锂离子电池健康评估与故障诊断报告（）

第九届全国储能科学与技术大会——先进表征技术在储能中的应用 锂离子电池健康评估与故障诊断 Email:xiaosonghu@ieee.org 胡晓松、邓忠伟 重庆大学机械与运载工程学院学院 国家卓越工程师学院 重庆自主品牌汽车协同创新中心 2024-3-25 目录 1 研究意义及挑战 2 电池健康评估 3 电池故障诊断 2025年中国电化学储能装机容量展望 电化学储能已经开始从兆瓦级别的示范应用迈向吉瓦级别的规模市场化 电化学储能被广泛应用 2030年全球电化学储能装机容量展望 电池智能运维技术 健康管理 故障诊断 安全预警 性能衰减 能运行多久？ 残值评估难 事故危害大 电池寿命 开展电化学电池的健康管理与故障诊断等智能运维技术是保障储能系统安全经济运行的重要手段 保障储能系统安全经济运行 电池充放电循环 电池老化 健康状态衰退 性能衰减需要更换 电池在使用过程中发生老化，健康状态（SOH）反映了电池老化程度 电池老化机理复杂，衰退路径差异大，已有估计方法泛化能力差 电池寿命预测的价值 电池预测运维 电池优化控制 为电池生产制造提供指导 特征提取 机器学习算法训练 基于数据驱动的寿命预测 难以获得真实标签：算法缺乏在线学习功能 算法训练所需数据量大（>50%）：数据质量要求高，难以实现早期预测 算法缺乏机理解释：无法识别容量跳水，工况变动后误差较大 电池系统安全问题愈发受到人们重视并亟待解决 储能电站事故 安全事故种类 起火 爆炸发热鼓包 排气 来源:ULSolutions https://www.ul.com/insights/lithium-ion-battery-incident-reporting 故障诊断与安全预警技术对于保障储能系统安全可靠运行至关重要 电池系统故障特点 电池故障模式众多 多种故障机理复杂 存在多故障耦合情况 电池系统故障诊断关键技术 电池包水平的关键特征提取与融合 自适应阈值、融合式诊断方法 多故障诊断与容错控制 目录 1 研究意义及挑战 2 电池健康评估 3 电池故障诊断 算法核心模块： 1.异常电芯筛选：从电池包中筛选出健康状态较差的 单体 2.机理模型：通过电化学模型提取能够准确表征电池健康状态的内部机理参数 3.特征工程：从电池电流、电压、温度等外特性数据提取表征电池健康的数据特征，以及机理特征提取 4.AI算法SOH估计/寿命预测：采用先进的高斯过程回归（GPR）和深度学习算法（DCNN）等AI算法，建立SOH估计/寿命预测模型。 多维度数据支撑 1.单体电池老化数据：全寿命周期的充放电数据，用于模型训练（本团队已积累了大量电池老化实验和工程数据） 2.电池系统静态数据：电池种类，串并联结构，标称容量等，用于特征提取 3.云端大数据或离线测试数据：电流、总电压、单体电压、单体温度，用于特征提取及SOH估计 进行全方位特征组合 基于充放电数据，提取多维度特征 特征提取 特征处理流程 数量级近似化 相关性方向统一 综合评分算法流程图 得到多个由(0,1)组成的好坏评价向量1代表评价结果为好，0代表为坏计算好评率得到综合健康评分 PCA降维 特征值归一化 Z1 Z2 适用于实际应用的特征示例 温度 c1循环的最大温度熵、平均温度熵…… c1循环的最大温差、平均温差…… c1循环的温升速率 电压 c1循环的最大电压熵、平均电压熵……c1循环的最大压差、平均压差…… 每种特征遍历使用多种分类方式 聚类算法1 聚类算法2 聚2类 分类方式1 分类方式2 聚3类 分类方式3 分类方式4 特征量与健康状态成反比 Fj l1i1Fk,i nj njh 标记平均特征最大的类中的电池为0； 其余类中标记为1。 数月后才报 出故障 图1基于公开数据集的综合评分图2基于储能数据集的综合评分图3在报出故障前实现筛选 公开数据集最终寿命与综合评分有 较强的相关性； 评分是一个连续的序列值，我们可以根据需要决定哪些是“差”的电池； 无监督学习，无需模型训练。 针对工程应用数据，提取多维特征； 应用本算法进行综合健康评分计算，可见其中2号模组始终处是评分最低的； 而该模组在运行前期并未报出明显故障，直至两个月之后才出现“压差过大”和“出力不足”； 本算法提前数月实现了异常电池筛选。 P2D+ThermalmodelP2D+Stress-Strain 多物理场耦合模型 Computationtime Pseudo-2-Dmodel(P2D) Single-particlemodel (SPM) Equivalent-circuitmodel (ECM) 电化学模型 电路模型 Predictability 90 75 10C放电 5C放电 1C放电 60 45 30 15 0 64 112 方程个数 176 不同复杂度下重构模型误差 基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型 利用谱方法对P2D模型进行重构，不引入物理简化 较有限体积和有限差分法更快收敛，模型复杂度低 电压RMSE(mV) 自适应的模型网格加密技术 大倍率恒流与动态工况均保持高精度 计算时间（相似精度条件下）重构模型：0.5s-2s。COMSOL：60s-300s。LIONSIMBA：25s-38s。 液相浓度方程 重构变量 附加函数 基函数 边界条件 端电压 RMSE=9.3mV 基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型 实现大电流，动态工况条件下电池内部参数及外部特性监控 固相浓度 液相浓度 10C的恒流放电，1s内完成计算，电压误差9.3mV 相同精度下，计算速度远快于COMSOL等商用软件 固液相界面反应速率 模型可用于：健康评估、析锂诊断、快充策略优化和 电池优化设计 应用于ATL电池研发，加速电芯开发过程 融合式特征筛选方法 关键问题：特征提取方法多样，有效特征少， 冗余特征多 测量特征（电流，电压，温度等） 计算特征（IC曲线,DV曲线,DT曲线等） 基于融合滤波和封装法的特征筛选 验证一：自验证验证二：交叉验证 针对SOH估计，基于融合的特征筛选方法和高斯过程回归模型的联合使用在多个数据集上的估计效果最优 基于随机局部充电片段的特征提取多类型电池不同工况下所提取的健康因子与SOH相关性分析 关键问题：充电行为具有一定随机性（充电 起始/结束SOC不确定） 从随机局部充电片段中提取出与SOH强相关的健康因子 充电片段增量容量的均值和标准差：ave_△Q, 基于较短的随机充电片段（电压窗口≤10mV），即可提取高相关性特征（ρ>0.8） std_△Q 不同充电片段的健康因子与SOH相关性分析 基于机理模型的特征提取 关键问题：数据特征可解释性低，通用性低，早期预测困难 物理数据混合特征（负极嵌锂范围+容量增量方差） 序列对序列的深度神经网络 正负极嵌锂范围 放电容量曲线 相关性分析 早期预测 StartpointNoisyinput PredictionExperiment 噪声输入下的高鲁棒性 融合机理特征能更有效实现早期预测以及 噪声条件下的高鲁棒性 正负极容量计算公式： 基于衰减类型识别与迁移学习的SOH估计方法 关键问题：不同的使用工况，电池呈现不同衰退类型 通过无监督学习算法（K-means）识别电池衰减类型 利用特征和LSTM网络建立电池SOH估计模型（仅三个参考电池） 结合迁移学习方法提高估计精度 实现了大规模-不同使用工况的单体SOH高精度估计，误差<2% 基于衰减特征识别与迁移学习的SOH估计方法流程图 对124枚单体进行衰减模式分类 2024-3-25 DengZ,HuX*etal.,Batteryhealthestimationwithdegradationpatternrecognitionandtransferlearning.JournalofPowerSources,525:231027,2022. 基于迁移学习的SOH估计 19 基于有限标签与领域自适应的电池组SOH快速检测 关键问题：电池训练标签有限，电池类型繁杂 通过实际充电测试产生标签，并辨识得到电池模型，构建电池系统数字孪生模型，产生大量合成数据 SOH快速检测原理电池系统数字孪生模型 基于有限标签与领域自适应的电池组SOH快速检测 基于短时充电片段提取特征数据Q(V) 利用深度学习建立估计模型，合成数据进行预训练 利用标签数据和无标签数据进行领域自适应训练 数据驱动建模 10辆车，8辆训练-2辆测试，20次交叉验证，误差<3.2% 10辆车充电测试数据开源：https://github.com/TengMichael/Charging-test- data-of-in-service-electric-vehicles 源域与目标域特征分布结果 SOH估计结果 2 在役电池系统衰减轨迹预测t 关键问题：没有电池实验测试数据，仅有云端大数据 安时积分公式变换： C -tIt t1 利用安时积分公式变换，计算电池容量，以一个月内的中值容量为标签容量 分析充电数据的月份统计特征与电池容量的相关性，设计特征筛选程序，获得 特征筛选程序 具有高相关性和自相关性低的特征集 aSOC t 2 SOC t 1 电池系统容量计算结果 相关性分析 数据公开：20辆车，运行29个月的数据https://github.com/TengMichael/battery-charging-data-of-on-road-electric-vehicles 在役电池系统衰减轨迹预测 利用序列对序列（Seq2Seq）模型进行未来容量轨迹预测 建立基于高斯过程回归（GPR）的残差模型补偿预测误差 基于早期数据（前3个月），可以正确预测未来容量轨迹，未来26个月的预测误差<2% c1 f11 fm1 cn1 cffc  n c  f 1n f mn c np  Dinputoutput 212 m2n2 Seq2Seq结构 Seq2Seq联合GPR 电池包及包内单体衰减趋势预测 关键问题:模组测试时间长，费用高，模组寿命与单体相差较大 目的:单体完整老化数据+电池包的早期数据→电池包寿命预测 对电池包内电池单体的健康因子的老化趋势校正(迁移学习) 对电池包内电池单体的容量轨迹进行预测(GPR) 电池包老化预测 对连接的电池单体进 行老化预测 CBC#1 CBC#3 CBC#5 CBC#7 CBC#9 CBC#11 CBC#13 CBC#15 CBC#2 CBC#4 CBC#6 CBC#8 CBC#10 CBC#12 CBC#14 CBC#16 电池单体全寿命周期完整循环数据健康因子提取 基于单体完整数据集基于单体数据建立健的健康因子实用性分康因子全寿命周期衰 析 减模型 基于电池组早期数据 电池组每个单体健康修正健康因子衰减模因子提取型以适应各单体健康 因子变化趋势 预测未来电池组衰减至初始容量70%的循环容量及剩余寿命 外推各单体的健康因 子随循环次数的变化，得到各循环单体健康因子的预测值 105 电池组早期循环完整数据 利用早期数据建立单体健康因子和电池组容量的机器学习模型(N维输入1维输出) 100 Capacity[Ah] 算95 法 框90 架 85 80 电池单体参考模型建立 电池组 估计模型建立 模型修正过程预测过程 75 0100200300400 Cycles 2024-3-25 CheY,HuX.*etal.