【微信公众号】AESA论文推荐第12期:电池建模与复合电源
发表时间:2021-03-25     阅读次数:     字体:【

☆本期分享导读:

本期论文推荐主题为电池建模与复合电源,共10篇,包括优秀论文6篇,AESA课题组优秀工作4篇。电池建模优秀论文包括:电化学模型(1)、寿命模型(2)、电热耦合模型(3);复合电源优秀论文包括:超级电容寿命预测(4)、电池/超级电容复合电源(5)、多功率源系统设计(6)。AESA优秀工作内容包括:开路电压模型(7)、外短路模型(8)、电热耦合模型(9)、多功率源系统策略设计(10)。全部阅读预计用时16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:超越阻抗模型的离散时间实现及其在球形固体扩散模型中的应用

【分类】电化学模型

【题目】Discrete-time realization of transcendental impedance models, with application to modeling spherical solid diffusion

【作者】James L. Lee, Andrew Chemistruck, Gregory L. Plett

【单位】Department of Electrical and Computer Engineering, University of Colorado Colorado Springs, Colorado Springs, CO 80918, United States

【下载地址】https://doi.org/ 10.1016/j.jpowsour.2012.01.134

【摘要】本文介绍了一种求解无限阶分布参数系统(如超越阻抗函数)的降阶离散实现算法(DRA)。与其他方法相比,DRA是一种有限时间的确定性方法,可以产生全局最优的降阶模型。在DRA中,我们使用采样保持框架和离散傅立叶逆变换来逼近离散时间脉冲响应。接下来,使用Ho–Kalman算法从离散时间脉冲响应生成状态空间实现。文中给出了两个用低阶有理多项式传递函数证明动态随机分析的例子,其中动态随机分析的解可以与已知解进行比较。第三个例子用锂离子电池固相中锂扩散的超越阻抗函数模型演示了动态响应分析,表明三阶离散时间模型可以很好地逼近这种无限阶模型行为。

【关键词】球型固体扩散;电池建模;模型降阶;超越阻抗模型;超越传递函数

【推荐理由】由于电化学模型偏微分方程形式的复杂,传递函数形式的电化学模型也是复杂的超越传递函数,如何合理的平衡精度与计算复杂度,选取超越函数的近似解是在实际应用中的主要问题。本文介绍了一种求解思路,并应用于模型中球体扩散的求解,证明了方法的可行性及阶次的选取建议。

【关键插图】

图1:例子3a的连续时间响应。

图2:例子3a的10s放电后静置10s的模拟结果。


论文二:石墨-磷酸铁锂电池的循环寿命模型

【分类】寿命模型

【题目】Cycle-life model for graphite-LiFePO4 cellsn

【作者】John Wang, Ping Liu, Jocelyn Hicks-Garner and Elena Sherman.

【单位】University of Wollongong; The British University in Egypt;

【下载地址】https://doi.org/10.1016/j.jpowsour.2010.11.134

【摘要】本文研究了磷酸铁锂电池在老化循环过程中的容量衰减并建立了循环寿命模型。建立模型所需的电池寿命数据是通过大循环试验矩阵收集的。测试矩阵包括三个参数,温度(?30至60℃)、放电深度(DOD)(90–10%)和放电速率(C速率,范围从C/2到10C,1C速率对应2A的电流)。实验结果表明,在低放电速率下,容量衰减受时间和温度的影响较大,而DOD产生的影响较小。在高放电速率下,充放电速率的影响更加显著。为建立寿命模型,我们采用了幂律方程,其中容量衰减与时间或电荷吞吐量呈幂律关系,而温度效应则由阿累尼乌斯定律来解释。当参数随放电速率变化时,这个模型可模拟绝大多数的寿命周期数据。最后,我们讨论了一个尝试建立的广义电池寿命模型,该模型考虑了Ah吞吐量(时间)、放电速率和温度。

【关键词】磷酸铁锂电池;寿命模型;电池老化;寿命周期

【推荐理由】本文为研究锂电池寿命老化的实用性较高的一篇文章。十分详细地介绍了一类锂电池寿命老化循环测试的实验构建方法,同时结合丰富的数据结果进行了相应的验证分析。方便读者快速入门并了解锂电池的寿命试验构建方法,本文内容关联当前热门的新能源寿命衰退研究,具有很高的参考价值。

【关键插图】

图1:加速循环寿命研究的试验矩阵。在每个条件下测试两个电池。测试矩阵中的数字表示电池获得的循环次数。当本文撰写完成时,以绿色突出显示的电池仍在循环,而以红色突出显示的电池已达到规定的寿命终止状态。

图2:在60℃和C/2的放电速率下的容量保有率随循环次数变化的结果。


论文三:锂离子电池大电流条件下的温升模拟

【分类】电热耦合模型

【题目】Simulation of temperature rise in Li-ion cells at very high currents

【作者】Jing Mao, William Tiedemann, John Newman*

【单位】Environmental Energy Technologies Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720, USA.

【下载地址】http://doi.org/10.1016/j.jpowsour.2014.08.033

【摘要】本文采用双箔模型模拟了MCMB/LiCoO2锂离子电池在小的恒阻负载、接近短路状态下的电化学行为和温升。在模型中加入了锂从孔中心到孔壁的径向质量传输,以更好地描述在非常高的放电电流下的电流限制。开发并分析了锂离子在不同时间穿过电池的电解质和固体表面浓度分布,以解释锂离子传输的局限性。通过改变溶液扩散系数、固相扩散系数和传热系数进行了灵敏度试验。由于扩散系数在高温下增加,计算出的放电曲线可以显示电流最初下降,然后上升到第二个峰值,而大部分可用容量在第二个峰值被消耗。本文的目的是利用热-电化学耦合双箔模型模拟锂离子电池在极高电流下的温升,从根本上了解短路试验中快速升温到120℃以上的原因。

【关键词】锂离子电池;热-电耦合模型;大电流;温升

【推荐理由】本文主要探究锂离子动力电池在大电流放电时的特性,在原电化学模型中增加了锂离子从孔中心到孔壁的径向质量传输,解决了在大电流放电时,模型计算过程中出现局部锂离子浓度降为负值的现象。采用这种修正模型模拟锂离子电池在大电流放电时的温升情况,通过改变溶液扩散系数、固相扩散系数和传热系数进行了灵敏度试验,从根本上了解短路试验中快速升温到120℃以上的原因。

【关键插图】

图1:三种数值模式下电流和温升特性与放电容量的模拟示例:用叠加法(曲线a和b,计算出更大的容量)和更精确的有限差分法(曲线c)计算出的电流和温度。

图2:(a)不同孔隙率的正极电流和温度模拟结果;(b)不同Bruggeman指数的正极电流和温度模拟结果。


论文四:基于神经网络的超级电容循环寿命早期预测

【分类】超级电容寿命预测

【题目】Engineering early prediction of supercapacitors’ cycle life using neural networks

【作者】Jiahao Ren, Xirong Lin, Jinyun Liu, Tianli Han, Zhilong Wang, Haikuo Zhang and Jinjin Li.

【单位】National Key Laboratory of Science and Technology on Micro/Nano Fabrication, Shanghai Jiao Tong University, Shanghai, 200240, China

【下载地址】https://doi.org/10.1016/j.mtener.2020.100537

【摘要】机器学习(ML)是一类可以取代如第一性原理计算和加速基础研究等基于机制的研究方法。尽管ML具有在不涉及物理/化学机制的情况下用关键描述符表示材料特性的优点,但是由于数据集的稀缺性和不规则分布,数据驱动模型的可靠性仍然是一个巨大的挑战。在这里,我们开发了几种具有不同输入特性和ML方法的模型。通过对超级电容(SCs)循环寿命早期预测的实例研究,我们发现具有合理特征的人工神经网络(ANN)可以大大缓解这两个挑战。我们生成了一个综合数据集,包括88个在不同充电策略下循环的商用SCs,循环寿命变化很大,最多可达10000个循环。基于人工神经网络模型,只需使用前16%的循环,就可以实现对SCs循环寿命的早期预测,其测试误差小于10.9%,并且这种误差可以通过数据集进一步调整。该模型适用于训练分布广泛的数据集,对复杂供应链系统的性能具有准确的早期诊断和预测能力

【关键词】机器学习;特征描述符;人工神经网络;寿命预测;数据集不规则分布

【推荐理由】本文为研究超级电容性能和可使用寿命优化的实用性较高的一篇文章。方便读者快速了解超级电容的工作原理、超级电容老化机理与寿命优化以及如何结合商用超级电容的数据,训练模型并建立数据集,以此实现精确的寿命预测,具有很高的参考价值。

【关键插图】

图1:预测超级电容性能的步骤流程。(a)制造商开发和使用超级电容。(b)超级电容性能预测的两种策略:基于机制的策略和数据驱动的策略。(c)LR模型,它只能处理集中分布的数据。(d)本文提出的人工神经网络模型,既能处理集中分布的数据,又能处理分布广泛的数据。

图2:基于线性回归的可调早期预测模型。(a)具有两个不同特征的循环数的函数的相关系数。蓝色曲线和橙色曲线分别表示以电压下降和电容为特征时的相关系数。(b)前657次循环“电压下降”相关分析的热图。(c)放电电容作为循环次数的函数,与功率函数拟合。


论文五:基于热电和老化特性的电池/超级电容混合储能系统改进模型

【分类】电池/超级电容复合电源

【题目】Improved Model of Battery/Supercapacitor Hybrid Energy Storage System Based on Thermo-Electrical and Aging Behaviors

【作者】T.Mesbahi, N. Rizoug, P. Bartholomeüs and P. Le Moigne.

【单位】Ecole Supérieure des Techniques Aéronautiques et de Construction Automobile Rue Georges Charpak BP76121, 53061 LAVAL Cedex 9 – France

【下载地址】https://doi.org/10.1049/cp.2014.0437

【摘要】储能系统是清洁汽车发展的关键。目前在汽车上有多种类型的电池。其中,锂离子电池主要用于混合动力和电动汽车。对应的能源应用技术均具有高能量密度和长寿命的优势。然而,应用高应力的技术会直接影响组件的寿命。为此,本研究将锂离子电池与超级电容器相结合,以改善电源的特性。本文建立了考虑电、热特性的混合储能系统(HESS)热电老化模型。在此背景下,将电-热模型与电池和超级电容器的老化模型相关联,以测试整个系统的运行模式。该模型可以测试和验证开发的管理策略。结果表明,该模型具有良好的性能,证实了系统的优越性。

【关键词】电动汽车;锂离子电池;电-热模型;能量管理策略;混合储能系统

【推荐理由】本文为研究复合电源能源系统(HESS)中寿命管理优化的实用性较高的一篇文章。方便读者快速了解HESS的工作原理、复合电源系统中各电源系统的老化机理和该系统如何通过结合电-热模型以及优化控制策略实现系统寿命的延长与能量的优化分配,本文内容关联当前热门的清洁能源优化储能系统话题,具有很高的参考价值。

【关键插图】

图1:HESS系统架构。

图2:热电和老化模型结合。


论文六:电动汽车电池-超级电容器储能系统的最佳尺寸和灵敏度分析

【分类】多功率源系统设计

【题目】Optimal sizing and sensitivity analysis of a battery-supercapacitor energy storage system for electric vehicles

【作者】Tao Zhu,Richard G.A. Wills,Roberto Lot

【单位】Department of Mechanical Engineering, University of Southampton

【下载地址】https://doi.org/10.1016/j.energy.2021.119851

【摘要】本文提出了一种用于电池-超级电容器混合储能系统(HESS)的带有灵敏度分析的选型方法,提出了一种优化框架来解决联合能源管理规模优化问题。选用8个车辆参数,HESS和组件作为敏感因素进行灵敏度分析。通过讨论最佳HESS大小和成本随不同因素值的变化,量化并比较了实际工程中每个因素的相对重要性。结果表明,电池退化约占HESS成本的89%;在8个敏感因素中,车辆行驶距离对HESS成本的影响最大,计算出的影响度为1.243。通过分析HESS尺寸优化中的综合因素,有望在电动汽车中提供适用于HESS各种应用场景的通用设计指南。

【关键词】电动车;混合储能系统;成本优化;大小;敏感性分析

【推荐理由】多电源混合储能系统(HESS)系统管理和成本控制具有重要意义。本文提出了一种优化框架来处理多电源系统选型和规模优化问题,量化并比较了实际工程中影响成本的多个敏感性因素的相对重要性。在实际应用中,通过细化各个敏感因素的重要性比重,能够指导实际应用中的系统成本合理性优化。

【关键插图】

图1:系统尺寸优化和对应优化方案的能量管理仿真。

图2:8个敏感因素对系统成本的影响对比。


论文七:锂离子电池开路电压模型的比较研究

【分类】开路电压模型

【题目】A Comparative Study on Open Circuit Voltage Models for Lithium?ion Batteries

【作者】Quan?Qing Yu, Rui Xiong, Le?Yi Wang and Cheng Lin

【单位】National Engineering Laboratory for Electric Vehicles, School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China

【下载地址】http://doi.org/10.1186/s10033-018-0268-8

【摘要】目前电动汽车锂离子电池荷电状态在线估计的研究主要集中在采用或改进电池模型和估计滤波器上。然而,利用安培小时计数法校正SoC的各种开路电压(OCV)模型的准确性却很少受到重视。本文对18种OCV模型进行了综合比较研究,涵盖了文献中使用的大多数模型。对典型的商用LiFePO4/石墨(LFP)和LiNiMnCoO2/石墨(NMC)电池进行了小电流OCV实验,得到了不同环境温度和老化阶段的OCV-SoC曲线。从实验OCV-SoC曲线中选取OCV和SoC点,通过matlab2013曲线拟合工具箱确定各OCV模型的参数。在此基础上,得到了基于各种OCV模型的OCV-SoC曲线拟合方法。选择实验数据与拟合数据的均方根误差指标(RMSE)来评价这些OCV模型的主要特点、优点和局限性。研究了NMC和LFP电池OCV模型对环境温度、老化阶段、数据点数和SoC区域的敏感性。此外,还讨论了这些模型对SoC估计的影响。通过对OCV模型的综合比较和分析,对NMC和LFP两种小区OCV模型的选择提出了建议

【关键词】充电状态;开路电压模型;锂离子电池;NMC;LFP

【推荐理由】电池OCV是电池的固有特性,对其描述的准确度显著影响电池建模、状态估计等方面,本文对大量OCV模型进行了比较并提出了选取建议,具有很好的参考作用。

【关键插图】

图1: 不同温度和老化阶段的实验OCV-SoC曲线:a-NMC电池,b-LFP电池。

图2: 25°C下不同模型的OCV-SoC曲线:全新NMC电池(模型1?9),全新NMC电池(模型10?18),全新LFP电池(模型1?9),全新LFP电池(模型10?18)。


论文八:基于模型的电动汽车锂离子电池外部短路故障诊断方法

【分类】外短路模型

【题目】Model-based fault diagnosis approach on external short circuit of lithium-ion battery used in electric vehicles

【作者】Zeyu Chen, Rui Xiong*, Jinpeng Tian, Xiong Shang, Jiahuan Lu

【单位】School of Mechanical Engineering and Automation, Northeastern University, Shenyang 110819, China.

【下载地址】http://doi.org/10.1016/j.apenergy.2016.10.026

【摘要】本文对锂离子电池的外短路故障特性进行了实验研究。(1) ESC过程可分为两个阶段,分析了这两个阶段的电行为和热行为。(2)采用改进的一阶RC模型,模拟了锂电池在ESC故障过程中的电行为,并采用动态邻域粒子群算法对模型参数进行重新辨识。(3)提出了一种基于两层模型的ESC故障诊断算法,第一层进行初步的故障检测,第二层进行精确的基于模型的诊断。故障诊断算法的有效性对电池SOC的精度不敏感。即使SOC估计有10%的误差,该算法仍然可以做出正确的诊断。

【关键词】锂离子电池;外短路;故障诊断;等效电路模型

【推荐理由】本文主要分析了电池发生外短路时的电行为和热行为,并将模型应用到外短路的诊断中。结果表明,改进的一阶RC模型对外短路过程有一定的可取性,并可以应用至外短路诊断中,为研究外短路建模提供一定的参考。

【关键插图】

图1:外短路过程中的温度变化:(A)温度变化,(B)温升速率变化。

图2:四种不同初始SOC电池的外短路模拟结果。


论文九:锂离子电池极速自加热中的电-热耦合特性及建模

【分类】电热耦合模型

【题目】锂离子电池极速自加热中的电-热耦合特性及建模

【作者】熊瑞 马骕骁 陈泽宇 孙逢春

【单位】北京理工大学机械与车辆学院电动车辆国家工程实验室 北京

【下载地址】http://www.cjmenet.com.cn/CN/10.3901/JME.2021.02.179

【摘要】动力电池低温工作时的严重析锂、内阻增大、可用容量骤降等难题,导致其低温应用中能量不足,性能衰退增速以及安全事故频发等问题。虽然低温加热被普遍采用,但当前低于预期的加热速率使其全气候应用受阻。本文针对锂离子动力电池:(1) 发现了电触发极速生热现象,即电触发瞬时大电流自放电特性,应用该潜力开发了间歇式极速加热系统;(2) 为研究极速生热行为,设计了系统的加热实验方法,明晰了加热频率、占空比以及初始电量对电池温升速率和安全性的影响规律;(3) 加热温升与占空比和初始电量均有明显的正相关关系,加热周期的电流是影响温升的关键因素,精确控制输出电流是极速加热策略实施的基础;(4) 建立了低温加热电化学-热耦合模型,分析了加热过程中颗粒锂离子浓度分布,结果表明:所采用的加热方法不会影响活性颗粒整体可循环锂浓度,证实了加热频率及占空比对加热效果的影响规律。

【关键词】锂离子电池;低温加热;极速加热;间歇式;安全;电化学-热耦合模型

【推荐理由】本文为电池加热建模方面提供了一种新的思路,利用外短路过程中的极速生热现象,提出了一种电触发极速自加热方法。可以帮助读者快速了解电触发加热的工作原理、优势、建模方法及尚未解决的一些问题。此外文中通过改进低温下电化学模型的边界条件及参数,能够对加热过程进行还原复现,并能对该过程中的锂离子浓度分布进行可视化。

【关键插图】

图1:开发的极速加热装置现场图。

图2:电化学-热耦合模型总览图。

图3:活性颗粒锂离子浓度分布。


论文十:基于模型预测控制的复合储能系统实时能量管理

【分类】多功率源系统策略设计

【题目】Model predictive control based real-time energy management for a hybrid energy storage system

【作者】Huan Chen; Rui Xiong; Cheng Lin; Weixiang Shen

【单位】School of Mechanical Engineering, Beijing Institute of Technology

【下载地址】https://doi.org/10.17775/CSEEJPES.2020.02180

【摘要】准确的驾驶工况预测信息对电动汽车电池/超级电容多电源储能系统能量管理性能具有积极意义。为提高车载多电源储能系统的在线性能表现,本文提出一种结合深度学习实现不同预测时域长度下的工况预测,并在模型预测控制算法框架下进行在线优化管理的能量管理方法。同时系统地评价和分析了基于模糊逻辑、模型预测控制和动态规划控制下的性能。与基于模糊逻辑的EMS相比,基于推荐方法下系统可以有效降低系统中电池的峰值功率。最后,建立了一个硬件在环测试平台,验证了推荐方法在多电源系统功率分配中的有效性。

【关键词】能量管理;复合储能系统;长短时记忆;模型预测控制;电池老化

【推荐理由】准确的驾驶工况预测信息对电动汽车电池/超级电容多电源储能系统能量管理性能具有积极意义。本文结合理想的工况信息预测算法和在线控制策略,进一步提升了车载多电源系统在线控制性能,此研究对车载多电源系统优化策略研究具有良好的指导意义。

【关键插图】

图1:多电源系统在线控制逻辑图。

图2:基于不同预测时域时MPC策略下系统能消及计算时间。


论文十一:电动汽车中磷酸铁锂电池的荷电状态估计:一种深度学习方法

【分类】SOC估计

【题目】State-of-charge estimation of LiFePO4 batteries in electric vehicles: A deep-learning enabled approach

【作者】Jinpeng Tian, Rui Xiong, Weixiang Shen, Jiahuan Lu

【单位】Department of Vehicle Engineering, School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China

【下载地址】https://doi.org/10.1016/j.apenergy.2021.116812

【摘要】荷电状态(SOC)估计对电池管理系统非常重要。为动态曲线设计的传统SOC估计方法在估计磷酸铁锂电池时存在困难,因为其开路电压特征在SOC的中间区域非常平整。本文提出了一种基于深度神经网络(DNN)的方法来估计SOC,仅用10min的充电电压和电流数据作为输入。该方法可以快速准确的估计SOC,在圈SOC范围内误差小于2.03%。因此,该方法可以用于校准安时积分法的SOC估计。我们也发现通过结合DNN和卡尔曼滤波,在随机噪声和误差毛刺下的SOC估计鲁棒性会得到提升。在明显的扰动下,该方法仍然能保持0.385%的均方根误差。此外,得益于转移学习特质,所训练的DNN能够快速适应不同情境,包括不同的老化状态、电池种类和充电倍率。与开发一个新的DNN相比,转移学习能够以更小的训练成本提供更精确的估计结果。只需微调一层预先训练好的DNN,对老化电池和不同种类电池的均方根误差就能低于3.146%和2.315%。如果微调更多层,就能实现更好的性能。

【关键词】锂离子电池;荷电状态;电动汽车;深度神经网络

【推荐理由】磷酸铁锂电池在中SOC区间开路电压非常平坦,导致其SOC估计困难。本文提出了一种基于深度学习神经网络和卡尔曼滤波结合估计磷酸铁锂电池SOC的新方法,仅用10min的充电电压和电流为输入,就可以得到非常精确的SOC估计。此外,该方法可以实现对电池不同老化状态、不同电池种类的SOC的准确估计,且不需要新训练神经网络。

【关键插图】

图1:所提SOC估计方法示意图。

图2:基于卡尔曼滤波的闭环SOC估计。

图3:(a)充电过程对磷酸铁锂电池的SOC估计结果,(b)对应误差。



上一篇:【微信公众号】AESA论文推荐第13期:电池加热与电池安全
下一篇:【微信公众号】AESA论文推荐第11期:电池SOX估计
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