2024锂电池健康管理与故障诊断报告-重庆大学

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重庆大学机械与运载工程学院学院重庆自主品牌汽车协同创新中心Email:xiaosonghu@2024-3-252研究意义及挑战研究意义及挑战22332024-3-2532030年全球电化学储能装机容量展望2030年全球电化学储能装机容量展望2025年中国电化学储能装机容量展望2025年中国电化学储能装机容量展望2024-3-254残值评估难事故危害大残值评估难事故危害大健康管理故障诊断安全预警2024-3-2552024-3-256基于数据驱动的寿命预测l难以获得真实标签：算法缺乏在线学习功能ll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l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2024-3-2572024-3-258HuX.*etal.AdvancedFaultDiagnosisforLithium-IonBatterySystems:AReviewofFaultMechanisms,FaultFeatures,andDiagnosisProcedures,IEEEIndustrialElectronicsMagazine,2024-3-2582024-3-259研究意义及挑战研究意义及挑战22332024-3-25101.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。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）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估计特征提取适用于实际应用的特征示例特征处理流程综合评分算法流程图 二 Z1Z2特征一特征量与健康状态成反比u标记平均特征最大的类中的电池为0；u其余类中标记为1。贾俊;胡晓松贾俊;胡晓松;邓忠伟*;徐华池;肖伟;韩锋;《数据驱动的锂离子电池健康状态综合评分及异常电池筛选》，机械工程学报，57(14),141-149,159，2021数月后才报数月后才报u公开数据集最终寿命与综合评分有u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u无监督学习，无需模型训练。u公开数据集最终寿命与综合评分有u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u无监督学习，无需模型训练。u针对工程应用数据，提取多维特征；u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u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”；u本算法提前数月实现了异常电池筛选。贾俊;胡晓松贾俊;胡晓松;邓忠伟*;徐华池;肖伟;韩锋;《数据驱动的锂离子电池健康状态综合评分及异常电池筛选》，机械工程学报，57(14),141-149,159，20212024-3-2513多物理场耦合模型ComputationtimeComputationtime电化学模型907560453009075604530064112176HuX*etal.,EfficientSimulationofHuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudn基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型454505C放电1C放电方程个数HuX*etal.,EfficientSimulationofHuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseud2024-3-2516HuX*etal.,Batteryhealthpredictionusingfusion-basedfeatureselectionandmachinelearning,IEEETransactionsonTransportationElectrification,7,382-398,2024-3-2516n基于随机局部充电片段的特征提取std_△Q2024-3-2517DengZ,HuX*etal.,Data-drivenbatterystateofhealthestimationbasedonrandompartialchargingdata,IEEETransactionsonPowerElectronics,37(5):5021-2024-3-2517PredictionExperimentStartpointNoisyinputPredictionExperiment正负极嵌锂范围放电容量曲线2024-3-2518XuL,HuX.*etal.Anovelhybridphysics-basedanddata-drivenapproachfordegradationtrajectorypredictioninLi-ionbatteries.IEEETransactionsonTransportationElectrification2024-3-2518n基于衰减类型识别与迁移学习的SOH估计方法通过无监督学习算法（K-means）识别基于衰减特征识别与迁移学习的SOH估计DengZDengZ,HuX*etal.,Batteryhealthestimationwithdegradationpatternrecognitionandtransferlearning.JournalofPowerSources,525:231027,2022.n基于有限标签与领域自适应的电池组SOH快速检测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SOH快速检测原理2024-3-2520Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,andJ.Zhou,"Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation,"JournalofEnergyChemistry,2024-3-2520n基于有限标签与领域自适应的电池组SOH快速检测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利用安时积分公式变换，计算电池容量，以一个月内的中值容量为分析充电数据的月份统计特征与电池容量的相关性，设计特征筛选程数据公开：20辆车，运行29个月的数据电池系统容量计算结果/TengMichael/batdata-of-on-road-electric-ve电池系统容量计算结果2024-3-2522roadvehicles.AppliedEnergy2024-3-2522利用序列对序列（Seq2Seq）模型进行未来容基于早期数据（前3个月），可以正确预测未来容量轨迹，未来26个月的预测2024-3-2523roadvehicles.AppliedEnergy2024-3-2523算法框算法框架95%ConfidenceintervalSelf-trainingbasedpredictionTDL+GPRbasedpredictionRealValueThreshold Capacity[Ah]9590关键问题:模组测试时间长，费用高，模组寿命与单目的:单体完整老化数据+电池包的早期数据Capacity[Ah]9590基于单体数据建立健康因子全寿命周期衰减模型基于单体完整数据集的健康因子实用性分析对电池包内电池单体的健康因子的老化趋势校正基于单体数据建立健康因子全寿命周期衰减模型基于单体完整数据集的健康因子实用性分析75电池单体全寿命周期完整循环数据健康因子提取75电池单体全寿命周期完整循环数据健康因子提取Capacity[Ah]105基于电池组早期数据修正健康因子衰减模型以适应各单体健康因子变化趋势电池组每个单体健康因子提取电池组早期循环完整数据1009590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利用早期数据建立单Capacity[Ah]105基于电池组早期数据修正健康因子衰减模型以适应各单体健康因子变化趋势电池组每个单体健康因子提取电池组早期循环完整数据1009590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)858075电池组估计模型建立电池单体参考模型建立模型修正过程预测过程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研究意义及挑战研究意义及挑战22332024-3-2526输入数据诊断算法故障判断输出故障1.输入数据诊断算法故障判断输出故障1.基于模型故障诊断：基于电池单体及电池组模型，借助状态估计、参数辨识等方法检测故障2.数据驱动的故障诊断：从测量数据中提取有效特征，利用信号处理、统计和机器学习算法检测故障3.多故障诊断算法及规则库：结合电池组结构、结构分析理论、残差特性等，建立多故障诊断算法框架及规则库时间电流总电压单体电压探针温度充电信息绝缘电阻阈值比较统计推断基于规则过充/放/热、内/外短路异常衰减、热失控电流/电压/温度信号偏差、漂移、卡死电池连接故障冷却系故障特征参数状态、参数统计指标执行器传感器电池阈值比较统计推断基于规则过充/放/热、内/外短路异常衰减、热失控电流/电压/温度信号偏差、漂移、卡死电池连接故障冷却系故障特征参数状态、参数统计指标执行器传感器电池云端线上大数据熵值法状态表示法线下短时数据状态估计参数估计相关系数法IC曲线分析信号处理基于模型1.云端大数据：电流、总电压、单体电压、单体/探针温度、充电信息、串并联结构、绝缘电阻，用于特征提取和故障诊断，总体数据包含正常和故障数据2.线下短时数据：电流、总电压、单体电压、单体/探针温度、标称容量，用于状态/参数估计、特征提取和故障诊断EKF:扩展卡尔曼滤波CUSUM:累积和FDI:故障检测和分离ZhangKZhangK.,HuX.*,etal.,Multi-faultDetectionandIsolationforLithium-IonBatterySystems,IEEETransactionsonPowerElectronics,37,1,971-989,2022.表格1：不同故障与观测器O1、O2的对应关系……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不同短路内阻下的IC曲线离群点检测概念图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