重庆大学：锂电池健康管理与故障诊断

第九届全国储能科学与技术大会——先进表征技术在储能中的应用Email:xiaosonghu@重庆大学机械与运载工程学院学院重庆自主品牌汽车协同创新中心22024-3-2522323研究意义及挑战32024-3-2532030年全球电化学储能装机容量展望2030年全球电化学储能装机容量展望2025年中国电化学储能装机容量展望2025年中国电化学储能装机容量展望42024-3-254残值评估难事故危害大保障储能系统残值评估难事故危害大保障储能系统健康管理故障诊断安全预警52024-3-25562024-3-256算法训练所需数据量大（>50%数据质量要求高，难以实现早期预测算法缺乏机理解释：无法识别容量跳水，工况变动后误差较大72024-3-257储能电站事故故障诊断与安全预警技术对于保障储能系统安全可靠运行至关重要2024-3-25HuX.*etal.AdvancedFaultDiagnosisforLithium-IonBatterySystems:AReviewofFaultMechanisms,FaultFeatures,andDiagnosisProcedures,IEEEIndustrialElectronicsMagazine,14,3,65-91,2020892024-3-2592323研究意义及挑战1.异常电芯筛选：从电池包中筛选出健康状态较差的单体2.机理模型：通过电化学模型提取能够准确表征电池健康状态的内部机理参数3.特征工程：从电池电流、电压、温度等外特性数据提取表征电池健康的数据特征，以及机理特征提取4.AI算法SOH估计/寿命预测：采用先进的高斯过程回归（GPR）和深度学习算法（DCNN）等AI算法，建立SOH估计/寿命预测模型。1.单体电池老化数据：全寿命周期的充放电数据，用于模型训练（本团队已积累了大量电池老化实验和工程数据）2024-3-25特征提取适用于实际应用的特征示例特征处理流程综合评分算法流程图ZZ2Z1特征量与健康状态成反比nj标记平均特征最大的类中的电池为0；其余类中标记为1。2024-3-25贾俊;胡晓松;邓忠伟*;徐华池;肖伟;韩锋;《数据驱动的锂离子电池健康状态综合评分及异常电池筛选》，机械工程学报，57(14),141-149,159，20212345789304560759060电池编号255循环数公开数据集最终寿命与综合评分有评分是一个连续的序列值，我们可以根据需要决定哪些是“差”的电无监督学习，无需模型训练。2345789304560759060电池编号255循环数公开数据集最终寿命与综合评分有评分是一个连续的序列值，我们可以根据需要决定哪些是“差”的电无监督学习，无需模型训练。数月后才报数月后才报针对工程应用数据，提取多维特征；应用本算法进行综合健康评分计算，可见其中2号模组始终处是评分最低而该模组在运行前期并未报出明显故障，直至两个月之后才出现“压差过大”和“出力不足”；本算法提前数月实现了异常电池筛选。2024-3-25贾俊;胡晓松;邓忠伟*;徐华池;肖伟;韩锋;《数据驱动的锂离子电池健康状态综合评分及异常电池筛选》，机械工程学报，57(14),141-149,159，20212024-3-25ComputationtimeComputationtime多物理场耦合模型电化学模型电路模型»907560453090756045300642024-3-25HuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudo2-DimensionalModels.14电压RMSE电压RMSE(mV)基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型实现大电流，动态工况条件下电池内部参数及外部特性监控4505C放电方程个数2024-3-25HuX*etal.,EfficientSimulationofLithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudo2-DimensionalModels.15融合式特征筛选方法2024-3-25HuX*etal.,Batteryhealthpredictionusingfusion-basedfeatureselectionandmachinelearning,IEEETransactionsonTransportationElectrification,7,382-398,2021.基于随机局部充电片段的特征提取std_△Q即可提取高相关性特征(ρ>0.8）2024-3-25DengZ,HuX*etal.,Data-drivenbatterystateofhealthestimationbasedonrandompartialchargingdata,IEEETransactionsonPowerElectronics,37(5):5021-175031,2021.基于机理模型的特征提取StartpointNoisyinputPrediction0StartpointNoisyinput2024-3-25XuL,HuX.*etal.Anovelhybridphysics-basedanddata-drivenapproachfordegradationtrajectorypredictioninLi-ionbatteries.IEEETransactionson18TransportationElectrification,2022.基于衰减类型识别与迁移学习的SOH估计方法基于衰减特征识别与迁移学习的SOH估计2024-3-25DengZ,HuX*etal.,Batteryhealthestimationwithdegradationpatternrecognitionandtransferlearning.JournalofPowerSources,525:231027,2022.19基于有限标签与领域自适应的电池组SOH快速检测通过实际充电测试产生标签，并辨识得到电池模型，构建电池系统数字孪生模2024-3-25Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,andJ.Zhou,"Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation,"Journalof20EnergyChemistry,2023.基于有限标签与领域自适应的电池组SOH快速检测10辆车充电测试数据开源：https://githudata-of-in-service-electric-vehicl2024-3-25Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,andJ.Zhou,"Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation,"Journalof21EnergyChemistry,2023.在役电池系统衰减轨迹预测利用安时积分公式变换，计算电池容量，以一个月内的中值容量为分析充电数据的月份统计特征与电池容量的相关性，设计特征筛选程a 1/TengMichael/battery-chardata-of-on-road-electric-ve2024-3-25roadvehicles.AppliedEnergy.2023;339:120954.22在役电池系统衰减轨迹预测利用序列对序列（Seq2Seq）模型进行未来容基于早期数据（前3个月），可以正确预测未来容量轨迹，未来26个月的预测f11f12||f11f12||nf1n…f1ncn+p」cn+p」2024-3-25roadvehicles.AppliedEnergy.2023;339:120954.23Capacity[Ah]Capacity[Ah]算法框架95%Confidenceinterval—Self-trainingbasedpredictionTDL+GPRbasedpredictionRealValue...Threshold基于单体数据建立健康因子全寿命周期衰减模型基于单体完整数据集的健康因子实用性分析75Capacity[Ah]Capacity[Ah]算法框架95%Confidenceinterval—Self-trainingbasedpredictionTDL+GPRbasedpredictionRealValue...Threshold基于单体数据建立健康因子全寿命周期衰减模型基于单体完整数据集的健康因子实用性分析75105CBC#1——▲CBC#3--◆CBC#5--CBC#7----★CBC#9--CBC#11-1--CBC#13----CBC#15--●CBC#2CBC#4CBC#6CBC#8CBC#10 CBC#12×CBC#14CBC#16基于电池组早期数据修正健康因子衰减模型以适应各单体健康因子变化趋势电池组每个单体健康因子提取10095外推各单体的健康因子随循环次数的变化，得到各循环单体健康因子的预测值预测未来电池组衰减至初始容量70%的循环容量及剩余寿命85800100200300400Cycles95909590电池单体全寿命周期电池单体全寿命周期完整循环数据健康因子提取0100200300400电池组早期循环完整电池组早期循环完整数据90利用早期数据建立单利用早期数据建立单体健康因子和电池组容量的机器学习模型 (N维输入1维输出)75电池单体参考模型建立电池组估计模型建立模型修正过程预测过程2024-3-25CheY,HuX.*etal.LifetimeandAgingDegradationPrognosticsforLithium-ionBatteryPacksBasedonaCelltoPackMethod.ChineseJournalofMechanical24Engineering,2022,35(1):1-16.2024-3-252323研究意义及挑战262024-3-2526输入数据诊断算法故障判断输出故障电池组模型，借助状态估计、参数辨识等方法检测故障提取有效特征，利用信号处理、统计和机器学习算法检测故障组结构、结构分析理论、残差特性等，建立多故障诊断算法框架及规则库时间电流总电压单体电压探针温度充电信息绝缘电阻阈值比较过充/放/热、内/外短路异常衰减、热失控输入数据诊断算法故障判断输出故障电池组模型，借助状态估计、参数辨识等方法检测故障提取有效特征，利用信号处理、统计和机器学习算法检测故障组结构、结构分析理论、残差特性等，建立多故障诊断算法框架及规则库时间电流总电压单体电压探针温度充电信息绝缘电阻阈值比较过充/放/热、内/外短路异常衰减、热失控电流/电压/温度信号偏差、漂移、卡死电池连接故障冷却系故障特征参数IC曲线分析熵值法状态表示法相关系数法统计推断基于模型状态估计状态、参数基于规则信号处理参数估计统计指标电池传感器执行器云端线上大数据线下短时数据1.云端大数据：电流、总电压、单体电压、单体/探针温度、充电信息、串并联结构、绝缘电阻，用于特征提取和故障诊断，总体数据包含正常和故障数据2.线下短时数据：电流、总电压、单体电压、单体/探针温度、标称容量，用于状态/参数估计、特征提取和故障诊断EKF:扩展卡尔曼滤波CUSUM:累积和FDI:故障检测和分离2024-3-25ZhangK.,HuX.*,etal.,Multi-faultDetectionandIsolationforLithium-IonBatterySystems,IEEETransactionsonPowerElectronics,37,1,971-989,2022.27表格1：不同故障与观测器O1、O2的对应关系……111111111100000001000010000000011000110001100011002024-3-25ZhangK.,HuX.*,etal.,Multi-faultDetectionandIsolationforLithium-IonBatterySystems,IEEETransactionsonPowerElectronics,37,1,971-989,2022.28内短路模拟离群点检测概念图不同短路内阻下的IC曲线2024-3-25ZhangK,JiangL,DengZ,XieY,CoutureJ,CoutureLin,J.,Lin,X.,Zhou,J.,Hu,X.*.AnEarlySoftInternalShort-CircuitFaultDiagnosisMethodforLithium-Ion29BatteryPacksinElectricVehicles.IEEE/ASMETransactionsonMechatronics.2023,28(2):644-655.测结果结论：49#存在异常测结果结论：49#存在异常②电池包内各单体②电池包内各单体IC各单体电压曲线③不同充电片段的IC曲线特征变化④段的离群检#492024-3-25ZhangK,JiangL,DengZ,XieY,CoutureJ,CoutureLin,J.,Lin,X.,Zhou,J.,Hu,X.*.AnEarlySoftInternalShort-CircuitFaultDiagnosisMethodforLithium-Ion