论文一：基于长短时记忆神经网络的锂离子电池荷电状态和能量状态估计

【分类】电池SOE预测

【题目】State of Charge and State of Energy Estimation for Lithium-Ion Batteries Based on a Long Short-Term Memory Neural Network

【作者】L. Ma, C. Hu, F. Cheng

【单位】School of Mechanical Engineering, Ningxia University, Yinchuan, 750000, China

【下载地址】https://doi.org/10.1016/j.est.2021.102440

【摘要】荷电状态(SOC)和能量状态(SOE)是电池的两种关键状态，分别对应于Ah中的可用容量和Wh中的可用能量。这两种状态在电池管理中都起着至关重要的作用，但对这两种状态的联合估计却鲜有研究。本文研究了一种基于长短期记忆(LSTM)深度神经网络的数据驱动方法，该方法可以同时估计SOC和SOE。在不同的工作条件下(如不同的温度、不同的电池材料和噪声干扰)，对该算法进行了两次动态驱动循环的验证。在固定温度条件下，SOC和SOE的平均绝对误差(MAE)分别为0.91%和1.09%，不同电池的平均绝对误差(MAE)分别为0.63%和0.64%，噪声干扰下的平均绝对误差(MAE)分别为1.32%和1.19%。研究了计算量和网络设置。并与支持向量回归(SVR)、随机森林(RF)和简单递归神经网络(simple RNN)等常用算法进行了比较。结果表明，该方法具有较高的精度和鲁棒性。本研究提供了一种利用深度学习方法进行电池多状态估计的新方法。

【关键词】充电状态；能量状态；电池管理；数据驱动方法；长短期记忆

【推荐理由】该论文提出了一种基于LSTM的网络，可以同时估计锂离子电池的SOC和SOE。首先该论文采用的深度学习算法优于传统的基于模型的方法，如KFs，以及传统的机器学习方法，如SVR和RF。深度学习算法直接将输入映射到输出，因此不需要像基于模型方法那样进行复杂的计算。由于该模型是通过提取大量数据训练过程中的特征建立。因此对于锂离子电池复杂的动态特性，该模型非常适合于处理输入和输出之间的非线性关系的深度学习算法。

【关键插图】

图1：LSTM的架构。X_t和h_t分别为输入数据层和隐藏层数据。X_m和h_m分别表示最后输入层和隐藏层。W_f、W_i、W_c和W_o分别是遗忘门、输入门、记忆单元和输出门的权重。σ和η都是激活函数。

图2：基于LSTM和稠密层的模型结构。x_1, x_2,…x_m是时间步1,2,…,m的输入值，m.c和h分别是前一个时间步的记忆门和隐藏数据层。通常，c_0和h_0被设置为0。

图3：SOC和SOE的实际值和估计值，以及0℃条件下不同驱动周期下的估计误差：(a)UDDS,(b)NN。

论文二：一种基于粒子滤波和扩展卡尔曼滤波的锂离子电池能量状态估计方法

【分类】电池SOE预测

【题目】A novel method for state of energy estimation of lithium-ion batteries using particle filter and extended Kalman filter

【作者】Xin Lai, Yunfeng Huang, Xuebing Han, et al.

【单位】College of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai, China

【下载地址】https://doi.org/10.1016/J.EST.2021.103269

【摘要】锂离子电池的能量状态(SOE)估算是电动汽车电池管理系统的核心功能之一。为了提高SOE估计的准确性和鲁棒性，提出了一种基于粒子滤波(PF)和扩展卡尔曼滤波(EKF)的SOE估计方法，该方法对不确定的总可用能量损失和环境温度不敏感。首先建立电池模型，然后对整个SOE范围内不同温度下的模型参数进行辨识。其次，采用PF算法估计SOE，采用EKF算法在线更新总可用能量。最后，通过动态实验验证了SOE方法的有效性。实验结果表明，在0、25和40℃的动态应力测试条件下，采用PF-EKF算法估计SOE的最大误差小于3%。而且，即使存在较大的初始SOE和总可用能量误差，该算法的SOE估计也能快速收敛到参考轨迹，具有较高的精度和鲁棒性。

【关键词】锂离子电池；能量状态；粒子滤波；扩展卡尔曼滤波；电动汽车

【推荐理由】锂电池的SOE是电动汽车能源管理和优化的关键指标。这关系到电池运行的安全性、可靠性和经济性。但是SOE的精度容易受到温度和电池老化的影响。该论文提出了一种新的SOE估计方法，该方法在不同温度，全SOE区间下效果都不错。首先对全SOE范围内不同温度下的模型参数进行识别和优化，确定SOE - OCV曲线；随后通过PF - EKF算法来估计动态条件下不同温度下的SOE，其中PF用于估计SOE，EKF用于实时更新总可用能量。该方法不受初始总可用能量误差的影响，因此在不同温度条件下，该方法仍具有良好的估计精度和鲁棒性。最后通过实验验证了算法的准确性和鲁棒性。

【关键插图】

图1：总可用能量测试：(a)不同放电速率下的测试结果；(b)不同温度下的测试结果。

图2：PF-EKF算法流程图。

论文三：基于未来工况预测的电池剩余放电能量估计

【分类】电池SOE预测

【题目】Battery remaining discharge energy estimation based on prediction of future operating conditions

【作者】Dongsheng Ren; Languang Lu; et al.

【单位】State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, China

【下载地址】https://doi.org/10.1016/j.est.2019.100836

【摘要】电池剩余放电能量对纯电动汽车的剩余续驶里程有显着影响；因此，它需要精确的估计。本文介绍了一种基于对未来运行条件的准确预测的电池剩余放电能量估计的新方法。在所提出的电池剩余放电能量估计算法中，首先根据历史数据预测电池未来的功率输出和温度变化率。使用递归最小二乘算法确定参数的等效电路模型用于模拟电池电压响应。然后基于对未来放电过程中电池状态（包括充电状态、温度、电池模型参数变化和电压响应）的迭代预测来估计电池剩余放电能量。基于预测的剩余放电能量估计方法的性能在动态电流和温度条件下得到验证。结果表明，所提出的方法可以保证动态工作条件下电池剩余放电能量估计的理想准确性和鲁棒性，展现出其在实际应用中的潜力。

【关键词】锂离子电池；剩余放电能量；未来工况预测；电动汽车；储能

【推荐理由】该论文提出了一种考虑电池未来运行条件影响的基于预测的E_RDE估计方法。根据预测的未来电力需求和温度速率，对未来放电过程中的电池状态进行迭代预测，包括未来温度、电池模型参数变化和电压响应。然后从当前时间点t到预测的放电终点t_lim累积E_RDE。通过在恒定和动态温度条件下的FUDS 测试验证了所提出的E_RDE估计的性能。

【关键插图】

图1：电池剩余可用能量估计算法示意图。

图2：在未来温度预测中使用不同加权系数w_T的动态温度条件下的E_RDE估计结果。(a) E_RDE估计结果；(b)E_RDE估计误差。

论文四：超声脉冲作为状态估计的前兆对锂离子电池响应的测量和建模

【分类】电池SOC估计

【题目】Measurements and modelling of the response of an ultrasonic pulse to a lithium-ion battery as a precursor for state of charge estimation

【作者】R.J. Copley，D. Cumming，Y. Wu，R.S. Dwyer-Joyce

【单位】Leonardo Centre for Tribology, Department of Mechanical Engineering, University of Sheffield, Sheffield, UK

【下载地址】https://doi.org/10.1016/j.est.2021.102406

【摘要】锂离子电池在充电和放电循环中其内部状态会发生改变，并且充电状态在充电循环期间会发生变化，这取决于部件的内部结构，这些部件可能会随着使用而退化。充电状态的估计通常由依赖于充电计数和电池电压测量的电池管理系统执行，但是对于电池组物理状态的确定是具有挑战性的。最近，超声波脉冲对电池的响应已成功与充电状态和健康状态的变化相关联，该方法的质量已得到充分证实。本研究通过调查超声波通过分层电池结构中的组件时的行为，评估超声波信号响应中包含的信息。目前已经开发了一个模型来理解超声响应的性质以及提供特定特征，由于两个相同的电池可以产生非常不同的超声波响应，所以这项技术是十分有用的。进行详细的数据分析，以找出哪种数据组合与充电状态的相关性最强，并指导有关未来使用超声波监测电池的决策。最后，开发了一种智能峰值选择方法，以确保无论超声波响应的性质如何，通过识别具有最佳电池充电相关性的信号区域来优化充电状态测量，这对基于传感器的电池管理系统的过程自动化有很大帮助。

【关键词】锂离子电池；超声波传感；荷电状态

【推荐理由】本文通过介绍超声信号在锂离子电池中所发生的穿透以及反射现象，将所测量得到的波形进行分析，通过采用智能峰值选择算法，对每一个峰值进行分析比较，以选择与电池相关性和电池容量相关性最高的波峰来进行状态估计的优化处理，改变了之前所采用的包络的形式，并且比较了不同时域信号之间与电池容量的相关性，对于超声在电池状态估计的研究上具有指导意义。

【关键插图】

图1：分析流程图。

图2：（a）使用蓄电池容量作为蓄电池充电状态的测量值；（b）使用蓄电池电压作为充电状态的测量值。

图3：信号重要性系数计算。

论文五：基于充电曲线估计锂离子电池健康状态的高斯过程回归模型

【分类】电池SOH估计

【题目】A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve

【作者】Duo Yang, Xu Zhang, Rui Pan, Yujie Wang, Zonghai Chen

【单位】Department of Automation, University of Science and Technology of China, Hefei, PR China

【下载地址】https://doi.org/10.1016/j.jpowsour.2018.03.015

【摘要】健康状态(SOH)估计始终是锂离子电池的关键问题。为了提供准确可靠的SOH估计，本文提出了一种基于充电曲线的新型高斯过程回归（GPR）模型。与其他通常通过循环寿命估计SOH的研究不同，在这项工作中，从充电曲线中提取的四个特定参数被用作GPR模型的输入，而不是循环次数。这些参数可以从不同角度反映电池老化现象。应用灰色关联分析方法分析所选特征与SOH之间的关联等级。另一方面，在提议的GPR模型中进行了一些调整。修改协方差函数设计和输入变量的相似性度量，提高SOH估计精度，适应多维输入情况。来自NASA数据库的几个老化数据用于证明所提出方法的估计效果。结果表明，该方法具有较高的SOH估计精度。此外，使用具有动态放电曲线的电池来验证该方法的稳健性和可靠性。

【关键词】高斯过程回归；充电曲线；锂离子电池；健康状态

【推荐理由】本文提出了一种高斯过程回归模型用SOH估计，从充电曲线中提取四个特征量作为模型输入，使用灰色关联分析法分析特征的关联度。

【关键插图】

图1：电池容量衰退曲线。

图2：（a）不同老化次数下的充电曲线；（b）充电曲线的特征选择。

图3：所选特征量随实验循环次数的变化。

论文六：使用循环神经网络的锂电池充电状态和健康状态估计

【分类】电池SOH估计

【题目】State of Charge and State of Health Estimation for Lithium Batteries Using Recurrent Neural Networks

【作者】Hicham Chaoui

【单位】Senior Member, IEEE, and Chinemerem Christopher Ibe-Ekeocha

【下载地址】https://doi.org/10.1109/TVT.2017.2715333

【摘要】本文介绍了动态驱动循环网络(DDRN)在在线电动汽车(EV)电池分析中的应用。在本文中，DDRN的具有外生输入的非线性自回归(NARX)架构被设计用于电池荷电状态(SOC)和健康状态(SOH)估计。与其他技术不同，这种估计策略受制于全局反馈定理(GFT)，该定理在保持合理简单性的同时增加了计算智能和鲁棒性。所提出的技术不需要模型或电池内部参数的知识，而是使用电池的电压、充电、放电电流和环境温度变化来同时准确估计电池的SOC和SOH。使用两种不同的电池，即磷酸铁锂(LiFePO4)和钛酸锂(LTO)，对所提出的方法进行了实验评估，这两种电池均受到动态充电和放电电流曲线以及环境温度变化的影响。结果突出了该方法对电池非线性动态特性、滞后、老化、动态电流分布和参数不确定性的鲁棒性。该方法的简单性和鲁棒性使其适用于电动汽车的电池管理系统（BMS）并有效。

【关键词】老化；电池；寿命估计；神经网络；荷电状态；健康状态

【推荐理由】本文提出了一种适用于电动汽车电池管理系统的电池荷电状态和健康状态的神经网络估计方法。

【关键插图】

图1：SOC和SOH估计思路。

图2：实验结果：使用DDRN的SOH估计结果，a：LiPO4，b：LTO。

论文七：用于锂离子电池电极级别状态估计的物理信息神经网络

【分类】混合状态估计

【题目】Physics-informed neural networks for electrode-level state estimation in lithium-ion batteries

【作者】Weihan Li, Jiawei Zhang, et al.

【单位】Electrochemical Energy Conversion and Storage Systems, Institute for Power Electronics and Electrical Drives (ISEA), RWTH Aachen University, Aachen, Germany

【下载地址】https://doi.org/10.1016/j.jpowsour.2021.230034

【摘要】准确估计锂离子电池的内部状态对于提高电池系统的可靠性和耐用性至关重要。 数据驱动的方法在以低计算成本精确捕获电和热电池动力学方面表现出巨大的潜力。然而，由于传统传感器无法测量电极级别的状态,在准确和低成本的数据采集方面仍然存在挑战。本文提出了一种锂离子电池的混合状态估计方法，该方法集成了基于物理和机器学习的模型，以利用它们各自的优势。建立并实验验证了一种电化学-热耦合模型，该模型用于在包括各种负载曲线和温度的综合条件矩阵下生成大量数据，即电压、电流、温度和内部电化学状态。这些数据用于训练深度神经网络，以估计电极和电解质在不同空间位置的内部浓度和电位。结果表明，所提出的方法能够弥合空间、时间和化学复杂性，并且在新环境温度下所有估计状态的最大误差达到2.93%，表明具有高可靠性和泛化能力，对输入噪声具有稳健的鲁棒性，并且优于正常和噪声条件下的一维网络。

【关键词】锂离子；电池；机器学习；神经网络；物理信息

【推荐理由】本文建立了一种电化学-热耦合模型，并基于该模型以及综合条件矩阵生成数据表征内部电化学状态，训练神经网络，达到电极级别状态估计的效果。本文集合了物理模型和数据模型的优点，优化了状态估计的过程，并达到了较高的精度与鲁棒性。

【关键插图】

图1：结合物理模型和神经网络模型估计锂离子电池内部电化学状态的结构。

图2：噪声环境中，在全球统一轻型车辆测试程序1（WLTP1）测试曲线下25 ℃的阳极边界控制体积下的浓度估计结果和绝对误差：（a）电极平均浓度，（b）电极表面浓度，（c）电解质浓度，（d）电极电位，（e）电解质电位，和 (f) 锂电镀过电位。由估计结果和绝对误差可以看出，所建立模型具有较强的鲁棒性。

论文八：基于图的锂离子电池组故障检测

【分类】电池组故障检测

【题目】Fault detection of lithium-ion battery packs with a graph-based method

【作者】Guijun Ma , Songpei Xu, Cheng Cheng

【单位】School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China

【下载地址】https://doi.org/10.1016/j.est.2021.103209

【摘要】锂离子电池组的快速故障检测对于电动车辆至关重要。在以前的文献中，交错电压测量拓扑结构通常用于采集锂离子电池组中每个单体的工作电压。然而，以往的研究忽略了电压传感器布置的结构信息，导致锂离子电池组故障检测存在较大的时间延迟。为了解决以上的问题,此项工作提出了一个基于图的自动编码器,使用电压传感器的图数据来加强传统自动编码器的重构能力,并结合电压重构错误与特定的检测策略来识别三种常见故障类型以及其在电池组的位置。结果表明，三种故障类型的AUC均值均在88%以上，相对检测时间均值分别为1.5s、11s和0.1s，均优于现有方法。通过对混合故障的识别验证了该方法的有效性，结果表明该方法对锂离子电池组的故障检测是可靠和快速的。

【关键词】故障诊断；锂离子电池组；基于图的自动编码器；诊断策略

【推荐理由】本文针对锂离子电池组的三种故障(传感器故障、连接故障和外部短路故障)，提出了一种基于图的方法来定位异常电压传感器，并检测锂离子电池组的故障类型。具体来说，基于图的方法利用深度自编码器和电压传感器之间的结构信息对电压数据进行重构，并结合特定的检测策略快速检测故障信号。

【关键插图】

图1：基于图的自动编码器示意图。通过优化特征损失与结构损失，使用正常信号X_train和拓扑结构的邻接矩阵A来进行模型训练。X_train和邻接矩阵 A输入到网络中以获得潜在表示和重构输出。对于异常检测任务，网络使用正常样本进行训练以学习正常模式，因此训练后的网络对异常样本很敏感，导致对异常信号的重构失败。因此，可以利用原始信号和重构信号之间的差异来检测故障信号。

图2：两个混合故障实验中的电压数据。（a）混合模式A由连接故障（0 s-700 s）和V8粘连电压故障（200 s-500 s）组成。（b）混合模式B由连接故障、V8粘连电压故障和V1的突变偏差故障（200 s-500 s）组成。我们方法的RDT（相对检测时间）见下表，针对两个混合故障获得了及时的检测结果，表明我们的方法可以同时检测到多个混合在一起的锂离子电池组故障。

论文九：数据驱动的锂离子电池安全风险预测

【分类】安全风险预测

【题目】Data-Driven Safety Risk Prediction of Lithium-Ion Battery

【作者】Yikai Jia, Jiani Li, Chunhao Yuan

【单位】Department of Mechanical Engineering and Engineering Science, The University of North Carolina at Charlotte Charlotte, USA

【下载地址】https://doi.org/10.1002/aenm.202003868

【摘要】由于难以避免的安全问题，导致电池工程师在电池系统设计上更趋向保守。然而，与电池有关的安全事故仍然经常出现在头条新闻中。理解、识别和预测安全风险已经成为进一步加快技术和行业发展的重点。然而，研究电池在不同的加载场景、不同的应力诱导短路机制以及机械-电化学高度耦合的安全行为仍然是一个巨大的挑战。在此文章中，安全风险被称为内部短路机械触发的概率，以反映锂离子电池的安全相关行为。基于力学模型和实验结果，获得了包含应变状态和相应安全风险的数据集，涵盖了柱状和袋状电池、各种电荷状态和加载条件。将机器学习工具与建立的有限元力学模型相结合，对电池的安全风险进行预测。结果表明，该方法对试验数据具有较高的精度(平均短路预测偏差的相对误差小于6.2%)。这项工作巩固了安全风险概念，并展现了物理结合数据驱动建模方法预测储能系统安全行为的前景。

【关键词】数据驱动；锂离子电池；安全风险；诊断策略

【推荐理由】文章介绍了一种基于先验数值模拟的数据驱动建模来预测锂离子电池机械应力诱导内部短路安全的新方法，可显著减少安全实验的时间和成本。

【关键插图】

图1： 安全风险预测包括离线和在线过程：在离线过程中，生成数据集，并建立数据驱动的安全风险预测模型。在线过程中，将边界条件和加载位移输入到力学模型中。在对有限元模型进行计算和数据处理后，计算出应变状态向量X_p，并将其输入安全风险预测模型。然后模型将返回安全风险Y_p。

图2：直接比较SVR模型和基于莫尔-库仑(MC)失效准则的纯力学模型在预测内短路故障的性能表现。（a）确定断裂准则线。（b）MC判据不能很好地同时预测所有情况下的内部短路位置。3种预测情况下MC准则的相对误差在10.1 ~ 35.2%之间，验证情况下MC准则的相对误差达到36.2%。而SVR不仅能很好地拟合训练案例，还能对未知测试案例提供令人满意的预测。预测案例的相对误差为2.5 ~ 4.3%，验证案例的相对误差为0%。这些直接比较的结果显示了文章提出模型的优越性。

论文十：极快速充电过程中析锂检测的关键电化学标志物的灵敏度和可靠性

【分类】析锂检测

【题目】Sensitivity and reliability of key electrochemical markers for detecting lithium plating during extreme fast charging

【作者】Parameswara R. Chinnam, Tanvir R. Tanim, et al.

【单位】Energy Storage & Electric Transportation Department, Idaho National Laboratory, United States

【下载地址】https://doi.org/10.1016/j.est.2021.103782

【摘要】析锂是在石墨基锂离子电池中实现极快速充电（XFC，≤10-15分钟，≥6C）的关键挑战之一，大量的研发工作集中在如何减轻析锂。同时，各学者也在致力于开发检测快速充电过程中是否发生析锂的方法。在这方面，从最终用户应用的角度来看，基于电化学（EC）特征的检测技术资源更少、更方便且更实用。然而，目前无法全面了解极快速充电析锂相关的关键EC特征，特别是与析锂相关的关键EC特征存在明显的不可靠性问题，例如在XFC条件下，增量容量（dQ.dV^-1）、差分OCV（dOCV.dt^-1）、锂化结束（EOL）搁置电压，其根本原因尚未被系统地探索和识别。本文在锂/石墨半电池的XFC条件下使用综合测试矩阵，重点介绍了与EC析锂诊断相关的不可靠性问题，并解释了根本原因。该研究发现与析锂相关的dQ.dV^-1、dOCV.dt^-1和与充电倍率相关的EOL搁置电压特征存在明显的灵敏度和不可靠性问题。在不同的充电速率下，石墨和析锂之间通过多种竞争机制(锂剥离和化学插层)发生复杂的相互作用，这是灵敏度和不可靠性问题的核心。

【关键词】锂离子电池；极快速充电；电化学析锂；电池安全

【推荐理由】本文在极快速充电下的执行综合测试矩阵，测试矩阵包括不同析锂场景和循环条件下的不同电化学析锂检测特征，包括1C-6C充电倍率，20%-110%SOC，有搁置和没有搁置，不同循环老化，阐明了检测析锂电化学特征的行为，并解释了不可靠性的根本原因。

【关键插图】

图1：（A）库仑效率，1C充电110%SOC后无搁置，然后C/5放电（B）dQ.dV^-1曲线，1C充电110% SOC后无搁置，然后C/5放电。箭头指向低于0.1V的锂剥离峰 （C）dQ.dV^-1曲线，1C充电至110%SOC （D）可逆和不可逆锂容量，1C充电110%SOC后无搁置，然后C/5放电。

图2：（A）库伦效率，6C充电至60%SOC后搁置30分钟，然后C/5放电（B）差分OCV，6C充电至60%SOC（电池1）（C）差分OCV，6C充电至60%SOC（电池2）（D）库伦效率，6C充电至40%SOC后搁置30分钟，然后C/5放电（E）差分OCV，6C充电至40%SOC（电池1）（F）差分OCV，6C充电至40%SOC（电池2）。箭头显示了混合相和双平台特征。