数据解析电池,能否提前预测其失效风险?
文 | 文史充电站
编辑 |文史充电站
该研究调查了锂离子电池的老化行为和健康状态(SOH)指标,开发了基于数据的SOH估计器,为了获取必要的数据,研究进行了电池充电和放电实验。
通过分析电池老化数据,研究了电池单元在健康状况严重恶化之前的老化行为模式,观察到的模式包括电池电压下降速度增加、恒流充电期间电压增加速度增加、充电时间缩短、恒压充电期间电流减少速度增加以及电池放电速度与温度下降相关。
相关的SOH指标用于量化这些模式,以开发SOH估算器,利用深度神经网络(DNN)建模SOH指标与电池的SOH之间的复杂关系,多个基于DNN的SOH估计器表明,多样性的SOH指标显著提高了估算性能。
01
电池老化协议和测试程序
这项研究的目标是深入探究锂离子电池的老化行为以及与之相关的健康状态(SOH)指标,并基于数据开发一个可靠的SOH估算器。
为了达到这个目标,采用了一种综合的方法,包括电池充电和放电实验,以获取必要的数据,选用了天能ICR 18650-2600锂离子电池作为研究对象。
在开始老化实验之前,我们首先对电池芯的初始容量进行了校准,采用了经典的老化平台,对电池进行了30个老化循环。
与传统研究不同,我们将电池老化至极低的SOH值,即≤20%,这是为了更深入地研究电池在高度劣化状态下的特性和老化行为模式,并评估低SOH值下的SOH估算性能。
实际上,有一些应用要求电池在SOH低于70%~80%的情况下仍然能够正常工作,如二次使用电池。
在老化过程中,密切监测和记录了多个电池状态和老化变量,这些变量包括电池电压、电流、表面温度、放电库仑、放电时间、充电时间等。
我们还确保了实验的安全性,通过采用了多种保护功能,如电池过压保护、电池欠压保护、电池过流保护和电池过温保护,以确保电池芯和老化平台的安全性。
通过对电池老化数据的详细分析,我们识别出了多个与电池健康状况恶化相关的模式。
这些模式包括电池电压下降速度的增加、恒流充电期间电压增加速度的增加、充电时间的缩短、恒压充电期间电流减少速度的增加,以及电池放电速度与温度下降之间的相关性,这些模式为我们提供了有关电池健康状态的重要信息。
利用深度神经网络(DNN)来建模SOH指标与电池的SOH之间的复杂关系,设计多个基于DNN的SOH估算器,并发现多样性的SOH指标显著提高了估算性能。
这项研究通过对天能ICR 18650-2600锂离子电池的老化实验和数据分析,深入研究了电池的老化行为模式,并成功开发了基于数据的SOH估算器,这些研究成果有望为电池技术的进一步改进和应用提供重要的参考和指导。
02
SOH估计电池老化趋势
随着电池老化循环次数的增加,我们观察到一些关键的趋势和相互关联,这些趋势对于电池健康状态的估计具有重要意义,这些发现为更快速和实用的SOH估计提供了有力支持。
恒流(CC)充电时间明显减少,尤其是在SOH较低的情况下,这意味着电池需要更短的时间来完成充电过程,以满足相同的电池容量要求。
将这些充电时间与相应的SOH值进行了比较,结果显示了它们之间存在着明显的正相关性,这意味着充电时间的缩短可以作为一种指示器,用于估计电池的SOH。
SOH的估计方法通常需要考虑整个充电过程,包括恒流充电和恒压充电,传统的库仑计数法是一种常用的方法,但它需要大量的电量数据。
计算速度相对较慢,基于SOH I3的估计器通过利用充电时间与SOH之间的相关性,可以提供更快速和实用的SOH估计方法,这种方法只需要CC充电的数据,而不必考虑整个充电周期,因此在实际应用中具有很大的潜力。
另一个关键的观察是在恒压(CV)充电模式下,电池电流逐渐减小,直到达到CV充电结束电流,为0.05A,电流下降率或速度随着老化循环次数的增加而增加。
为了利用这一趋势进行SOH估计,我们引入了SOH I4,它是电流下降率的绝对值,结果显示,SOH I4与SOH值之间呈现出非线性相关性,这进一步加强了这一参数作为SOH指标的潜力。
只需要前20分钟的电池数据,而不必等待整个电池充电周期的结束,这对于快速SOH估计非常有用。
03
电池健康状态新指标
在我们的研究中,通过对电池老化数据的详细分析,揭示了一些与电池健康状态(SOH)相关的关键趋势和指标。
这些趋势和指标对电池管理和健康监测具有重要意义,研究基于实验中使用恒流放电(CC)方法进行的电池老化测试,旨在了解电池随着老化循环次数的增加而发生的变化。
随着电池老化,电池电压下降速度变得更快,而且CC放电操作的时间段也随着老化而减少,这些观察结果表明,电池的内部电阻可能随着老化而增加,导致电池在放电过程中电压下降更为迅速,这一现象的发现为电池老化特性的监测提供了一种新的方式。
为了更深入地量化这一老化模式并将其用于SOH估计,我们引入了SOH I1指标,它基于电池电压下降速率,随着电池的寿命降低,电压下降速率呈现出明显的增加趋势,尤其是在电池SOH较低的情况下。
这表明了SOH I1与电池健康状态之间的强相关性,尽管这种相关性具有复杂和非线性的特征。
在恒流充电(CC)模式下电池电压的上升速率,在恒流充电操作期间,电池电压逐渐上升,而当电池的SOH降低时,电池更快地达到了充电终止电压。
电池老化过程中与SOH相关的新指标,这些指标基于电压下降速率和电压上升速率,这些指标的计算只需要短时间段的电池数据,而不需要整个电池放电或充电周期的数据,所以具有更快的SOH估计速度。
这对于电池健康监测和管理来说是一项重要的突破,尤其是在电池轻度或中度老化的情况下。
这些结果为电动汽车等应用中电池健康状态的准确估计提供了新的工具和方法,有望在未来的电池技术研究和应用中发挥重要作用。
04
电池健康状态估算技术的突破
所识别的SOH指标与电池的健康状态之间存在强烈的相关性,这为开发SOH估算器提供了坚实的基础,每个SOH指标都有可能提高SOH估算的准确性,但需要注意的是,SOH指标与SOH值之间的关系是非线性且复杂的。
为了应对这种复杂性,我们采用了深度神经网络来建模SOH指标和SOH值之间的关系,以开发SOH估算器,我们的SOH估算器的整体流程。
在数据预处理阶段,对电池的老化数据进行了特征提取、数据清理和标准化,这些步骤有助于确保数据的质量和一致性,以便用于训练和测试DNN模型。
特别地,我们使用了最小-最大归一化来缩放输入数据,确保不同特征之间的数据单位和尺度的一致性。
在这之后,将电池的老化数据划分为训练数据集和验证数据集,而电池2和电池3的数据则用作测试数据集,训练数据集和验证数据集用于训练DNN模型和调整其超参数,而测试数据集用于评估我们的SOH估算器的性能。
我们采用的DNN结构包括输入层、隐藏层、dropout层和输出层,输入层的神经元数量取决于用于SOH估算的SOH指标数量。
研究不同数量的SOH指标对SOH估算性能的影响,我们逐个将每个单一SOH指标作为DNN的输入,然后将多个SOH指标集成在一起。
我们的DNN包括两个隐藏层,每个隐藏层包含128个神经元,激活函数为“Relu”,并添加dropout层来防止过度拟合,输出层不使用激活函数,用于SOH值的估算。
采用了均方误差(MSE)作为损失函数,并使用Adam优化算法来寻找最佳参数,通过交叉验证技术来指导训练过程,DNN模型在不到30秒内完成训练。
对SOH估算器的性能进行了全面评估,使用了均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评价指标。
不同的SOH指标对SOH估算器的性能产生了差异,其中SI-dvdtdisch SOH估算器在电池2上表现最佳,SI-didtCV SOH估算器在电池3上表现最佳。
使用更多不同类型的SOH指标来训练DNN可以显著提高SOH估算性能,MI4-DNN SOH估算器优于基于单一SOH指标的SOH估算器。
我们还将我们的基于DNN的SOH估算器与其他估算方法进行了比较,包括基于贝叶斯回归、高斯过程回归和支持向量回归的方法,结果表明,MI4-DNN SOH估算器在准确性和可靠性方面表现出色,优于其他方法。
结论
本研究利用自主电池老化平台采集的原始数据,分析锂离子电池的老化行为,并定义了一系列反映电池健康状况的SOH指标。
通过深度神经网络(DNN)模型,研究了SOH指标与SOH值之间的非线性关系,开发了基于不同输入(SI和MI)的SOH估计器,MI DNN SOH估计器相对于SI DNN表现更为准确。
研究还发现,多样性的输入特征或SOH指标显著提高了基于DNN的SOH估计器性能,未来的工作将探索电池在不同操作条件下的老化模式,以进一步优化SOH估计器。
[注:本文部分图片来自互联网!未经授权,不得转载!每天跟着我们读更多的书]
互推传媒文章转载自第三方或本站原创生产,如需转载,请联系版权方授权,如有内容如侵犯了你的权益,请联系我们进行删除!
如若转载,请注明出处:http://www.hfwlcm.com/info/164678.html