【微信公众号】AESA论文推荐第23期:电池智能管理与状态估计
发表时间:2022-04-18     阅读次数:     字体:【

☆本期分享导读:

本期论文推荐主题为电池智能管理与状态估计,共10篇。电池智能管理的优秀论文包括:电池数据集获取(1)、电池智能热管理(2)、电池故障诊断(3)、析锂检测(4)、电池建模仿真(5)、电池老化模式分类(6)、电池加热(7);状态估计的优秀论文包括:电池SOH预测(8)、电池SOC和SOH估计(9)、电池寿命预测(10)。全部阅读预计用时15分钟,或按照对应标号阅读感兴趣的论文。分享知识是一种美德,如果喜欢,请把推送分享给您的同学、学生和身边可能有需要的人。

微信公众号推送


论文一:锂离子电池数据及在哪里可以找到这些数据

【分类】电池数据集获取

【题目】Lithium-ion battery data and where to find it

【作者】Goncalo dos Reis, Calum Strange, Mohit Yadav, Shawn Li

【单位】School of Mathematics, University of Edinburgh, The King’s Buildings, Edinburgh EH9 3FD, UK

【下载地址】https://doi.org/10.1016/j.egyai.2021.100081

【摘要】锂离子电池正在为基于可再生能源的世界提供动力,电池设计、建模和管理变革性发展的核心就在于数据。在这项工作中,我们总结了公共领域中与锂电池相关的数据集,我们按照实验测试的模式审查数据,特别注意测试变量和提供的数据,除了强调的工具和平台外,还回顾30多个数据集。

【关键词】锂离子电池;公开数据;电池数据;电池测试;机器学习

【推荐理由】本文主要总结了锂电池的公开数据集,给出了搜集数据的工具和平台,并对数据进行整合归纳,为后续电池设计、建模和管理应用数据集提供了参考。

【关键插图】

图1:从历史角度看现有电池数据集的分层结构。

图2:高通量循环数据集的典型图,包括测量的电流、电压和温度变化,容量、内阻、电压及温度信息等可用于老化分析。


论文二:基于相变材料的电池被动热管理系统延迟效应预测

【分类】电池智能热管理

【题目】Phase change material based passive battery thermal management system to predict delay effect

【作者】Virendra Talele, Panav Thorat, Yashodhan Gokhale, Mathew VK

【单位】Department of Mechanical Engineering, MIT School of Engineering, MIT ADT University, Pune, Maharashtra, India

【下载地址】https://doi.org/10.1016/j.est.2021.103482

【摘要】在汽车工业的现代场景中,用电动汽车替代传统燃油车,以减少碳百分比。大功率锂离子电池是电动汽车动力总成的主要动力源,但由于各种高温环境条件的自然影响,导致令人失望的车辆行驶里程显着减少,因为锂离子电池 包装涵盖了整车成本的50%到60%。为了解决这个问题,近年来对主动和被动热管理技术进行了不同类型的研究,其中被动热管理系统由于其众多的工作优势以及较低的应用成本而在近年来得到广泛发展。在本研究中,我们对60节18650锂离子电池组进行了基于相变材料的被动热管理研究,这些电池组被认为适用于汽车应用。将高功率能量密度电池浸入一层相变材料,以研究电池组抵抗阈值温度范围设定的延迟效应。用神经网络方法预测数值研究的输出场结果,其中提出了针对选定石蜡的电池组延迟效应和RT-18相变材料与其给定倍率之间的多目标优化策略。此外,在变化的倍率条件下,固定温度被视为相变材料添加和相变材料馏分率的时延函数。相关性表明,石蜡是低于60 oC的设定温限的最佳选择,因为石蜡熔化速度更快,并且可以作为增加电池温升的阻力。使用神经网络方法的线性回归模型的最佳拟合线表明时间延迟的最优拟合是所选相变材料配置上的液相馏分率的函数。在石蜡相变材料的情况下,1C倍率的延迟时间最长为 11,900秒,RT-18相变材料的1C倍率的最低延迟时间为10,000秒。

【关键词】电动汽车;电池热管理;相变材料;线性回归模型;数据预测;神经网络

【推荐理由】本文为人工智能与电池热管理相结合的前沿研究成果。使用人工神经网络的方法,预测了不同相变材料热管理的时延效应与不同参数的相关性。分析表明,液相馏分比例与时延效应有着很强的关系。通过提升时延,系统可以输出最大的能量。

【关键插图】

图1:电池组的详细几何布局。

图2:人工神经网络误差直方图。图像表明,训练、验证和测试数据间的均方值为3.05×10-7。通过训练,零误差值位于3.05×10-7,并有2500个实例实现了零误差。


论文三:基于非线性过程监测的串联电池组内部短路早期检测

【分类】故障诊断

【题目】Early detection of Internal Short Circuits in series-connected battery packsbased on nonlinear process monitoring

【作者】Michael Schmid, Jan Kleiner, Christian Endisch

【单位】Institute of Innovative Mobility, Technische Hochschule Ingolstadt, 85049 Ingolstadt, Germany

【下载地址】https://doi.org/10.1016/j.est.2021.103732

【摘要】近年来由于新材料的发展,电池的能量密度、功率密度和循环寿命得到提升,但安全性仍然是一个挑战。在电动汽车应用中,电池的热失控会导致严重的后果。热失控通常是由内部短路(ISC)引起的。本研究旨在检测早期潜伏阶段的ISCs,即在电池出现显著产热之前实现检测。为了保证检测的高灵敏度,我们采用了一种基于电池组内电池电压差异的新型数据驱动方法。利用核主成分分析(KPCA)训练非线性数据模型,并将其应用于ISCs的在线检测。通过结合多个核函数,在保持对轻微ISCs的高灵敏度的同时,实现了ISCs的快速检测和鲁棒行为。为了证明该方法在电池不一致情况下的适用性,该方法利用日历和循环老化数据进行了实验验证。与现有方法的比较表明,该方法大大缩短了检测时间。

【关键词】锂离子电池;内短路;故障诊断;电池安全

【推荐理由】本文利用串联电池的电池电压差来检测内短路。为了实现这一点,提出了一种新的基于KPCA的单体内短路检测方法。与现有方法比较,使用已有的线性PCA方法的检测时间更短。而KPCA方法对早期故障的高灵敏度是通过结合线性RBF核函数实现的。线性核函数保证了高电压差的鲁棒性。RBF核函数由于其良好的插值性能,缩短了高阻抗内短路的检测时间。

【关键插图】

图1:电池组中12个不同容量的老化锂离子电池随时间的测量电压。利用100Ω的电阻与单体10串联模拟内短路。此模拟从第17h开始。具有蓝色背景部分的数据作为训练集,其余为验证集数据。图1a显示了不同容量的老化锂离子电池本身存在的电压差异性;图1c显示了内短路发生后高SOC范围内,故障电池10(红色)的电压更低,表现出自放电行为。表明较大的电压差并不总是故障,而较小的电压差可能已经出现了内短路。

图2:KPCA方法与其他内短路检测方法在DT(检测时间)与DT0(检测时间/容量)的对比。非线性KPCA在所有情况下均显示较短的DT0。在100Ω的情况下,PCA检测的DT与IR波动法相同。然而,KPCA方法可以将DT减半,从而证实了对ISCs的高度敏感性。对于内短路程度更高的10Ω情况,KPCA方法在DT的优势消失。不过与现有方法的比较表明,PCA和KPCA监测方法的DT均显著降低。


论文四:动态放电条件下商用锂离子电池中析锂的新型无损检测方法

【分类】析锂检测

【题目】Novel non-destructive detection methods of lithium plating in commercial lithium-ion batteries under dynamic discharging conditions

【作者】Yue Pan, Dongsheng Ren, Ke Kuang, 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.jpowsour.2022.231075

【摘要】析锂是锂离子电池在低温和高充电倍率下最严重的问题之一,会导致严重的容量衰减并可能引发安全问题。因此,为了锂离子电池的安全可靠运行,需要可靠且无损的析锂检测方法。在电动汽车中,锂离子电池在动态放电条件下运行,超出了现有方法的适用范围。本文提出了适合离线和在线使用的两种析锂检测方法。基于析锂条件下放电曲线中的高压平台的析锂检测进一步扩展到动态放电条件。离线方法适用于数据平台,并有进一步与大数据分析相结合的潜力。在线方式可在放电过程中实时检测,因此可用于电池管理系统。提出了与析锂量呈正相关的特征参数,采用三种常用的商用电池进行实验,验证所提方法的有效性。

【关键词】锂离子电池;电池安全;析锂;无损检测;电动车

【推荐理由】本文提出了一种动态放电条件下析锂的无损检测方法,基于RLS和VMD算法的两种方法供在线和离线使用,定性表征析锂量的特征参数,并使用三种常用商业电池进行低温测试以验证方法。

【关键插图】

图1:放电过程的OCV和ΔOCV曲线。(a) Exp#1-1~Exp#1-4的OCV曲线。(b) Exp#2-1~Exp#2-4的OCV曲线。(c) Exp#1-1~Exp#1-4的ΔOCV曲线。(d) Exp#2-1~Exp#2-4的ΔOCV曲线。放电过程结束时OCV的差异主要是由容量差异引起的,而放电过程开始时OCV的差异是由镀锂引起的。

图2:特性参数与析锂量呈正相关。(a) 特征参数SΔOCV-T与容量衰减比曲线。(b) 特征参数ΔOCVmax与容量衰减比曲线。

图3:测试组结果。(a)离线方法的ΔIMF8结果。(b)在线方法的ΔOCV结果。(c)特征参数ΔOCVmax与容量衰减比曲线。


论文五:电动汽车用锂离子电池组设计的多物理仿真优化框架

【分类】电池建模仿真

【题目】Multiphysics simulation optimization framework for lithium-ion battery pack design for electric vehicle applications

【作者】Majid Astaneh, Jelena Andric, Lennart L?fdahl, et al.

【单位】Department of Mechanics and Maritime Sciences, Chalmers University of Technology, 412 96 G?teborg, Sweden

【下载地址】https://doi.org/10.1016/j.energy.2021.122092

【摘要】电动汽车的大规模商业化旨在开发具有更高能源效率和改进热性能的电池系统。在电池开发过程中集成基于仿真的设计优化扩展了新颖设计探索的可能性。本研究提出了一种用于电动汽车应用的锂离子(Li-ion)电池组的综合概念设计的双级多物理场仿真优化方法。在第一阶段,使用遗传算法对电池的电化学热耦合模型进行多目标优化,将电池的比能量和最高温度作为设计目标。在第二阶段,每个优化设计的电池的能量效率和热性能在电池组操作下进行评估,以考虑实际工作场景下电池组之间的相互作用。当以1.5 C放电电流运行时,由优化设计的电池单体组成的电池组,其比能量和最高温度相等,可提供最高比能量和增强的热性能。与市售电池组相比,最有利的电池组设计显示最高电池组温度降低 8%,模块间温度变化降低16.1%。这项工作中提出的设计优化方法是通用的,为未来采用不同化学和配置的电池和电池组设计提供了宝贵的知识。

【关键词】锂离子电池;电池组;多物理仿真;多目标优化;电动汽车

【推荐理由】本文运用遗传算法,对电池的电化学热耦合模型进行多目标优化,并考虑了组内电池的相互影响。文中提出了由单体电化学热耦合模型与单体间相互作用的两极物理场的仿真,以及基于遗传算法的电池单体多目标优化。所采用方法具有通用性,可为电池的成组设计优化提供参考。

【关键插图】

图1:电池多物理场仿真与系统分析框架。首先进行模型的建立与参数辨识。然后在仿真软件中进行单体电化学模型的建立,对电池的寿命及能量密度进行优化。同时,通过电池组的能量、最大温度,温度标准差、SOC等参数,进行成组性能分析。

图2:电池组内各模组间的温度偏差。(a-d)1.5C放电,(e-h)2C放电。图中B_1指接近负载终端的并联支路,B_N指远离负载终端的并联支路,B_M指在两者之间的某一个并联支路。可以看出,离负载端较近的并联支路首先通过比较大的电流,因而拥有较快的温升。而小倍率下随着放电时间的增加,各支路的温度走向均衡。


论文六:电池的快速老化模式分类与量化:深度学习建模框架

【分类】电池老化模式分类

【题目】Rapid failure mode classification and quantification in batteries: A deep learning modeling framework

【作者】Sangwook Kim, Zonggen Yi, Bor-Rong Chen, et al.

【单位】Energy Storage & Advanced Transportation Department, Idaho National Laboratory, Idaho Falls, ID, 83415

【下载地址】https://doi.org/10.1016/j.ensm.2021.07.016

【摘要】使用早期和无规律测试数据对锂离子电池中的主要老化模式进行独特、快速的识别和量化是一项重大的科学挑战。利用合成数据,深度学习技术具有巨大潜力,可以对产生不同电池老化模式的电池老化模式进行快速、稳健的分类和量化。本研究首次提出了一种基于合成数据的深度学习建模框架,用于对电池老化模式和由此产生的老化进行快速和自动分类和量化,并对该技术进行了实验验证。利用大约26,000种初始条件和老化模式的合成dQ/dV曲线,该框架将电池的主要老化模式分类为在不到100个循环内经历快速充电的电池。分类后,该框架量化了老化模式的演变,这通常与循环不一致,22 Gr/NMC532软包电池在不同充电速率(1C-9C)下测试了多达600次循环。

【关键词】锂离子电池;先进诊断与预测;深度学习;机器学习;快速充电

【推荐理由】本文提出的机器学习框架,使用不到三周的数据有效地对电池的老化模式进行了分类。合成的电池数据,减少了机器学习所需的数据量。自动分类和量化方式,推动了快速的锂离子电池的设计改进和预测方法。

【关键插图】

图1:用流程图表示使用深度学习框架识别初始电池条件、对主要老化模式进行分类和量化它们的过程。

图2:在不同倍率下对P462电池使用深度学习框架下的预测:(a)-(c)容量衰退,(d)-(f)锂损失,(g)-(i)活性物质损失。每个倍率的平均值和标准偏差分别显示在实现和阴影区域。容量和活性物质损失的实验结果显示为灰色方块。实验数据表明,容量衰退的变化在较大倍率下会有更大的波动,但深度学习框架仍然能使析锂和容量衰减的观测值在合理的范围内。


论文七:处于低温环境中高频交流激励下锂离子电池的热特性研究

【分类】电池加热

【题目】Thermal Characteristics Investigation of Lithium-Ion Battery Under High-Frequency AC Excitation in Low-Temperature Environment

【作者】Zhongxiaobang Hu, Yang Li, Furong Liu, et al.

【单位】School of Automation, Wuhan University of Technology, Wuhan 430070, China

【下载地址】https://doi.org/10.1109/TTE.2021.3113945

【摘要】在低温环境下工作时,锂离子电池的功率容量和充电/放电容量会迅速衰减。因此,在纯电动汽车正常运行之前,必须对锂离子电池进行预加热。高频交流加热方法有利于实现加热结构的小型化和轻量化设计。在本文中,使用自热电路拓扑结构研究锂离子电池在低温和高频交流激励下的特性。采用改进的发热模型全面分析了高频交流激励下锂离子电池的热行为。 实验结果表明,在高频交流激励下,电化学反应产生的热量对自发热率有显着影响,发热率与电流频率和均方根(RMS)值呈正相关。具体而言,当电流频率为90kHz且RMS值为3.51A或1.17C时,通过实验和数值模拟验证,2.9Ah的18650锂离子电池可以在7.33分钟内从-20°C加热到5°C,平均电化学发热为2.962W。

【关键词】电动汽车;高频交流加热;锂离子电池;低温;热特性

【推荐理由】本文对低温状态下锂离子电池高频交流加热方法进行研究,设计了动力电池高频自加热方案,使用高频交流加热生热模型全面分析了高频交流激励下锂离子电池的热特性,对读者进行电池低温交流加热方法的设计与优化具有一定的指导意义。

【关键插图】

图1:H桥加热电流的工作模式(a) 模式 1(b) 模式 2。

图2:针对18650锂离子电池的加热试验平台。

图3:环境温度为-20℃时不同开关频率的加热结果。可以看出对于相同的交流加热电流有效值,可以通过提高开关频率的方法来提高加热速度。


论文八:一种基于部分充电曲线和健康特征融合的锂离子电池剩余容量估计方法

【分类】电池SOH预测

【题目】A remaining capacity estimation approach of lithium-ion batteries based on partial charging curve and health feature fusion

【作者】Lingfeng Fan , Ping Wang , Ze Cheng

【单位】School of Electrical and Information Engineering, Tianjin University, Tianjin 300072, China

【下载地址】https://doi.org/10.1016/j.est.2021.103115

【摘要】锂离子电池的健康状态监测对于保障储能系统的可靠性和安全性起着至关重要的作用。然而,电池的健康状态很难直接测量,对复杂的应用场景敏感,并且与电池内部的物理化学特性有关。本文提出了一种基于部分充电曲线和健康特征融合的锂离子电池剩余容量预测技术。在这里,从部分充电曲线中提取健康特征,并通过典型相关分析获得融合的健康特征,用于提高特征相关性并降低数据维度。通过高斯过程回归建立电池老化模型,并对来自美国国家航空航天局(NASA)和牛津大学的六个电池数据集进行验证。结果表明,该方法可以实现可靠、准确的电池容量估计。

【关键词】锂离子电池;健康特征;健康状态;高斯过程回归

【推荐理由】该论文提出了一种基于部分充电曲线和健康特征融合的锂离子电池剩余容量估计方法。CCHFs和CVHFs分别从部分充电曲线的CC阶段和CV阶段提取。然后,采用CCA方法降低数据维数,提高HFs的关联度。利用与容量高度相关的FHF建立了基于GPR的老化模型,该模型可以准确估计电池的健康状态。对来自NASA电池老化数据集和牛津电池退化数据集的六个电池数据集进行验证。结果表明,该方法在不同条件下对电池容量估计具有较高的精度和鲁棒性。

【关键插图】

图1:B0005和Cell 1的充电曲线。

图2:容量估算流程图。


论文九:机器学习应用于电动汽车电池充电状态和健康状态估计:最先进

【分类】电池SOC和SOH估计

【题目】Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health Estimation: State-of-the-Art

【作者】Carlos Vidal, Pawel Malysz, Phillip Kollmeyer, Ali Emadi

【单位】McMaster Automotive Resource Centre (MARC), McMaster University, Hamilton, ON L8P 0A6, Canada

【下载地址】https://doi.org/10.1109/ACCESS.2020.2980961

【摘要】对人工智能和机器学习 (ML) 日益增长的关注以及近期的突破积极促进了对电动汽车电池状态估计新方法的研究和开发。由于电池数据的可用性和计算能力的提高,数据驱动的方法(例如 ML)在估计充电状态 (SOC) 和健康状态 (SOH) 方面变得越来越流行。本文概述了基于 ML 方法的电池状态估计方法,例如前馈神经网络 (FNN)、递归神经网络 (RNN)、支持向量机 (SVM)、径向基函数 (RBF) 和汉明网络。主要在在数据质量、输入和输出、测试条件、电池类型和规定的准确性方面对各种方法进行比较,以便读者更全面地了解 SOC 和 SOH 估计的 ML 环境。此外,为了深入了解如何通过比较不同的神经网络结构来获得最佳方法,使用FNN 和长短期记忆 (LSTM) RNN分别对数据训练了50次,每次3000个epoch。由于可训练参数的随机初始值,每次训练的误差都会有所不同,这表明多次训练网络以获得最佳结果很重要。此外,建议在对本文中介绍的估计技术进行比较时,比较的网络应具有相似数量的可学习参数,并使用相同的数据进行训练和测试。否则,很难对给定估计技术的质量做出一般性结论。

【关键词】机器学习;人工智能;深度学习;电池管理系统 (BMS);电动汽车;充电状态;健康状态

【推荐理由】本文对机器学习方法以及电池估计方法进行了概述,并对不同神经网络结构进行对比,有助于帮助读者更好的理解SOC和SOH估计时的机器学习环境,对进行相关研究具有一定的指导意义。

【关键插图】

图1:SOC估计误差,按方法和数据类型分类。

图2:用于估计SOH的稀疏贝叶斯预测建模(SBPM)图。


论文十:基于深度学习的电池退化轨迹直接预测

【分类】电池寿命预测

【题目】One-shot battery degradation trajectory prediction with deep learning

【作者】Weihan Li, Neil Sengupta, Philipp Dechent, David Howey, et al

【单位】Chair for Electrochemical Energy Conversion and Storage Systems, Institute for Power Electronics and Electrical Drives (ISEA), RWTH Aachen University, Jagerstra?e 17-19, 52066, Aachen, Germany

【下载地址】https://doi.org/10.1016/j.jpowsour.2021.230024

【摘要】电池老化轨迹取决于内部多种复杂的电化学过程,加之制造过程和使用工况的差异,使电池寿命预测极具挑战性。本文我们引入了一种基于深度学习的电池健康预测方法,无需进行特征提取,即可直接预测未来的退化轨迹。此外,我们还预测了电池的寿命终点和拐点。该模型成功学习到制造差异引起的内在变异性,并能够从100个周期的数据中对特定电池进行准确预测。随着可用数据增多,模型性能进一步提高。在嵌入式设备中的验证结果表明,寿命预测的中值误差为1.1%,噪声数据误差为1.3%。与最先进的方法相比,本文所提方法精度和计算速度都提高了15倍。这项工作进一步凸显了数据驱动方法在健康预测领域的有效性。

【关键词】锂离子;电池;退化;深度学习;预测;拐点

【推荐理由】本文使用编码解码器深度神经网络直接预测未来容量衰退轨迹,而避免了容量迭代预测和特征提取,仅利用100周期的历史数据,便取得了较高精度。本文还预测了寿命终点和容量拐点,并在嵌入式平台上进行了算法验证。此外,本文提及数字孪生框架,并提出了复杂算法如何在云平台与边侧设备中协同运行思路。值得一提的是,本文公开了数据及代码。

【关键插图】

图1:(a)提出的电池容量退化在线预测框架。框架的三个主要部分是:训练数据的收集,云模型训练,以及模型在电池第一和第二生命周期的运行。(b)模型的输入选择和随时间增加输入窗口的方法。(c)序列到序列神经网络(编码解码器)的总体结构。

图2:(a)处理器在环测试流程;(b)两种类型的模型评估测试,即在数据中加入噪声进行老化轨迹预测和在处理器中加入噪声进行老化轨迹预测。

上一篇:【微信公众号】AESA论文推荐第24期:人工智能在电池储能寿命预测中的应用
下一篇:【微信公众号】AESA论文推荐第22期:状态估计与故障诊断
0
联系地址:北京市海淀区中关村南大街5号北京理工大学   Copyright  ©  2020-   先进储能科学与应用课题组  All Rights Reserved.网站地图
友情链接: 新能源与智能载运期刊    北京理工大学    ICEIV2022会议    机械与车辆学院    机械工程学报    Applied Energy期刊