论文一：基于半监督迁移成分分析的锂离子电池健康状态估计

【分类】电池健康状态估计

【题目】State-of-health estimation of lithium-ion batteries based on semi-supervised transfer component analysis

【作者】Yuanyuan Li, Yuhua Cheng, Remus Teodorescu

【单位】School of Automation Engineering, University of Electronic Science and Technology of China, Chengdu;Department of Energy Technology Aalborg University, Aalborg, Denmark

【下载地址】https://doi.org/10.1016/j.apenergy.2020.115504

【摘要】准确的健康状态估计是保证锂离子电池在应用中安全可靠运行的关键。但是，大多数健康状况估算方法都离不开大量的已知电池健康状态的实验室老化数据。由于在实验室条件下获取电池老化数据需要花费大量时间，并且会产生高昂的经济成本，因此，本文提出了一种基于迁移学习的方法来监测电池的健康状况。首先使用了一种基于最大平均差异的数据处理方法，以消除冗余信息并最小化不同数据分布之间的差异。然后，使用互信息来证明处理的数据之间的相关性不会降低。为了验证提出的迁移学习方法，考虑了在不同工作条件下四个电池的数据集。利用不同的检错方法，最大平均误差，均方误差和均方根误差来评估所提出的模型。在训练集仅占整个集合的35％的情况下，结合半监督迁移成分分析算法实现了2.5％误差以内的健康状态估计。结果表明，迁移学习提高了电池健康状态的估计准确性。

【关键词】锂离子电池；迁移学习；迁移成分分析；相互信息；健康状况评估；半监督学习

【推荐理由】传统SOH估计算法的开发离不开费时费力的电池标定实验，如今电池更新换代频繁使得这一缺点更加突出。为解决上述问题，该论文试图仅利用数据集的前35％来训练模型，以实现电池全生命周期的SOH估计，从而达到提高算法实用性、减少电池实验的目的。

【代表性插图】

图1 SOH估计算法实现框架

图5 数据集的可视化(a)电池的充电曲线;(b)电池的放电曲线;(c)电池的IC曲线;(d)电池样本熵;(e)电池的健康特征

图13 不同模型算法的误差和可决系数(a) 最大平均误差结果;(b) 均方误差结果;(c) 均方根误差结果;(d)可决系数

论文二：锂离子电池快速充电面临的挑战与对策

【分类】电池老化与快充

【题目】Challenges and Strategies for Fast Charge of Li-Ion Batteries

【作者】Zhang, Sheng S.

【单位】Battery Science Branch, FCDD-RLS-DC, Sensors and Electron Devices Directorate, U.S. Army Research Laboratory 2800 Powder Mill Road, Adelphi, MD 20783-1138, USA

【下载地址】https://doi.org/10.1002/celc.202000650

【摘要】锂离子电池充电时间过长是电动汽车面临的一个关键问题，特别是与传统内燃机汽车的快速加油相比。快速充电会加速锂离子电池的性能退化和能效降低。目前电动汽车市场上采用的电池主要是由石墨阳极和层状锂过渡金属氧化物阴极组成的化学电池。这种电池的快速充电能力受到石墨阳极上镀锂和层状锂过渡金属氧化物阴极结构不稳定性的限制。本文从材料和电池两个层面综述了这些快速充电问题面临的挑战和可能的解决方案。

【关键词】锂离子电池；快充；老化

【推荐理由】本文从材料层面分析了电池快充时内部发生的副反应，并分析了现有的快充策略导致的老化后果。综述简洁明了，为电池充电策略的设计提供了一个内部机理的分析角度。

【代表性插图】

图1 快充时电池内部老化机理

论文三：一种用于电化学电池单体SOC估计的白箱等效神经网络电路模型

【分类】电池建模

【题目】A White-Box Equivalent Neural Network Circuit Model for SoC Estimation of Electrochemical Cells

【作者】M. Luzi, F.M. Frattale Mascioli, M. Paschero, A. Rizzi

【单位】Polo per la Mobilità Sostenibile Laborato, Department of Information Engineering, Electronics and Telecommu- nications, University of Rome "La Sapienza”

【下载地址】https://doi.org/10.1109/TNNLS.2019.2901062

【摘要】智能电网、微电网和电传动系统是实现减小碳排放、抑制全球变暖的关键技术。在该背景下，使用高效的电化学储存系统(ESSs)是不二选择。准确的SoC估计有助于改善ESS的性能。针对该目标，开发一种电池模型实现精确的SoC估计是十分必要的。因此，本文提出一种新的神经网络模型建模技术。主要贡献为开发了一种白箱神经网络模型，该模型具备强大的非线性拟合能力，有助于拟合电池物理特性，且参数辨识方法灵活。为实现这一想法，将白箱等效电路模型(ECM)与计算机智能技术结合起来，通过一个专用的神经网络拟合电路的每个参数。基于两个数据集，从模型精度、SoC估计和计算成本等方面分析了模型的性能。并与ECM模型和灰盒神经网络模型进行比较。结果证明，该模型能够有效改善SoC估计精度，且计算成本小。

【关键词】电池管理系统；电池建模；神经网络；荷电状态；系统辨识；白箱建模

【推荐理由】该文章提出一种新的建模思路，将神经网络强大的拟合能力与等效电路模型高精度低成本特点结合，有力地解决等效电路建模不准和神经网络模型物理性不强的问题，推荐复现，但该文章未考虑复杂的多温度老化耦合工况，建议未来的研究可以基于此开展，丰富模型输入。

【关键插图】

图1 模型原理图

图2 神经网络建模原理图

论文四：在车队层面结合电池老化的插电式混合动力公交车使用成本优化

【分类】多功率源系统控制

【题目】Plug-in hybrid electric buses total cost of ownership optimization at fleet level based on battery aging

【作者】Jon Ander López-Ibarra, Haizea Gazta?aga, Andoni Saez-de-Ibarra, Haritza Camblong

【单位】IKERLAN Technology Research Centre, Basque Research and Technology Alliance (BRTA); Department of Systems Engineering and Control, University of the Basque Country (UPV/EHU)

【下载地址】https://doi.org/10.1016/j.apenergy.2020.115887

【摘要】本文提出了一种在车队层面的车辆使用成本管理的分层能量管理策略。结合三层决策控制从车队层面角度进行车队的优化决策。最外层控制是离线工况数据下车辆行驶决策，以建立动态规划优化设计为目标；第二层是离线公交线路优化，将全局优化决策数据用于神经-模糊算法的训练。最后，基于训练好的神经-模糊逻辑策略实现公交车辆系统的在线控制。以满足计划总使用成本为目标，结合车队中车辆的电池寿命评估，车队在使用过程重会被重新组织，在线使用的能量管理策略在整个公交车辆的生命周期中也会被不断更新。在车队层面上看，相对于传统CDCS策略，本文提出的能量管理策略的使用成本能够降低7.65%。采用考虑路线和车队重组和更新的策略相较于不采用重组和更新策略的使用成本能够降低5.51%。

【关键词】PHEV；总拥有成本；分层能量管理；电池衰减；模糊神经；数字化

【推荐理由】本文以固定路线公交车为研究对象，从车队层面考虑系统能量管理，提出多层决策方法实时优化车辆功率分配，并根据车辆性能变化进行车队重组和更新，以一种新颖的方式实现公交车辆系统经济性优化。此外，本文综述部分归纳描述质量高，可用于论文书写参考。

【关键插图】

图1 车队到单个公交车的分层决策

系统EMS的设计构建基于车辆层面离线优化和策略设计。车队层面数据经过处理和分析，建立基于动态规划的系统控制，优化控制结果被用于进行神经-模糊策略的训练。在线应用部分则基于训练好的神经模糊学习技术，用于自动调整和确定在线模糊逻辑策略的规则。

图2 车队管理方法

以分层控制方法建立两个离线部分和一个在线部分。结合确定性线路和图1思路可得到训练好的神经模糊在线控制控制策略。车队控制过程中，控制数据和信息被实时保存、处理和分析，并将道路信息应用于未来的系统全局优化和训练用。此外，在车辆使用过程中，车辆老化状态会被不断评估，评估信息会被用于车辆在不同线路的调用中，以保证车辆使用过程中能够有尽量低的使用成本。

论文五：不同配方锂离子动力电池剩余寿命预测及循环寿命试验优化的混合迁移学习方法

【分类】电池老化

【题目】A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries

【作者】Jian Ma, Pengchao Shang, Xinyu Zou, Ning Ma, Yu Ding*, et al.

【单位】School of Reliability and Systems Engineering, Beihang University, China

【下载地址】https://doi.org/10.1016/j.apenergy.2020.116167

【摘要】电池开发中的长周期寿命试验是电池配方选择的关键，但其耗时且成本高。为了在估计寿命的情况下缩短电池试验周期，该论文提出了一种基于预测的不同配方锂离子电池试验优化方法。混合迁移学习方法优化选择历史试验数据和训练其他配方的预测模型，以帮助建立目标电池模型。在短期测试数据中没有包含足够的全局退化信息的情况下，它可以提高预测精度。首先，四步可迁移性试验方法在其他配方的老化规律存在个体差异和不一致性的情况下自动地从历史数据库中选择可迁移性最强的样本。依次综合曲线形状、长期退化率、寿命浓度和曲线间距离四种可迁移性评价准则，拟合容量曲线特征和长期预测。然后，通过迁移其他配方电池先前模型的共享部分，代替随机初始化，快速初始化长短时记忆循环神经网络预测模型。根据试验温度和试验数据量对共享模型参数进行优化和有选择地传递，提高建模效率。模型的其余部分通过选定的可迁移样本进行训练，学习与目标电池相似的退化趋势，以便进行准确预测。最后，以某电池公司的实际数据验证了所提方法在预测和成本节约方面的性能。在不同配方和寿命终止阈值的情况下，所提方法平均准确度达到89.18%，节省0.7 ~ 5.5个月。

【关键词】锂动力电池；剩余寿命预测；循环寿命测试优化；混合迁移学习；可迁移样本选择；深度循环神经网络

【推荐理由】本文为动力电池剩余寿命预测领域中比较新鲜的一篇文章，可以帮助读者快速了解近期关于动力电池剩余寿命预测研究的新方向和新思路，还可以帮助理解迁移学习的基本流程及其在电池管理中的应用案例。

【关键插图】

图1 所提剩余寿命预测方法的整体流程

图2 基于Tr-LSTM的RUL预测模型及其迁移学习策略

图3 节省试验天数的直方图以及节省的准确性和循环次数之间的变化关系

论文六：一种考虑温度和老化不确定性的锂离子电池建模新框架

【分类】电池模型

【题目】A novel framework for Lithium-ion battery modeling considering uncertainties of temperature and aging

【作者】Xiaopeng Tang, Yujie Wang, Changfu Zou, Ke Yao

【单位】Department of Chemical and Biological Engineering, Hong Kong University of Science and Technology, CN

【下载地址】https://doi.org/10.1016/j.enconman.2018.10.082

【摘要】温度和电池老化是影响锂离子电池可靠性和安全性的两个主要因素。考虑到电池的形状和内部化学成分种类繁多，开发一种考虑温度和老化的通用电池模型通常很困难。为此，本文提出了一个基于迁移的电池建模框架，该框架将温度和老化的影响视为不确定量。首先建立新电池的精确模型，然后通过贝叶斯蒙特卡洛方法迁移至老化后的电池。本文在不同的温度和老化水平下对LiFePO4和Li (Ni1/3Co1/3Mn1/3) O2电池开展了实验。结果表明，在温度变化达40℃、容量衰退达20%的情况下，典型电压预测误差可控制在+/- 20 mV以内。该方法为电动汽车或微电网的电池管理和能量控制奠定了基础。

【关键词】锂离子电池；电池管理；模型迁移；贝叶斯蒙特卡洛

【推荐理由】本文以25℃下参数辨识得到的戴维南模型作为基准模型并通过线性变换获得迁移模型，基于较少的数据量即可训练得到不同温度、不同老化甚至不同体系的电池模型，大幅减少了所需实验量。该方法对于从事电池建模研究的相关人员具有较高的启发意义。

【关键插图】

图1 NMC电池电压预测结果(a)T1电压预测结果;(b)T1电压预测误差;(c)T2电压预测结果;(d)T2电压预测误差

图2 LFP电池电压预测结果(a)T3电压预测结果;(b)T3电压预测误差;(c)T4电压预测结果;(d)T4电压预测误差

论文七：基于热分析数据库的锂离子电池热失控机理研究

【分类】电池热失控

【题目】Investigating the thermal runaway mechanisms of lithium-ion batteries based on thermal analysis database

【作者】Xuning Feng, Siqi Zheng, Dongsheng Ren, Minggao Ouyang*

【单位】Institute of Nuclear and New Energy Technology, Tsinghua University, Beijing 100084, China

【下载地址】https://doi.org/10.1016/j.apenergy.2019.04.009

【摘要】锂离子电池热失控问题的原因尚不清楚。这个瓶颈阻止了锂离子电池能量密度的增加，这种技术可能会停滞许多年。电池化学的多样性使这个问题更加难以分析。本文将清华大学及其合作者所做的工作汇报到热分析数据库的建立中。该数据库包含使用加速量热法和差示扫描量热法对不同种类电池的对比数据。根据数据库中电池的共有特征，总结了三个特征温度。在尝试解释造成特征温度现象的机理时，我们对锂离子电池的热失控机理有了新的认识。专门设计的测试结果表明，具有Li（NixCoyMnz）O2阴极和碳基阳极的电池在热失控期间的主要热源是高温下阴极与阳极之间的氧化还原反应。与通常认为的相反，内部短路只占热失控期间产生的总热量的很小一部分，尽管内部短路会导致隔板崩溃后触发氧化还原反应。特征温度提供可比较的参数，这些参数可用于判断新设计电池的安全性。此外，对热失控机制的新颖解释为锂离子电池的安全建模和设计提供了指导。

【关键词】储能；电动车辆；锂离子电池；电池安全；热失控；热分析；内短路

【推荐理由】本文涉及了目前应用较为广泛的大部分电池类型，对比了其热失控机理，分析透彻，思路清晰，打破常识，使读者对不同材料电池的热失控过程与分析方法有更全面的了解与认知。

【关键插图】

图1 解释T1和T2之间的发热机理(a)比较A型电池,NCM + LMO阴极和MAG10阳极的ARC和DSC测试产生的总热量;(b)比较F型电池,LFP阴极和MCMB阳极的ARC和DSC测试产生的总热量;(c)从参考文献[24]修正的T1和T2之间的热量产生机理

论文八：自加热锂离子电池计算设计与改进

【分类】电池加热

【题目】Computational design and refinement of self-heating lithium ion batteries

【作者】Xiao-Guang Yang, Guangsheng Zhang, Chao-Yang Wang*

【单位】Department of Mechanical and Nuclear Engineering and Electrochemical Engine Center (ECEC), The Pennsylvania State Univeristy, USA

【下载地址】http://dx.doi.org/10.1016/j.jpowsour.2016.08.028

【摘要】最近发明的自加热锂离子电池展现出从零下温度快速自加热的能力，为低温环境下锂离子电池性能差的问题提供了解决方案。本文中，为了一种将镍箔嵌入内部结构的自加热电池的计算设计和改进，我们提出并验证了一个电化学-热耦合模型。通过预测单体内部特性，比如电流、温度、锂离子浓度分布等，该模型可以找到影响自加热所需时间和能力的关键设计因素，进而找到具有最高自加热效率的单体设计。研究发现，镍箔产生的欧姆热是内部产热的主要原因，这导致了镍箔与电池外表面之间存在较大的温度梯度。这种大的内部温度梯度导致了高度电流分布不一致性，更重要的是，它还是影响加热时间和加热能量的决定性因素。因此，本文提出了一种多层单体设计，研究表明这种设计基本上可以最小化温度梯度，与文献中相比，可以实现自加热速度提高30%以上同时能量消耗减少27%以上。

【关键词】锂离子电池；自加热；温度梯度；数值模型；低温性能

【推荐理由】本文为全气候电池（All-climate battery，ACB）比较有代表性的一篇文章，可以帮助读者快速了解ACB含义、工作原理、优势、建模方法及尚未解决的一些问题。此外文中有ACB电化学模型的所有参数，可以复现。

【关键插图】

图1 (a)自加热锂离子电池(SHLB)的结构;(b)电路工作原理;(c)热模型;(d)与单体相关的电化学模型

图2 环境温度为-20℃的条件下自加热(a)电池厚度方向的局部温度;(b)在Vact=0.4V

论文九：基于SIC MOSFET超高频感应加热电源研究设计

【分类】电池加热用交流电源设计

【作者】孙俊彦

【单位】浙江大学，电气工程学院

【下载地址】https://doi.org/10.27461/d.cnki.gzjdx.2020.000744

【摘要】相对于传统电阻热效应加热或火焰加热的方式,感应加热是一种节能、高效、安全、环保的先进加热技术。经过几十年来电力电子技术的进步和发展,大容量、高工作频率、高可靠性的感应加热电源成为现今的研究热点。本文以兆赫兹级LLC感应加热电源为研究对象,采用新型宽禁带半导体SiC MOSFET器件，研究比较分时控制和并行控制下SiC MOSFET的关断损耗,对实际的超高频感应加热电源研究很有价值。同时锁相环技术在超高频感应加热电源中必不可少，本文通过FPGA实现数字锁相功能，并改善了根据负载谐振频率变化动态分频的性能，从而扩大数字锁相环的锁相范围。本文第一章对感应加热电源的背景、原理以及国内外在高频领域的研究现状、发展趋势进行介绍,在介绍过相关高频感应加热电源拓扑的基础上,分析了本课题的研究内容和意义。第二章首先介绍了本文采用的电压型感应加热电源拓扑及其工作原理,比较分析了LC谐振负载和LLC谐振负载各自的负载特性及其优缺点,考虑到LLC结构不需要外加负载匹配变压器以及易于提高系统功率的特点,最后决定采用LLC谐振负载。然后介绍了分时控制和并行控制两种工作时序,通过两种理论方法计算比较了分时控制和并行控制下功率器件的关断损耗,得出普适性结论。第三章首先介绍了基于FPGA内嵌数字锁相环芯片及传统数字锁相环结构,针对传统锁相环锁相范围小的问题,本文对输入电压信号实时进行频率计数并定时更新,使得锁相环系统根据负载谐振频率的改变实时调节动态分频值,达到扩大锁相范围的目的。此外,本章还介绍了锁相外围电路、驱动电路以及斩波控制电路中相应环节,分析了其工作原理和设计方案。第四章介绍了SiC超高频LLC感应加热电源样机系统中的主电路设计及关键元器件的参数和选型,最后搭建了兆赫兹级感应加热电源实验平台。第五章首先通过PSIM软件对并行控制和分时控制下的逆变电路仿真比较,然后在搭建的实验平台进行兆赫兹级的感应加热电源试验,包括多个工作频率以及两种控制方式等不同工况,最终研制了一台1kW/1MHz感应加热电源。第六章对本文的研究内容加以总结,并在此基础上提出后续展望

【关键词】感应加热；超高频;；LLC谐振；分时控制；数字锁相环；动态分频

【推荐理由】本文介绍了基本的高频交流电源设计和工作过程，是其中一个典型的代表，有比较详细的设计过程，还包含了一些元器件的选型，对于电源的设计有帮助。

【关键插图】

图1 分时控制仿真，电路可以参考一部分

图2 实物布置，可以参考板子的布置,一些元器件可以放在板子外部分开布置

论文十：基于门控递归神经网络的SOC估计

【分类】状态估计

【题目】State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network

【作者】Fangfang Yang , Weihua Li, Chuan Li, Qiang Miao*

【单位】School of Mechanical Engineering, Dongguan University of Technology, Dongguan 523808, China

【下载地址】https://doi.org/10.1016/j.energy.2019.03.059

【摘要】精确的充电状态（SOC）估算对于确保电动汽车中电池管理系统的安全可靠运行至关重要，但由于复杂的电池动力学和不断变化的环境条件，它仍然是一项艰巨的任务。与基于模型的SOC估计方法（其性能严重依赖于电池模型的质量）相比，基于神经网络的方法是完全由数据驱动的，并且没有模型，并且可以轻松扩展。近年来，随着图形处理单元提供的计算能力的不断提高，基于神经网络的方法越来越受到关注。在本文中，提出了带有门控循环单元的循环神经网络，用于根据测量的电流，电压和温度信号估算电池SOC。与传统的前馈神经网络相比，该方法利用了先验SOC的信息和测量结果，具有更好的估计精度。所提出的方法在动态负载曲线下对从两个主流锂离子电池收集的数据给出令人满意的估计结果。此外，所提出的方法对于未知的初始SOC值具有鲁棒性，并且可以进行训练以了解环境温度的影响。所提出的方法可以估计变化温度下的SOC，均方根误差在3.5％以内，并且可以在未经训练的温度下工作。

【关键词】锂离子电池；SOC估计；递归神经网络；门限递归单元；环境温度

【推荐理由】与传统的基于模型的估计方法相比，该方法完全由数据驱动。 没有关于电池材料或模型的假设。 因此，其可以容易地应用于电动汽车的不同电池类型的BMS。 除了环境温度外，该方法可以轻松扩展以考虑更多因素，例如再生，滞后和降解。

【关键插图】

图1 SOC初值假设为100%，真实值为60%的SOC估计结果(a)GRU-RNN;(b)EKF;(c)UKF;(d)PF

图2 使用不同的GRU-RNN的SOC估计结果(a)SOC跟踪状态;(b) 估计误差