【微信公众号】AESA论文推荐第21期:人工智能与电池老化
发表时间:2021-12-25     阅读次数:     字体:【

☆本期分享导读:

本期论文推荐主题为人工智能与电池老化,共10篇。人工智能与电池老化的优秀论文包括:电池健康状态预测(1)、基于云的电池健康管理(2)、电池电化学阻抗谱(3,4)、电池老化模式(5)、电池析锂(6,7,8,9)、电池成组老化(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:适用于实际工况条件的锂离子电池健康状态预测

【分类】电池健康状态预测

【题目】State of health forecasting of Lithium-ion batteries applicable in real-world operational conditions

【作者】Friedrichvon Bülow, JoshuaMentz, TobiasMeisen

【单位】Institute of Technologies and Management of the Digital Transformation, University of Wuppertal, Germany

【下载地址】https://doi.org/10.1016/j.est.2021.103439

【摘要】目前有几种适用于电池电动汽车(BEV)的电池健康状态(SOH)预测方法,然而只有很少的研究是基于适用于现实世界应用的电池老化特征来进行SOH预测的。本文提出了一种用于SOH预测的机器学习方法,适用于BEV管理者和电池设计工程师在现实世界中的应用。作为模型输入,我们使用由电池信号电流、荷电状态(SOC)和温度组合定义的特定运行范围内的电池运行时间,研究了电池运行时间和电池信号运行范围内的时间聚合的不同变体。我们的研究结果表明将不同的循环窗口宽度ww到一个训练数据中可以提高模型的通用性,此外我们发现,如果大于100个周期或不同的信号结合在一起,信号的操作范围的细度并不限制模型的性能。

【关键词】锂离子电池;电动汽车电池;健康状态;电池老化;预测;机器学习

【推荐理由】本文提出了一种用于SOH预测的机器学习方法,且适用于现实世界的应用,结果表明将不同的周期窗口宽度结合到一个训练数据集中,可以提高模型的通用性。

【关键插图】

图1:W1到12的模型性能,ws为25 – R2

图2:?SOH预测值与真实值对比,(a)MLP,ww = {25, 50, 100},ws = 25 (b)MLP,ww = ws = 1 (c)GPR,ww = {25, 50, 100},ws = 25,具有相同的数据集特征。结果表明结合不同的ww到一个训练集上有助于提高模型通用性,用精细信号间隔提取的特征训练模型比粗略信号间隔提供更精确的预测结果。


论文二:基于云的健康意识能量管理具有深度强化学习的电动汽车混合动力电池系统

【分类】基于云的电池健康管理

【题目】Cloud-based health-conscious energy management of hybrid battery systems in electric vehicles with deep reinforcement learning

【作者】Weihan Li, Han-Cui, Thomas Nemeth, et al.

【单位】Institute for Power Electronics and Electrical Drives (ISEA), RWTH Aachen

【下载地址】http://dx.doi.org/10.1016/j.apenergy.2021.116977

【摘要】为满足纯电动汽车的能源和动力需求,可实现以高能量、高功率电池组为能源的混合动力电池系统。本文针对具有深度确定性策略梯度的混合架构探索了一种基于云的多目标能源管理策略,该策略提高了电气和热安全性,同时最大限度地减少了系统的能量损失和老化成本。为了模拟电池的电热动力学和老化行为,基于表征和老化测试为高能和高功率电池建立模型。提出了一种基于云的训练方法,利用从各种道路条件收集的真实车辆数据进行能源管理。结果表明,基于收集的真实驾驶数据,提出的策略提高了电气和热安全性,并降低了整个系统的能量损失和老化成本。此外,处理器在环测试证实,与最先进的基于学习的策略相比,所提出的策略在最小化能量损失和老化成本方面可以实现更高的收敛速度和更好的性能策略。

【关键词】能源管理;车-云;强化学习;电池老化;锂离子电池安全

【推荐理由】在本文中具有深度确定性策略梯度的混合架构探索了一种基于云的多目标能源管理策略,该策略提高了电气和热安全性,同时最大限度地减少了系统的能量损失和老化成本。提出了一种基于云的培训方法,利用从各种道路条件收集的真实车辆数据进行能源管理。结果表明,基于收集的实际驾驶数据,提出的策略提高了电气和热安全性,并降低了整个系统的能量损失和老化成本。

【关键插图】

图1:基于云的训练和EMS使用框架。

图2:使用Jetson Nano的处理器在环测试示意图。(在云服务器中进行训练后,训练好的基于DDPG的 EMS在低成本嵌入式设备Nvidia Jetson Nano的PiL测试中得到进一步验证,训练好的参数通过无线传输传输到本地嵌入式设备。)


论文三:车载电池管理用锂离子电池阻抗的建模、获取和应用综述

【分类】电池电化学阻抗谱

【题目】A review of modeling, acquisition, and application of lithium-ion battery impedance for onboard battery management

【作者】Xueyuan Wang, Xuezhe Wei, Jiangong Zhu, Haifeng Dai, et al.

【单位】Department of Control Science and Engineering, Tongji University, China

【下载地址】https://doi.org/10.1016/j.etran.2020.100093

【摘要】阻抗与锂离子电池内部的物理化学过程密切相关,并且可以表征过程的特性,因此基于阻抗可以提供更详细的信息。在过去的几十年中,阻抗经常作为锂离子电池状态估计和诊断领域中使用的强有力的工具。本文回顾了170多篇论文,在电动汽车领域按照阻抗建模、采集及应用三大主题组织相关研究,讨论了每个主题中不同方法的优缺点。在此基础上,揭示了阻抗在车载电池管理中的可能性和价值。然而由于成本限制、复杂的车辆工况和时变的电池状态,阻抗应用仍然面临挑战。结论中总结了尚未解决的问题,为了应用阻抗实现更智能的电池管理,还需要更有意义的工作。

【关键词】锂离子电池;阻抗;建模;采集;状态估计;故障诊断

【推荐理由】本文总结了电动汽车领域中的阻抗建模、采集和应用方法,揭示了阻抗在车载电池管理中的可能性和价值,总结了尚未解决的问题,为应用阻抗实现更智能的电池管理提供了思路。

【关键插图】

图1:电池过充或过放欧姆内阻R0(a)(e)、SEI膜内阻RSEI(b)(f)、电荷转移内阻Rct(c)(g)及沃伯格系数σ(d)(h)的变化。可以看出电池过充或过放时,参数均有明显变化,为基于阻抗的过充/放诊断提供了思路。

图2:热失控过程中电池阻抗的变化,(a)基于脉冲电流获取的内阻,(b)阻抗相角。可以看出,通过脉冲电流充/放电曲线得到的内阻随加热过程变化,当加热温度高于130℃时,电池内阻明显增加,另外热失控中阻抗相位的反应早于端电压下降,可用于跟踪电池热状态,以便对热失控进行早期预警。


论文四:电化学阻抗谱在商用锂离子电池中的应用:综述

【分类】电池电化学阻抗谱

【题目】Application of electrochemical impedance spectroscopy to commercial Li-ion cells: A review

【作者】NinaMedding, MarcoHeinrich, et al.

【单位】National Physical Laboratory, United Kingdom

【下载地址】https://doi.org/10.1016/j.jpowsour.2020.228742

【摘要】电化学阻抗谱法(EIS)是一种广泛应用于锂离子电池表征的非破坏性方法,尽管它易于使用,在确保测量的质量、可重复性以及阻抗数据的可靠解释和验证方面仍存在挑战。这里我们总结了商业锂离子电池中应用EIS的最佳计量方法,展示了最先进的EIS解释和验证方法,并总结了该技术的优点和缺点。

【关键词】锂离子电池;EIS;解释;验证;计量;衰退

【推荐理由】本文为电化学阻抗谱在商用锂离子电池中应用的一篇综述,总结了商业锂离子电池中应用EIS的最佳计量方法,展示了最先进的EIS解释和验证方法,并总结了该技术的优点和缺点。

【关键插图】

图1:(A)(a)NMC 18650(标称容量为2.2Ah)在充放电过程中不同SOC下的阻抗谱,(A)(b)等效电路模型拟合阻抗谱,(c)拟合参数Rct随SOC的变化。 (B)(a)NMC111||石墨电池(标称容量为0.3Ah)非线性频率响应谱和阻抗谱的关联,(B)(b)25℃和-10℃老化电池的基本频率响应和高次谐波响应的强度,在25℃和-10℃下老化电池的EIS结果与之类似。(C)LFP 26650电池(标称容量为2.3Ah)的测量阻抗谱,分别使用商业测量系统单正弦EIS与低成本电子负载的激励和多正弦、宽带噪声的电机测试台获得,用于在线应用。(D)(a)电池对直流脉冲的电压响应示意图,显示了不同脉冲时间的贡献,(D)(b)在25℃下应用不同的交流和直流技术获得的商用LFP||石墨电池的阻抗模量/总电阻的测量结果,并与测量时间尺度对比,当测量时间尺度匹配时,数值基本一致。

图2:(a)锂离子电池退役后的分析流程图,(b)用于分析的物理化学技术,(c)锂离子电池拆解和组装流程图。


论文五:不同工况下锂离子电池老化模式的定量分析

【分类】电池老化模式

【题目】Quantitative Analysis of Degradation Modes of Lithium-Ion Battery under Different Operating Conditions

【作者】Hao Sun, Bo Jiang, Heze You et al.

【单位】School of Automotive Studies, Tongji University, No. 4800, Caoan Road, Shanghai 201804, China

【下载地址】https://doi.org/10.3390/en14020350

【摘要】老化模式对于降低老化机制研究的复杂性具有重要意义,之前的研究将老化机制归纳为三种模式:电导率损失(CL)、锂离子损失(LLI)和活性材料损失(LAM),结合电化学阻抗谱(EIS)可以识别并非破坏的量化老化模式。本文旨在将这种方法的应用扩展到更多的工况条件下,并探索外部因素对定量结果的影响。这里我们设计了应用两种等效电路模型的量化方法,以应对老化过程中电化学阻抗谱不同的变化趋势。在四种条件下,探讨了三种老化模式量化值的变化趋势,并统计分析了EIS测量过程中荷电状态(SoC)和激励电流的影响。通过实验验证了LLI和LAM是不同条件下最关键的老化机制,SoC的选择对定量结果有很大影响,但激励电流的影响并不明显。

【关键词】锂离子电池;老化模式;电化学阻抗谱;定量分析;等效电路模型

【推荐理由】本文定量分析了三种老化模式,并扩展到更多的工况条件下,探索外部因素对定量结果的影响。在四种条件下,探讨了三种老化模式量化值的变化趋势,并统计分析了EIS测量过程中荷电状态和激励电流的影响。

【关键插图】

图1:不同条件下锂离子电池老化模式的定量结果,在500mA的激励电流和20%SoC的条件下进行EIS测量。观察定量结果可以发现,随着老化过程的进行,三种老化模式的量值显示出明显的上升趋势,相比于CL,LLI和LAM显示出更明显的增长。

图2:45℃@0.5-1C的电池测试条件下应用500mA电流激励的电化学阻抗谱,(a)50次循环 (b)150次循环(c)250次循环。可以看出三种SoC下曲线有很大的差异,尤其是在中频和低频范围内,第一个半圆受SoC影响不大,第二个半圆随着SoC的降低显著变化,第二个半圆与电荷转移电阻Rct相关,Rct在低SoC条件下会显著增大。


论文六:锂离子电池析锂机理、检测与抑制

【分类】电池析锂

【题目】Lithium Plating Mechanism, Detection, and Mitigation in Lithium-Ion Batteries

【作者】Xianke Lin, Kavian Khosravinia, Xiaosong Hu, Ju Li, Wei Lu

【单位】Department of Automotive and Mechatronics Engineering, Ontario Tech University, Canada

【下载地址】https://doi.org/10.1016/j.pecs.2021.100953

【摘要】电动汽车的成功很大程度上取决于其储能系统。锂离子电池具有许多重要的性能,以满足广泛的需求,特别是电动交通工具的发展。然而,锂离子电池仍面临许多问题。其中一个问题是金属锂在快速充电或低温条件下析出并沉积在阳极石墨表面。析锂大大降低了电池寿命,限制其快速充电能力。在严重的情况下,析锂会形成锂枝晶,穿透隔膜造成内部短路。在过去的二十年里,人们对析锂进行了大量的研究,但析锂机理尚未完全阐明。同时,快速充电技术发展的另一个挑战是实时识别衰退机制。这包括在电池充电时实时检测析锂。析锂准确检测和预测是快速充电技术的关键。人们提出了许多减缓析锂的方法,如采用先进的材料组件和使用复合材料和优化充电协议。然而,大多数检测技术和析锂抑制策略仅用于基础研究,大规模应用的可能性有限。到目前为止,还没有一个全面的综述,反映当前现状,并阐明析锂潜在的未来研究方向。因此,本文从机理、检测和抑制方面简要介绍了析锂研究的最新进展,以填补这一空白,并激励更多的创新思想和技术。本文详细阐述了析锂机理和在不同应用条件下表征和检测析锂的方法。本文还综述了基于模型的析锂预测方法的最新进展,并比较了各模型的优缺点。研究了不同水平下抑制析锂的策略。最后,我们强调了当前研究中的一些挑战和未来的技术方案。

【关键词】锂离子电池;衰退机理;析锂;析锂机理;析锂检测和预防;快速充电策略

【推荐理由】本文为一篇介绍锂离子电池析锂机理的综述性文章,全面地阐释了锂离子电池在快速充电和低温下的析锂机制,介绍了如何进行析锂检测以及抑制析锂,对锂离子电池加热、快速充电、老化等领域的研究均具有借鉴意义。

【关键插图】

图1:不同研究层级中的析锂现象。

图2:析锂的无损检测方法,(A)体积增加与析锂的关系 (B)析锂时测量软包电池厚度的装置原理图(分辨率1μm) (C)由于析锂,电池厚度发生显著变化(充电电流7A) (D)用于研究析锂的操作腔内声学探测装置原理图 (E)声学图包括三个不同的面板,从上到下,依次是声波飞行时间的热图(s),随机分量中波形的总振幅以及电压曲线 (F)在不同温度下C/15充电和固定0.210Ah充电时声学TOF移动的差异 (G)非原位扫描电镜测量:在DMC中清洗电极并在40℃充满氩气的盒子中干燥2小时,比例尺:51μm。


论文七:基于氢气捕获的微尺度锂枝晶检测与早期安全预警

【分类】电池析锂

【题目】Detection of Micro-Scale Li Dendrite via H2 Gas Capture for Early Safety Warning

【作者】Yang Jin, Zhikun Zheng, Donghui Wei, Xin Jiang, et al

【单位】Research Center of Grid Energy Storage and Battery Application, School of Electrical Engineering, Zhengzhou University, China

【下载地址】https://doi.org/10.1016/j.joule.2020.05.016

【摘要】锂枝晶生长会引发隔膜穿孔和电池短路,进而导致锂离子电池的火灾和爆炸,但锂枝晶生长在早期状态下很难被检测。我们开发了一种基于氢气捕获的灵敏检测方法,可以检测出微量的锂枝晶生长。氢气会在金属锂与聚合物结合剂反应过程中产生,即使是微米尺度的锂枝晶(~2.8×10-4毫克和50微米)生长所产生的氢气也能被本文所提方法捕获。8.8千瓦时磷酸铁锂-石墨电池组的过充电实验表明,在氢气、一氧化碳、二氧化碳、氯化氢、氟化氢和二氧化硫等气体中,氢气被最先捕获,捕获时间比烟雾早639秒,比火灾早769秒。捕获氢气后,锂枝晶生长完全被阻止,且不冒烟不起火,为早期安全预警提供了有效方法。

【关键词】锂离子电池;锂枝晶;氢气捕获;早期安全预警

【推荐理由】本文提出了一种灵敏的氢气检测方法,可用于检测锂枝晶生长过程中所产生的氢气,进而检测最小2.8×10-4毫克的锂枝晶生长。本文所提方法比烟雾报警提前639秒,比火灾发生提前769秒,并且可通过切断充电过程,阻止电池热失控事故发生,为电池早期安全预警提供了一种简单有效的方法。

【关键插图】

图1:基于金属锂与聚合物结合剂反应生成氢气的气体捕获方法能够检测到微米级锂枝晶生长,有助于电池早期安全预警。

图2:一款8.8 kWh LiFePO4电池组在真实BESS舱内进行过充电实验,在线检测6种气体。(A)真实舱内实验环境的插图。在电池组上方设置6个气体(H2、CO、CO2、HF、HCL和SO2)传感器。(B) LiFePO4电池组过充电时的电压分布和表面温度变化(充电电流倍率为0.5 C)。(C) 0~1800秒,六种气体浓度变化情况。(D) 960~1100秒的气体浓度曲线放大图。(E) LiFePO4电池包在不同时刻的光学图像。t1 = 0秒,初始过充时间;t2=990秒,检测到氢气; t3 = 1425秒,烟雾出现;t4 = 1570秒,起火。


论文八:基于动态电化学阻抗谱的锂离子电池析锂检测

【分类】电池析锂

【题目】Lithium plating detection using dynamic electrochemical impedance spectroscopy in lithium-ion batteries

【作者】Markos Koseoglou, Evangelos Tsioumas, et al.

【单位】School of Electrical and Computer Engineering, Aristotle University of Thessaloniki (AUTH), Greece

【下载地址】https://doi.org/10.1016/j.jpowsour.2021.230508

【摘要】本文提出了一种可在充电过程中实时应用的锂离子电池析锂检测方法。基于阻抗分析,可以通过利用动态电化学阻抗谱(DEIS)技术来实现。具体而言,在充电电流上叠加一个正弦电流,并在不中断充电过程的情况下在频域中分析电池阻抗。在充电过程中发生析锂时,石墨界面阻抗显着降低,因此可以通过实时监测电池阻抗的实部和虚部来检测出析锂。在不同的温度和充电电流下测试了两种不同活性材料和能量密度的电池,在不同的充电条件、电池形式和化学成分下,采用电压松弛剖面法验证了DEIS技术的有效性,并与电流中断法进行了比较。实验结果表明,不同的温度和不同的电池类型,该方法能够有效检测高达6C充电倍率的析锂。

【关键词】电化学阻抗谱;析锂;快速充电;锂离子电池;储能系统

【推荐理由】目前非破环性的析锂检测方法有多种,如电压弛豫曲线、差分电压分析等,但在充电过程中可实时应用的方法很少,本文提出了一种可在充电过程中实时应用的基于动态电化学阻抗谱的析锂检测方法,可为快速充电算法的改进提供帮助。

【关键插图】

图1:(a)充电过程中锂离子电池的简化示意图 (b)典型的EIS奈奎斯特图 (c)石墨颗粒表面电化学反应的简化表示 (d)析锂时的典型EIS奈奎斯特图 (e)在电析锂的情况下,石墨颗粒表面电化学反应的简化表示。

图2:在15℃下的实验结果:(a)奈奎斯特图与SoC的特征点,CCCV(虚线)和CC(实线),(b)电压弛豫曲线及其时间导数。


论文九:一种结合多种物理电化学特征的早期析锂检测的机器学习框架

【分类】电池析锂

【题目】A machine learning framework for early detection of lithium plating combining multiple physics-based electrochemical signatures

【作者】Bor-RongChen,M. RossKunz,Tanvir R.Tanim,Eric J.Dufek

【单位】Energy Storage and Advanced Transportation Department, Energy and Environmental Science and Technology, Idaho National Laboratory, USA

【下载地址】https://doi.org/10.1016/j.xcrp.2021.100352

【摘要】锂离子电池的一个关键挑战是管理电池性能和预测寿命的能力,电池老化现象的早期检测和对性能的影响对于维护、保修和避免安全事故至关重要。我们建立了一个早期锂损失检测的框架,将其进一步分为析锂和正常SEI膜形成。尽管SEI的形成是不可避免的,但析锂会导致严重的退化和安全问题。因此,必须识别和避免析锂。基于前25个老化周期的数据,我们的框架将析锂和SEI形成主导的电池区分开来。该分类框架基于机器学习(ML),在老化过程中使用了多个相干且具有物理意义的电化学特征,我们还证明了多种电化学特征必须结合起来以提高分类的准确性。

【关键词】锂离子电池;析锂;固体电解质界面膜;机器学习;电池健康状态;电池老化

【推荐理由】本文提出了一种用于锂离子电池老化现象识别的机器学习框架,可以精确识别析锂相关的多种电化学特征,通过常规电化学测量快速、可靠地检测析锂,加速电池设计生命周期和提高安全性。

【关键插图】

图1:机器学习框架,对关键电池老化中析锂和SEI膜增长进行分类。

图2:电池电化学特征随衰老周期的演变,左半图为SEI膜是主要衰减原因,右半图为析锂是主要衰减原因。

图3:分离SEI形成和析锂的决策框架 (A) 基于用户的决策过程 (B) 基于机器学习的分类框架。


论文十:考虑单体间差异的锂离子电池老化建模

【分类】电池成组老化

【题目】Modeling degradation of lithium-ion batteries considering cell-to-cell variations

【作者】Daniela Galatro, David A. Romero, Juan A. Freitez, et al.

【单位】Department of Mechanical and Industrial Engineering, University of Toronto, Canada

【下载地址】https://doi.org/10.1016/j.est.2021.103478

【摘要】电池组在温度和其他应力因素方面表现出固有的电池间变化和时变性的差异,导致了电池老化路径的演变。为解释老化或单体间扩散方面的变化和差异,我们提出了一种利用三参数非均匀Gamma过程对锂离子电池老化进行建模的统计学方法。这种方法可以预测任何电池组的容量衰减或故障时间,并使用加速因子调整电池的拟合退化数据的分布。在电池组级别,电池使用Gamma分布变量的组合进行建模,以用于并联和串联布局。将不同热条件下容量衰减或故障时间的实际值与预测值进行比较,显示1-12%范围内的相对误差。我们还提出了一种方法,通过分析样本大小对估计不同单体集的老化的影响,来估计对扩散和老化路径的演变进行建模所需的最小单体数。这种采样策略对于降低设计电池组、电池管理系统和电池热管理系统所需的运行仿真的计算成本有良好效果。

【关键词】锂离子电池;老化;单体间差异;非均匀Gamma过程;采样策略

【推荐理由】本文提出了一种利用三参数非均匀Gamma过程对锂离子电池进行成组老化分析的统计学建模方法,可以基于小组电池的老化数据,分析任意串并联的电池老化轨迹。论文使用的老化建模方法和蒙特卡罗采样,可用于模拟单个电池随时间推移的扩散和老化路径及其模组和电池包级效应的演变,同时最大限度地减少离线分析所需的计算时间。

【关键插图】

图1:电池容量随时间衰减。注意数据的标准差随时间增加,体现了单体老化的扩散现象。

图2:类似于Tesla S的电池组结构容量衰退的相对误差,参考数据集的退化路径根据温度加速因子进行调整,且σ=5和TG=10℃。可以看出,电池组容量衰退的相对误差绝对值小于7%,但误差大小与老化时间无明显耦合关系。

上一篇:【微信公众号】AESA论文推荐第22期:状态估计与故障诊断
下一篇:【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
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