平滑处理并使用放电数据的容量增量分析(SD-ICA)的电池健康状态估计方法。首先,利用光滑样条函数的拟合结果具有二阶导连续的特性,对低分辨率的遥测数据进行平滑处理,从而提高了计算结果的准确性。其次,针对ICA必须使用微小电流放电数据的限制,推导出有负载条件下的容量增量(IC)计算方法,降低了对卫星电池放电工况的要求。最后,利用IC曲线的第一特征点(FOI1)与电池容量的关系,对卫星电池的健康状态进行估计。经验证,所提方法具有对数据分辨率要求低、不需要增加电池工况、计算简便等优势,可以准确地从卫星遥测数据中估计电池健康状态。研究成果在卫星电池的健康管理和任务规划中具有重要的应用价值。

NCA三元锂离子电池分荷电状态循环的热特性和容量衰退研究

层状三元材料LiNi0.8Co0.15Al0.05O2(NCA)具有高能量密度和高比容量,在电动汽车领域占据重要地位.但是较差的容量保持率和热安全问题限制了其应用.本文研究了18650型NCA/graphite(2.4 Ah)锂电池分区间循环容量衰退机理和热行为.所考虑的荷电状态(state of charge,SOC)区间有0%~20%(低)、20%~70%(中)、70%~100%(高)及0%~100%(全)四个区间.为了获得电池在不同SOC区间循环后衰减状况,以100个循环为一个周期,每个循环周期结束后,在25℃下测试四个电池的基础特性,包括容量、容量增量(incremental capacity,IC)、电阻及电化学阻抗谱(electrochemical impedance spectroscopy,EIS),同时监测电池放电时的温度来讨论电池不同区间循环后的热行为.测试结果表明,电池在全区间循环会降低电池寿命,而在非全区间循环的电池都能一定程度上减缓电池衰老的速度.另外,全区间循环热特性最差而中端循环则表现出较好的热性能,对容量增量曲线分析发现,在高中低区间的性能衰退的主要原因是活性锂离子的损失,而在全区间还包括活性材料的损失和反应内阻的增大.

基于灰色关联度分析-长短期记忆神经网络的锂离子电池健康状态估计

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析(GRA)以及长短期记忆(LSTM)神经网络的锂离子电池健康状态估计方法。该方法通过分析电池在老化过程中的充电增量容量曲线变化模式,提取电池老化特征。为了降低计算复杂度,引入灰色关联度分析法进行特征分析与筛选,并将其作为长短时间记忆神经网络的输入,进行网络预训练进而估计电池的健康状态。最后,利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。实验结果表明,所提出的方法表现出优秀的电池健康状态估计性能,并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性。

基于PCA和GA-BP神经网络的锂电池容量估算方法

针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。

基于ICA和Box-Cox变换的锂离子电池SOH估计方法

对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。

高镍三元正极锂电池循环衰减分析

本研究专注于高镍三元正极锂电池循环性能的试验,先通过循环测试,得到该电池的容量衰退结果,之后用容量增量分析法对不同循环次数后的电池进行容量增量分析,预估其容量衰减原因,最后对循环后的电池进行拆解,分析电池正负极结构和表面元素组成后进一步确认电池的衰减原因。

基于改进容量增量分析法的锂电池可用容量估计

针对动力锂电池在使用过程中难以高效准确估计其衰退后可用容量的问题,提出一种不依赖滤波算法的容量增量分析法获取不同型号电池的容量衰退特征,并基于数据驱动的方法搭建可用容量估计模型。首先,分别分析低通滤波与小波滤波在获取容量增量曲线中存在的问题,并对比差分电压值在1、10、20、50 mV时容量增量曲线的形态。其次,采用移动方差算法对不同电压差分值下容量增量曲线的波动性做出评价,确定出峰值特性明显且平滑的容量增量曲线。提取曲线的峰值作为动力锂电池的老化特征,运用斯皮尔曼相关性系数验证老化特征与电池老化状态之间的相关性。然后,引入门控循环单元建立锂电池的可用容量估计模型。最后,将不同老化测试条件下的2类电池老化数据集用于模型验证。研究结果表明:所建立的估计模型能够有效估算锂电池全寿命循环内的可用容量值,2组数据集中测试结果的相对误差除个别值外,多数相对误差值在2%以内;数据组1中,分别选取电池1和电池3测试数据的前50%为训练数据,后50%为测试数据,训练结果绝对误差稳定在0.05 A·h左右,测试结果绝对误差在0.04 A·h左右;对电池2与电池3的全寿命循环可用容量做出估计,结果相对误差稳定在2%左右;数据组2中对电池5、电池6和电池7的全寿命循环可用容量估计结果的相对误差整体亦在2%以内;且模型能够对锂电池循环过程中出现容量再生现象的循环做出4%以内的准确估计,显示出良好的估算精度和泛化能力。

基于开路电压特性的动力电池健康状态诊断与估计

电池系统复杂的配置和严苛、不确定性的工作环境造成的电池衰退过程极为复杂.为了准确地实施电池系统的管理与控制以保证其高效、可靠和安全运行,有效的电池健康状态诊断与估计必不可少.利用容量增量分析和差分电压分析等原位电化学分析方法对电池开路电压特性变化进行分析,建立电池容量衰退与其衰退机理的量化关系,追溯到电池衰退的源头,从衰退机理角度对电池健康状态进行更真实和更准确的诊断.同时,建立基于电池开路电压曲线的容量估计模型用于电池健康状态估计,该模型不仅能捕捉电池内部不同阶段电化学反应特性,而且具有较高的精度和鲁棒性.在电池全生命周期内,该模型估计误差均小于4%.

轨道交通用钛酸锂电池不一致性研究

以搁置一年的钛酸锂电池单体及模块为研究对象,分别对不同荷电状态下搁置的单体和模块进行初始电压、剩余电量、充放电容量等参数的测试,得出单体电池电压及内阻分布;并采用容量增量分析法分析钛酸锂电池在浮充搁置状态下性能的变化,进而研究不一致性对长期处于浮充状态的辅助电源寿命及性能产生的影响。通过整箱电池的电压分布,结合OCV-SOC特性曲线,选出浮充的最佳电压点,为轨道交通中使用的钛酸锂电池充放电控制策略的制定提供可靠依据。

锂离子电池过放电状态的阻抗特性研究

目前锂电池被广泛应用于电化学储能系统,但由于电池单体间的差异,单体电池常常存在过放电现象,给电池模组及储能系统的应用带来安全隐患,因此对过放电状态的锂电池进行检测与分析对于其安全应用具有重要意义。本文设计了正常循环和不同程度过放电的电池循环试验,利用弛豫时间分布法、阻抗差异分析法和容量增量法对过放电状态的锂离子电池全寿命周期内的阻抗特性进行分析。结果表明,过放电会加速电池老化,可提高充放电过程温升;相较于正常循环,过放电循环使电池欧姆内阻与电荷转移电阻增大,SEI膜内阻减小,电荷传递电阻无明显变化,锂离子固相扩散电阻随着过放电程度增加,先减小后增大。本文结果为锂电池过放电内部特性研究和过放电检测提供理论依据。

磷酸铁锂电池组典型储能工况循环老化研究

电化学储能系统在调节新能源发电功率波动,电网侧和用户侧削峰填谷场合已经有大规模应用。磷酸铁锂电池由于性能较稳定、循环寿命长、安全性高等特点,被广泛应用到电化学储能领域。然而,电池组容量及其一致性会随使用时间增加而发生劣化,使模组可用容量和能量降低,直接影响电池组的使用寿命。以磷酸铁锂电池模组为研究对象,采用储能电站峰谷调节工况对电池组进行循环测试,研究了电池老化特性及电池组SOC一致性随循环的变化规律并分析其原因,得到的结论可以给电池组的维护提供依据。