2024鋰電池健康管理與故障診斷報(bào)告-重慶大學(xué)

第九屆全國(guó)儲(chǔ)能科學(xué)與技術(shù)大會(huì)——先進(jìn)表征技術(shù)在儲(chǔ)能中的應(yīng)用重慶大學(xué)機(jī)械與運(yùn)載工程學(xué)院學(xué)院重慶自主品牌汽車協(xié)同創(chuàng)新中心Email:xiaosonghu@2024-3-252研究意義及挑戰(zhàn)研究意義及挑戰(zhàn)22332024-3-2532030年全球電化學(xué)儲(chǔ)能裝機(jī)容量展望2030年全球電化學(xué)儲(chǔ)能裝機(jī)容量展望2025年中國(guó)電化學(xué)儲(chǔ)能裝機(jī)容量展望2025年中國(guó)電化學(xué)儲(chǔ)能裝機(jī)容量展望2024-3-254殘值評(píng)估難事故危害大殘值評(píng)估難事故危害大健康管理故障診斷安全預(yù)警2024-3-2552024-3-256基于數(shù)據(jù)驅(qū)動(dòng)的壽命預(yù)測(cè)l難以獲得真實(shí)標(biāo)簽：算法缺乏在線學(xué)習(xí)功能ll算法訓(xùn)練所需數(shù)據(jù)量大（>50%）：數(shù)據(jù)質(zhì)量要求高，難以實(shí)現(xiàn)早期預(yù)測(cè)l算法缺乏機(jī)理解釋：無(wú)法識(shí)別容量跳水，工況變動(dòng)后誤差較大2024-3-2572024-3-258HuX.*etal.AdvancedFaultDiagnosisforLithium-IonBatterySystems:AReviewofFaultMechanisms,FaultFeatures,andDiagnosisProcedures,IEEEIndustrialElectronicsMagazine,2024-3-2582024-3-259研究意義及挑戰(zhàn)研究意義及挑戰(zhàn)22332024-3-25101.異常電芯篩選：從電池包中篩選出健康狀態(tài)較差的單體2.機(jī)理模型：通過(guò)電化學(xué)模型提取能夠準(zhǔn)確表征電池健康狀態(tài)的內(nèi)部機(jī)理參數(shù)3.特征工程：從電池電流、電壓、溫度等外特性數(shù)據(jù)提取表征電池健康的數(shù)據(jù)特征，以及機(jī)理特征提取4.AI算法SOH估計(jì)/壽命預(yù)測(cè)：采用先進(jìn)的高斯過(guò)程回歸（GPR）和深度學(xué)習(xí)算法（DCNN）等AI算法，建立SOH估計(jì)/壽命預(yù)測(cè)模型。1.單體電池老化數(shù)據(jù)：全壽命周期的充放電數(shù)據(jù)，用于模型訓(xùn)練（本團(tuán)隊(duì)已積累了大量電池老化實(shí)驗(yàn)和工程數(shù)據(jù)）3.云端大數(shù)據(jù)或離線測(cè)試數(shù)據(jù)：電流、總電壓、單體電壓、單體溫度，用于特征提取及SOH估計(jì)特征提取適用于實(shí)際應(yīng)用的特征示例特征處理流程綜合評(píng)分算法流程圖 二 Z1Z2特征一特征量與健康狀態(tài)成反比u標(biāo)記平均特征最大的類中的電池為0；u其余類中標(biāo)記為1。賈俊;胡曉松賈俊;胡曉松;鄧忠偉*;徐華池;肖偉;韓鋒;《數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)綜合評(píng)分及異常電池篩選》，機(jī)械工程學(xué)報(bào)，57(14),141-149,159，2021數(shù)月后才報(bào)數(shù)月后才報(bào)u公開數(shù)據(jù)集最終壽命與綜合評(píng)分有u評(píng)分是一個(gè)連續(xù)的序列值，我們可以根據(jù)需要決定哪些是“差”的電u無(wú)監(jiān)督學(xué)習(xí)，無(wú)需模型訓(xùn)練。u公開數(shù)據(jù)集最終壽命與綜合評(píng)分有u評(píng)分是一個(gè)連續(xù)的序列值，我們可以根據(jù)需要決定哪些是“差”的電u無(wú)監(jiān)督學(xué)習(xí)，無(wú)需模型訓(xùn)練。u針對(duì)工程應(yīng)用數(shù)據(jù)，提取多維特征；u應(yīng)用本算法進(jìn)行綜合健康評(píng)分計(jì)算，可見其中2號(hào)模組始終處是評(píng)分最低u而該模組在運(yùn)行前期并未報(bào)出明顯故障，直至兩個(gè)月之后才出現(xiàn)“壓差過(guò)大”和“出力不足”；u本算法提前數(shù)月實(shí)現(xiàn)了異常電池篩選。賈俊;胡曉松賈俊;胡曉松;鄧忠偉*;徐華池;肖偉;韓鋒;《數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)綜合評(píng)分及異常電池篩選》，機(jī)械工程學(xué)報(bào)，57(14),141-149,159，20212024-3-2513多物理場(chǎng)耦合模型ComputationtimeComputationtime電化學(xué)模型907560453009075604530064112176HuX*etal.,EfficientSimulationofHuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudn基于Pseudo-two-Dimensional(P2D)的全階重構(gòu)電化學(xué)模型454505C放電1C放電方程個(gè)數(shù)HuX*etal.,EfficientSimulationofHuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseud2024-3-2516HuX*etal.,Batteryhealthpredictionusingfusion-basedfeatureselectionandmachinelearning,IEEETransactionsonTransportationElectrification,7,382-398,2024-3-2516n基于隨機(jī)局部充電片段的特征提取std_△Q2024-3-2517DengZ,HuX*etal.,Data-drivenbatterystateofhealthestimationbasedonrandompartialchargingdata,IEEETransactionsonPowerElectronics,37(5):5021-2024-3-2517PredictionExperimentStartpointNoisyinputPredictionExperiment正負(fù)極嵌鋰范圍放電容量曲線2024-3-2518XuL,HuX.*etal.Anovelhybridphysics-basedanddata-drivenapproachfordegradationtrajectorypredictioninLi-ionbatteries.IEEETransactionsonTransportationElectrification2024-3-2518n基于衰減類型識(shí)別與遷移學(xué)習(xí)的SOH估計(jì)方法通過(guò)無(wú)監(jiān)督學(xué)習(xí)算法（K-means）識(shí)別基于衰減特征識(shí)別與遷移學(xué)習(xí)的SOH估計(jì)DengZDengZ,HuX*etal.,Batteryhealthestimationwithdegradationpatternrecognitionandtransferlearning.JournalofPowerSources,525:231027,2022.n基于有限標(biāo)簽與領(lǐng)域自適應(yīng)的電池組SOH快速檢測(cè)通過(guò)實(shí)際充電測(cè)試產(chǎn)生標(biāo)簽，并辨識(shí)得到電池模型，構(gòu)建電池系統(tǒng)數(shù)字孿生模SOH快速檢測(cè)原理2024-3-2520Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,andJ.Zhou,"Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation,"JournalofEnergyChemistry,2024-3-2520n基于有限標(biāo)簽與領(lǐng)域自適應(yīng)的電池組SOH快速檢測(cè)data-of-in-service-electric-vehicl2024-3-2521Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,andJ.Zhou,"Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation,"JournalofEnergyChemistry,2024-3-2521利用安時(shí)積分公式變換，計(jì)算電池容量，以一個(gè)月內(nèi)的中值容量為分析充電數(shù)據(jù)的月份統(tǒng)計(jì)特征與電池容量的相關(guān)性，設(shè)計(jì)特征篩選程數(shù)據(jù)公開：20輛車，運(yùn)行29個(gè)月的數(shù)據(jù)電池系統(tǒng)容量計(jì)算結(jié)果/TengMichael/batdata-of-on-road-electric-ve電池系統(tǒng)容量計(jì)算結(jié)果2024-3-2522roadvehicles.AppliedEnergy2024-3-2522利用序列對(duì)序列（Seq2Seq）模型進(jìn)行未來(lái)容基于早期數(shù)據(jù)（前3個(gè)月），可以正確預(yù)測(cè)未來(lái)容量軌跡，未來(lái)26個(gè)月的預(yù)測(cè)2024-3-2523roadvehicles.AppliedEnergy2024-3-2523算法框算法框架95%ConfidenceintervalSelf-trainingbasedpredictionTDL+GPRbasedpredictionRealValueThreshold Capacity[Ah]9590關(guān)鍵問(wèn)題:模組測(cè)試時(shí)間長(zhǎng)，費(fèi)用高，模組壽命與單目的:單體完整老化數(shù)據(jù)+電池包的早期數(shù)據(jù)Capacity[Ah]9590基于單體數(shù)據(jù)建立健康因子全壽命周期衰減模型基于單體完整數(shù)據(jù)集的健康因子實(shí)用性分析對(duì)電池包內(nèi)電池單體的健康因子的老化趨勢(shì)校正基于單體數(shù)據(jù)建立健康因子全壽命周期衰減模型基于單體完整數(shù)據(jù)集的健康因子實(shí)用性分析75電池單體全壽命周期完整循環(huán)數(shù)據(jù)健康因子提取75電池單體全壽命周期完整循環(huán)數(shù)據(jù)健康因子提取Capacity[Ah]105基于電池組早期數(shù)據(jù)修正健康因子衰減模型以適應(yīng)各單體健康因子變化趨勢(shì)電池組每個(gè)單體健康因子提取電池組早期循環(huán)完整數(shù)據(jù)1009590外推各單體的健康因子隨循環(huán)次數(shù)的變化，得到各循環(huán)單體健康因子的預(yù)測(cè)值預(yù)測(cè)未來(lái)電池組衰減至初始容量70%的循環(huán)容量及剩余壽命利用早期數(shù)據(jù)建立單Capacity[Ah]105基于電池組早期數(shù)據(jù)修正健康因子衰減模型以適應(yīng)各單體健康因子變化趨勢(shì)電池組每個(gè)單體健康因子提取電池組早期循環(huán)完整數(shù)據(jù)1009590外推各單體的健康因子隨循環(huán)次數(shù)的變化，得到各循環(huán)單體健康因子的預(yù)測(cè)值預(yù)測(cè)未來(lái)電池組衰減至初始容量70%的循環(huán)容量及剩余壽命利用早期數(shù)據(jù)建立單體健康因子和電池組容量的機(jī)器學(xué)習(xí)模型 (N維輸入1維輸出)858075電池組估計(jì)模型建立電池單體參考模型建立模型修正過(guò)程預(yù)測(cè)過(guò)程CBC#1CBC#3CBC#5CBC#7CBC#9 CBC#11 CBC#13CBC#15CBC#2CBC#4CBC#6CBC#8CBC#10CBC#12CBC#14CBC#160100200300400Cycles2024-3-2524CheY,HuX.*etal.LifetimeandAgingDegradationPrognosticsforLithium-ionBatteryPacksBasedonaCelltoPackMethod.ChineseJournalofMechanicalEngineering,2022,35(1):2024-3-25242024-3-2525研究意義及挑戰(zhàn)研究意義及挑戰(zhàn)22332024-3-2526輸入數(shù)據(jù)診斷算法故障判斷輸出故障1.輸入數(shù)據(jù)診斷算法故障判斷輸出故障1.基于模型故障診斷：基于電池單體及電池組模型，借助狀態(tài)估計(jì)、參數(shù)辨識(shí)等方法檢測(cè)故障2.數(shù)據(jù)驅(qū)動(dòng)的故障診斷：從測(cè)量數(shù)據(jù)中提取有效特征，利用信號(hào)處理、統(tǒng)計(jì)和機(jī)器學(xué)習(xí)算法檢測(cè)故障3.多故障診斷算法及規(guī)則庫(kù)：結(jié)合電池組結(jié)構(gòu)、結(jié)構(gòu)分析理論、殘差特性等，建立多故障診斷算法框架及規(guī)則庫(kù)時(shí)間電流總電壓?jiǎn)误w電壓探針溫度充電信息絕緣電阻閾值比較統(tǒng)計(jì)推斷基于規(guī)則過(guò)充/放/熱、內(nèi)/外短路異常衰減、熱失控電流/電壓/溫度信號(hào)偏差、漂移、卡死電池連接故障冷卻系故障特征參數(shù)狀態(tài)、參數(shù)統(tǒng)計(jì)指標(biāo)執(zhí)行器傳感器電池閾值比較統(tǒng)計(jì)推斷基于規(guī)則過(guò)充/放/熱、內(nèi)/外短路異常衰減、熱失控電流/電壓/溫度信號(hào)偏差、漂移、卡死電池連接故障冷卻系故障特征參數(shù)狀態(tài)、參數(shù)統(tǒng)計(jì)指標(biāo)執(zhí)行器傳感器電池云端線上大數(shù)據(jù)熵值法狀態(tài)表示法線下短時(shí)數(shù)據(jù)狀態(tài)估計(jì)參數(shù)估計(jì)相關(guān)系數(shù)法IC曲線分析信號(hào)處理基于模型1.云端大數(shù)據(jù)：電流、總電壓、單體電壓、單體/探針溫度、充電信息、串并聯(lián)結(jié)構(gòu)、絕緣電阻，用于特征提取和故障診斷，總體數(shù)據(jù)包含正常和故障數(shù)據(jù)2.線下短時(shí)數(shù)據(jù)：電流、總電壓、單體電壓、單體/探針溫度、標(biāo)稱容量，用于狀態(tài)/參數(shù)估計(jì)、特征提取和故障診斷EKF:擴(kuò)展卡爾曼濾波CUSUM:累積和FDI:故障檢測(cè)和分離ZhangKZhangK.,HuX.*,etal.,Multi-faultDetectionandIsolationforLithium-IonBatterySystems,IEEETransactionsonPowerElectronics,37,1,971-989,2022.表格1：不同故障與觀測(cè)器O1、O2的對(duì)應(yīng)關(guān)系……111111111100100000000110001100ZhangKZhangK.,HuX.*,etal.,Multi-faultDetectionandIsolationforLithium-IonBatterySystems,IEEETransactionsonPowerElectronics,37,1,971-989,2022.22201816II峰左斜率II峰右斜率I峰右斜率III峰左斜率IV22201816II峰左斜率II峰右斜率I峰右斜率III峰左斜率IV峰14121081412108S3S26420S3S23.23.43.63.844.23.23.43.63.844.230正常短路阻值短路阻值10短路阻值5Q短路阻值25不同短路內(nèi)阻下的IC曲線離群點(diǎn)檢測(cè)概念圖503.23.43.63.844.22024-3-25ZhangK,JiangL,DengZ,XieY,CoutureJ,CoutureLin,J.,Lin,X.,Zhou,J.,Hu,X.*.AnEarlySoftInternalShort-CircuitFaultDiagnosisMethodforLithium-Ion29BatteryPacksinElectricVehicles.IEEE/ASMETransactionso