【微信公众号】AESA论文推荐第19期:电池状态估计与电池建模
发表时间:2021-11-13     阅读次数:     字体:【

☆本期分享导读:

本期论文推荐主题为电池状态估计与电池建模,共10篇。电池状态估计的优秀论文包括:电池SOH估计(1,2,3)、电池SOE估计(4)、电池SOC估计(5)、电池组一致性评估(6)、电池SOP估计(7);电池建模的优秀论文包括:电池机械-电化学耦合模型(8)、电池电化学-热耦合模型(9,10)。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。更多优秀论文可回顾往期论文推荐。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


论文一:一种基于快速充电数据堆叠LSTM的电池SOH预测新方法

【分类】电池SOH估计

【题目】A Novel Method for SoH Prediction of Batteries Based on Stacked LSTM with Quick Charge Data

【作者】Yayan Ugur, Arslan Abdullah Taha, Yucel Hikmet

【单位】Eskisehir Osmangazi University, Eskisehir, Turkey

【下载地址】https://doi.org/10.1080/08839514.2021.1901033

【摘要】从化石燃料过渡到非化石燃料的过程给电池带来了新的技术挑战。由于锂离子电池的效率,它们被广泛使用的领域之一是电动车辆(EVS)。范围估计是纯电动车(BEV)中最重要的需求之一。 BEV的行驶范围直接取决于电池容量和动力总成效率。虽然目前锂离子电池的电气性能显着改善,但仍然无法克服其随老化的能力降解。荷电状态(SOC)和健康状况(SOH)是电池的两个重要措施。通过精确的SOC和SOH估计,电池管理系统可以防止电池组中的每个电池过度充电或过度放电,并且延长整个包装的寿命。本研究中的新颖思想是估计在电池充电过程中收集的数据的SOH。 SOH最需要的时刻是电池放电过程的结束。使用此信息,用户可以规划电池的使用计划。为了满足这一需求,专门设计的深度神经网络(堆叠LSTM)仅使用来自快速充电过程的恒流充电阶段的测量来训练和测试。测试结果表明,该方法有效适用于快速充电器。

【关键词】锂离子电池;荷电状态;健康状态;LSTM

【推荐理由】本文提出了一种基于层叠BiLSTM深度神经网络和仅利用恒流充电数据预测锂离子电池SOH的新方法。该方法仅通过测量恒流充电参数,即充电电流、充电电压、测量电流、测量电压和测量温度,给出电池的SOH值。这意味着在恒流充电开始后,该方法可以预测SOH,并且随着更多数据的测量,预测误差将降低到5.5% (RMSE)。

【关键插图】

图1:一个LSTM单元有一个遗忘门、输入门和输出门。

图2:预测结果(容量与周期)。


论文二:基于部分充电曲线的锂离子电池电压重构模型

【分类】电池SOH估计

【题目】A voltage reconstruction model based on partial charging curve for state-of-health estimation of lithium-ion batteries

【作者】Sijia Yang, Caiping Zhang, Jiuchun Jiang

【单位】National Active Distribution Network Technology Research Center (NANTEC), Beijing Jiaotong University, China

【下载地址】https://doi.org/10.1016/j.est.2021.102271

【摘要】电池原位健康状态(SOH)估计已经引起了相当多的关注,但本质上,大多数研究都集中在归一化容量或电阻上,而其潜在的老化机制尚不清楚。因此,我们提出了一种电压重构模型,该模型不仅可以准确地估计SOH,而且可以定量地识别老化模式。该模型考虑了实际中电池工作范围的限制和大电流倍率引起的过电位。基于半电池电极平衡电位与全电池端电压的匹配关系,通过部分充电数据重构全电池端电压,并通过特定的截止电压范围估计SOH。我们在模型的优化目标中引入匹配的差分电压曲线,以进一步减少所需数据,同时提高精度。从SOC范围和输入数据质量的角度研究了模型的精度。在不同老化状态和不同电池设计下验证了该方法的适用性。结果表明,基于有限的正负电极相变数据,该模型可以估计SOH,相对误差小于2.5%,并量化潜在的老化模式,这为从电池级到电池组级的实际应用带来了希望。

【关键词】锂离子电池;SOH;容量估计;充电曲线

【推荐理由】本文为电池电极电位与全电池匹配研究比较有代表性的一篇文章,可以帮助读者快速了解如何将电极电位与全电池电位进行匹配并量化潜在的老化模式。作者利用半电池电极平衡电位与全电池端电压的匹配关系,通过部分充电数据重构全电池端电压。所提出的SOH估计模型不仅可以准确地估计电池SOH,而且可以定量地识别潜在的老化模式。

【关键插图】

图1:SOH估计方法的流程图。首先利用充电曲线中的部分数据,并根据已经提前标定好的正负极OCP数据,来重构出完整的充电曲线的端电压,在此过程中对部分与老化模式相关的参数进行辨识。最后重构出完整的V-SOC曲线,并估计特定电压范围内的SOH。

图2:B型电池在新电池状态(a)下的匹配关系,以及老化状态(b)下重构电压曲线,(c)DV曲线和(d)SOH估计误差;采用部分充电曲线和完整充电曲线的老化模式识别比较:(e)LAMPE、LAMNE、LLI和(f)R。


论文三:使用电化学模型预测复合电极锂离子电池的剩余使用寿命来估计健康状态

【分类】电池SOH估计

【题目】Prediction of remaining useful life for a composite electrode lithium ion battery cell using an electrochemical model to estimate the state of health

【作者】Kaveh Khodadadi Sadabadi, Xin Jin,Giorgio Rizzoni

【单位】Center for Automotive Research, The Ohio State University, United States

【下载地址】https://doi.org/10.1016/j.jpowsour.2020.228861

【摘要】本文的目标是开发一种基于增强型单粒子模型(eSPM)参数估计的剩余使用寿命(RUL)预测算法,该算法可以使用车辆充电数据实现。首先,我们使用对正极LMO-NMC、负极石墨的电池进行老化研究的数据来开发增强型单粒子模型,并预测与电池老化相关的参数的演变。特别的,我们在这项工作中估计的作为健康状态(SOH)指标的参数是可循环锂的摩尔数和欧姆电阻。本文展示了一种从实验数据估计这些参数的方法,并且表明它们与从实验老化研究中测量的电池SOH相关。最后,本文使用从估计的增强型单粒子模型参数导出的复合SOH度量来设计基于粒子滤波器(PF)的RUL预测器,该预测器可以利用SOH度量的演变来预测RUL。RUL估计算法使用在几个LMO-NMC电池上收集的实验数据进行验证,表明可以从插电式电池电动或混合动力汽车中随时可用的充电数据推断电池SOH和RUL。

【关键词】锂离子;健康状态;老化;剩余寿命估计;单粒子模型

【推荐理由】本文提出了一种增强的单粒子模型来估计电池健康状态,并把可循环锂的摩尔数和欧姆电阻作为SOH的指标参数,实现了利用充电数据即可估计电池健康状态SOH与剩余使用寿命RUL。

【关键插图】

图1:随着电池老化,可循环锂的摩尔数n_Li和欧姆电阻R的演变。红点代表特性测试,黑点代表老化过程中算法估计的值。

图2:基于实验数据的SOH估计值和SOH曲线拟合的比较。


论文四:基于自适应加权策略的串联锂离子电池组的能量状态估计

【分类】电池SOE估计

【题目】State of energy estimation for a series-connected lithium-ion battery pack based on an adaptive weighted strategy

【作者】Xiaoyu Li, Jianhua Xu, et al.

【单位】College of Physics and Optoelectronic Engineering, Shenzhen University, China

【下载地址】https://doi.org/10.1016/J.ENERGY.2020.118858

【摘要】由于电池组之间的不一致性,在线估计电池组的能量状态( SOE )非常困难。本文提出了一种基于代表性电池的串联锂离子电池组自适应SOE估计方法。电池的动态特性采用一阶电阻-电容模型。利用递推最小二乘算法和自适应容积卡尔曼滤波算法分别估计了代表性单元的关键参数和稳态参数。串联电池组的SOE是根据自适应策略对代表性电池的SOE进行加权得到的。实验结果表明,串联电池组的SOE估计结果与全荷电状态下“最强”代表电池的SOE接近,而与放电结束点的“最弱”代表电池的SOE接近。即使初始误差较大,估计的SOE也能快速跟踪参考值。SOE估计结果在25℃、50℃和0℃下的均方根误差分别为1.3%、2.2%和1.7%。

【关键词】串联电池组;SOE;自适应加权策略

【推荐理由】为了满足高精度和低计算成本的要求,本文提出了一种基于两个代表性电池的在线电池组状态估计方法。在分析电池组SOE定义的基础上,建立了电池组SOE模型。基于电池端电压与电池单元的SOE在一定程度上耦合关系,根据初始端电压选择两个代表性单元,即最强单元和最弱单元。实现了参数识别的RLS算法,并引入了ACKF算法对代表电池进行状态估计。然后,通过自适应加权策略实现电池组状态估计。实验结果详细验证了该方法与现有几种方法相比的优势。

【关键插图】

图1:提出的电池组SOE估计方法的框架。

图2:在不同温度下的NEDC测试中,代表性电池的电池组SOE估计结果具有10%或20%的初始误差。(a)SOE和(b)25℃时的误差;(c)SOE和(d)50℃时的误差;(e)SOE和(f)0℃时的误差。


论文五:基于导波的电池荷电状态估计数值验证与统计分析

【分类】电池SOC估计

【题目】Battery State of Charge Estimation Using Guided Waves—Numerical Validation and Statistical Analysis

【作者】Purim Ladpli, Fotis Kopsaftopoulos, Fu-Kuo Chang

【单位】Department of Aeronautics and Astronautics, Stanford University, Stanford CA 94305, USA

【下载地址】http://dx.doi.org/10.12783/shm2017/14066

【摘要】本文提出了一种新的可扩展和现场部署的框架,用于使用低剖面内置压电传感器基于俯仰捕捉导波传播估计电池荷电状态(SOC)。通过使用安装在商用锂离子袋式电池上的压电圆盘传感器进行实验,进行了初步研究。在作者最近开发的储能结构材料多功能储能(MES)复合材料上进行了类似的实验。在这项工作中,特别强调了由SOC引起的电极机械性能变化所导致的导波传递时间(TOF)变化的数值验证。数值模拟准确地捕捉到了实验结果,这为电化学和力学之间的复杂耦合提供了重要的见解。此外,还进行了首次通过统计分析,证明了利用导波数据准确预测电池SOC的有效性。该研究还揭示了利用导波传播的多径特性进一步提高SOC预测精度的良好机会。

【推荐理由】本文所介绍利用机械波来进行电池SOC的估计,不同于通常所了解的基于数据或者基于模型的方法,该方法将机械特性与电特性耦合,通过最终所得到的导波传递时间(TOF)以及信号幅值可以提高SOC的检测精度,使估计更加精确。目前在该方面的研究相对较少,文章初步建立了一个使用超声对电池SOC进行预测的方法,为未来SOC估计提供新思路。

【关键插图】

图1:使用表面安装的低剖面压电换能器的锂离子电池基板中超声导波传播示意图。

图2:(a)3650mAh锂离子袋电池和(b)4000mAh MES复合电池上标记为P1至P4的四个表面安装压电传感器的位置。


论文六:一种基于充电云数据的电动汽车电池组电池间差异评估方法

【分类】电池组一致性评估

【题目】A method of cell-to-cell variation evaluation for battery packs in electric vehicles with charging cloud data

【作者】Yi-fan Lu, Kai Li, Xue-bing Han, Xu-ning Feng

【单位】College of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China

【下载地址】https://doi.org/10.1016/j.etran.2020.100077

【摘要】在电动汽车(EV)的使用过程中,特别是随着电池的衰减,锂离子电池的电池间差异增加。动力电池的电池单体差异可能导致电池故障并引发安全问题。随着云数据的快速发展,可以在云端监控电动汽车数据,以评估电动汽车的安全性和电池间差异。尽管在电动汽车中数据采样频率较高,但云数据的记录频率相对较低。 因此,充电数据更有价值,更适合评估电动汽车的电池间差异。在本文中,提出了一种基于充电云数据的方法来评估锂离子电池的电池间变化。5个指标,包括电压、温度、内阻、容量和电量的变化,通过原始信号进行分析和评估。电池容量和电量是通过充电电压曲线变换估计剩余的充电/放电容量来实现的。 为了对电池组的电池间差异进行综合评分,提出了一种加权评分机制。 权重因子由基于判断矩阵的层次分析法确定。最后,进行实验,并使用建议的评分系统评估3个包。结果表明,所提出的方法可以有效地评估电池组的电池间变化。

【关键词】锂离子电池;汽车;云数据;Cell-to-cell变异;层次分析法

【推荐理由】在本文中,提出了一种基于充电云数据的方法来评估锂离子电池组的电池间差异。在文献调查的基础上,将电压、温度、内阻、容量和电量的变化总结为五个指标来评估电池之间的变化。然后通过云数据上记录的原始信号计算或估计这五个指标。最终所提出的方法和评分系统可以有效地评估电池组的电池间变化。

【关键插图】

图1:实验设置。(实验中使用的BTS600电压精度为1mV,电流精度为0.1%,温度精度为0.1℃。实验的采样频率设置为 1 Hz。实验在25°C的热室中进行)

图2:描绘了从实验获得的时间、电流、电压和温度的数据。(a)、(c)、(e)和(g)显示了五个充放电循环期间流过Pack A的总电流、96个电池的电压、Pack A的总SOC和18个温度传感器的温度。(b)、(d)、(f) 和 (h) 在紫色虚线框中显示了五个循环期间的最后一次充电。


论文七:基于分数阶等效电路模型的锂离子电池功率状态估计

【分类】电池SOP估计

【题目】State of power estimation of lithium-ion battery based on fractional-order equivalent circuit model

【作者】Changhe Liu, Minghui Hu, et al.

【单位】State Key Laboratory of Mechanical Transmissions, Chongqing University, Chongqing, China

【下载地址】https://doi.org/10.1016/j.est.2021.102954

【摘要】功率状态(SOP)是表征锂离子电池功率性能的重要参数。与荷电状态(SOC)不同,SOP估计假设电池在极端工作条件下运行,因此对电池模型要求更高的精度和鲁棒性。本文研究采用分数阶等效电路模型来估计SOP,该模型以电池的SOC、电压和电流为约束,进行分数阶微积分。通过FUDS和DST驱动循环工况下的估计结果分析,总结出SOP约束过程的一般准则:放电SOP依次受电流、电压和SOC约束,当电流变化频繁时,混合约束容易生成;电荷SOP的约束过程相反。此外,还分别设计了新颖的实验来验证在SOC、电压和电流约束下的SOP估计结果。实验结果表明,SOP估计结果的最大误差为1.34%,证明基于分数阶模型的SOP估计能提供较高的估计精度。

【关键词】锂离子电池;分数阶等效电路模型;SOP估计;SOP约束流程

【推荐理由】本文研究采用分数阶等效电路模型来估计SOP,该模型以电池的SOC、电压和电流为约束,进行分数阶微积分。文章通过FUDS和DST驱动循环下的估计结果分析,总结出SOP约束过程的一般准则:放电SOP依次受电流、电压和SOC约束,当电流变化频繁时,混合约束容易生成;充电SOP的约束过程相反。此外,还分别设计了新颖的实验来验证在SOC、电压和电流约束下的SOP估计结果。该文基于分数阶模型的SOP估计提供了较高的精度。

【关键插图】

图1:SOC约束下的峰值电流估算结果:(a)DST工况下的放电电流,(b)DST工况下的充电电流,(c)FUDS工况下的放电电流,(d)FUDS工况下的充电电流。

图2:电压约束下的峰值电流估算结果:(a)DST工况下的放电电流,(b)DST工况下的充电电流,(c)FUDS工况下的放电电流,(d)FUDS工况下的充电电流。显示了峰值电流的绝对值在大部分仿真时间都非常大,但是开始时充电电流的绝对值很小,结束时放电电流的绝对值也很小,因为作者将两个驱动循环开始时的SOC设置为0.9,并将结束时的SOC设置为0.1。

图3:峰值电流的最终估算结果:(a)DST工况下的放电电流,(b)DST工况下的充电电流,(c)FUDS工况下的放电电流,(d)FUDS工况下的充电电流。


论文八:在机械电化学软包电池模拟中考虑非理想的基于锂化的活性材料体积变化

【分类】电池机械-电化学耦合模型

【题目】Accounting for Non-Ideal, Lithiation-Based Active Material Volume Change in Mechano-Electrochemical Pouch Cell Simulation

【作者】Drew J. Pereira, Miguel A. Fernandez, et al.

【单位】Center for Electrochemical Engineering, Department of Chemical Engineering, University of South Carolina, Columbia, South Carolina, United States of America

【下载地址】http://dx.doi.org/10.1149/1945-7111/ab8a9c

【摘要】汽车电池制造商正在努力通过提高电池的安全性、性能、耐用性、续航、同时降低成本来改进单个电池和整体电池组的设计,而活性物质的体积变化是这个过程中需要考虑的复杂的方面之一。本文中,阳极和阴极活性材料的热力学非理想、基于锂化的体积变化行为被纳入先前开发的机械电化学模型中,并在模拟电池放电的同时预测了与车用大型软包电池的厚度变化,测量在能够同时进行机械和电化学操作和观察的实验装置上进行。当使用基于锂化的非理想体积变化时,电化学和机械测量证明与实际非常吻合,所得模型可用于模拟其他机械电化学现象,包括电池放电过程中阳极/阴极容量比和压力/孔隙率变化的影响。这种机械电化学模型有望帮助定义操作参数,以减轻活性材料体积变化带来的负面影响,并可作为开发人员减少设计新电池所需的电化学和机械测试设备的基础。

【推荐理由】本文通过描述充放电过程中的锂离子嵌入脱出导致的电极材料的尺寸变化从而产生的应力,将机械力与电化学过程进行耦合建模,并且通过公式进行介绍,将尺寸变化与内部孔隙率、电极厚度联系起来,得到非理想化(非线性)的关系,并且最后通过该非线性关系替代之前所认为的线性关系进行状态估计,能够得到更加优秀的结果。

【关键插图】

图1:同时对大型软包电池进行机械和电化学控制和观察的设备。

图2:试验装置内部的袋室模型几何结构。

图3:使用理想和非理想活性材料体积变化的实验测量数据和模拟结果对比。


论文九:通过圆柱形锂离子电池的电化学-热耦合模型分析和缓解自加热导致的电池老化

【分类】电池电化学-热耦合模型

【题目】Analyzing and mitigating battery ageing by self-heating through a coupled thermal-electrochemical model of cylindrical Li-ion cells

【作者】Litao Yin, Are Bj?rneklett, Elisabeth S?derlund, Daniel Brandell

【单位】Department of Chemistry, ?ngstr?m Laboratory, Uppsala University, Sweden

【下载地址】https://doi.org/10.1016/j.est.2021.102648

【摘要】本文将三维电化学模型与二维轴对称传热模型耦合构建了集成电池模型,并将其应用于模拟21700圆柱电池的热行为,包括石墨/LiNi0.8Co0.15Al0.05O2的化学特性。电化学模型基于拆解的电池结构,并考虑了由固体电解质界面(SEI膜) 形成和金属锂电镀引起的温度依赖性老化动力学。与经典的伪二维 (P2D) 模型相比,所提出的模型为电池电化学和热性能提供了更好的拟合结果。仿真结果表明,在放电速率为3C和4C时,电池表面温度可分别达到80℃和 110℃。通过应用适当的冷却液,可以有效地控制这种表面温度升高,并且核心温度将相应降低,而内部温度梯度保持不变。主要是径向导热率的提高可以减少核心和表面温度之间的差异。此外,该模型能够表征由电池在运行过程中自热引起的加速老化动力学。结果表明,所研究电池的容量在 500 次循环后降低至 80%,符合商用要求。

【关键词】锂离子电池;电化学-热耦合模型;圆柱形电池;温度相关老化;电池冷却;自加热

【推荐理由】本文建立了三维电化学与二维轴对称传热模型耦合的模型,相比于P2D模型,该模型在放电电压和表面温度方面可以得到明显更好的拟合效果,并且可再现自加热导致的电池老化。

【关键插图】

图1:(a) (b) (c)不同倍率(1C、2C、3C、4C)放电时电池的表面和核心温度的比较。 左侧 y 轴为温度值,右侧 y 轴为核心和表面之间的温差。 (d) 和 (e) 为3C倍率下放电时3D 电池结构中的温度分布,径向导热系数kT,r分别为1.13 W/(m·K)和 5 W/(m·K)。可以看出,虽然增加对流换热系数(例如,通过应用有效的冷却介质)可能有助于控制电池温度,但核心和表面之间的温差只能通过提高电池内的径向导热系数来平衡。

图2:仿真得到的考虑温度相关老化动力学的1C放电倍率下相对容量随循环次数的变化。对比析锂导致的容量衰退(红线)与SEI膜形成导致的容量衰退(黑线)可以看出,SEI膜形成导致的容量衰退率约为析锂导致容量衰退率的2倍。副反应导致的总容量衰退(蓝线)与1C放电标称容量(粉线)的差异源于SEI膜形成和电解质体积分数减少导致的内阻增加。


论文十:商用锂离子电池全循环电化学-热耦合分析

【分类】电池电化学-热耦合模型

【题目】Full-cycle electrochemical-thermal coupling analysis for commercial lithium-ion batteries

【作者】Peng-Bo Nie, Si-Wei Zhang, Ai-Hua Ran.

【单位】Tsinghua-Berkeley Shenzhen Institute (TBSI), Tsinghua University, Shenzhen, China

【下载地址】https://doi.org/10.1016/j.applthermaleng.2020.116258

【摘要】锂离子电池在现代工业产品中被广泛使用,其热安全性已成为一个新的关注点。本文建立了一个电化学-热耦合模型来模拟电化学反应和热传递。为不同几何尺寸(14650、18650和26650)的圆柱形电池设计了一系列充放电和脉冲测试,以验证模型的合理性和一致性。仿真结果表明,被测电池的温度在放电过程中急剧上升,然后在放电结束时达到峰值,这在较高放电倍率和较大电池尺寸下得到了一致的验证。此外,在不影响精度的条件下,大大节省了计算成本。因此,所提出的电化学-热耦合策略为监测运行中的电池以及为安全应用提供早期检测和预防铺平了一条新的道路。

【关键词】锂离子电池;热测量;热模拟;COMSOL

【推荐理由】本文介绍了一种适用于圆柱形锂离子电池的电化学-热耦合模型建模方法。考虑到圆柱形电池的对称性,忽略了轴向的温度梯度变化,将热模型简化为二维,与三维模型相比,该模型在不影响精度的条件下,大大节省了计算成本。此外,文中给出了部分模型参数取值,读者可以参考,进行常温工况的仿真。

【关键插图】

图1:(a)商用锂离子电池的纵向截面,(b)伪二维电化学模型插图。

图2:(a)18650电池在1C、2C、3C下的15次充放电循环的实验电压与温度。1次充放电循环中仿真与实验温度比较,(b)1C (c)2C (d)3C。

图3:18650电池内部最高温度分布,(a)1C (b)2C (c)3C。仿真结果表明,电池和心轴界面上的温度最高,并沿轴向和径向到表面逐渐降低。内部中心和表面之间的温差随着电流倍率的增大而增大。

上一篇:【微信公众号】AESA论文推荐第20期:电池状态估计、电池充电与电池安全
下一篇:【微信公众号】AESA论文推荐第18期:电池加热、电池老化与电池设计
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