锂离子电池健康评估与故障诊断报告2024.pdf

Email:xiaosonghuieee.org第九届全国储能科学与技术大会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先进表征技术在储能中的应用2024-3-25胡晓松、邓忠伟重庆大学 机械与运载工程学院学院国家卓越工程师学院重庆自主品牌汽车协同创新中心锂离子电池健康评估与故障诊断目录2024-3-25 2电池健康评估 1 研究意义及挑战 3电池故障诊断22024-3-2531.1 研究意义电化学储能被广泛应用电化学储能被广泛应用 电化学储能已经开始从兆瓦级别的示范应用迈向电化学储能已经开始从兆瓦级别的示范应用迈向吉瓦级别的规模市场化吉瓦级别的规模市场化20252025年中国电化学储能装机容量展望年中国电化学储能装机容量展望20302030年全球电化学储能装机容量展望年全球电化学储能装机容量展望2024-3-2541.1 研究意义 开展电化学电池的开展电化学电池的健康管理与故障诊断等智能运维技术健康管理与故障诊断等智能运维技术是保障储能系统安全经济是保障储能系统安全经济运行的重要手段运行的重要手段电池寿命电池寿命性能衰减性能衰减能能运行运行多久？多久？事事故故危危害害大大残残值值评评估估难难电池智能运维技术电池智能运维技术健康管理故障诊断安全预警保障储能系统保障储能系统安全经济运行安全经济运行2024-3-255电池充放电循环电池老化健康状态衰退性能衰减需要更换 电池在使用过程中发生老化，健康状态（SOH）反映了电池老化程度 电池老化机理复杂，衰退路径差异大，已有估计方法泛化能力差1.2 关键挑战电池健康状态估计2024-3-256电池预测运维电池优化控制为电池生产制造提供指导1.2 关键挑战电池剩余寿命预测 难以获得真实标签：算法缺乏在线学习功能 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特征提取机器学习算法训练 基于数据驱动的寿命预测 电池寿命预测的价值2024-3-257储能电站事故储能电站事故安全事故种安全事故种类故障诊断与安全预警技术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对于保障储能系统安全可靠运行至关重要 电池系统安全问题愈发受到人们重视并亟待解决电池系统安全问题愈发受到人们重视并亟待解决来源:UL Solutionshttps:/ 关键挑战电池故障诊断起火爆炸发热鼓包排气2024-3-2581.2 关键挑战电池故障诊断 电池系统故障诊断关键技术电池包水平的关键特征提取与融合自适应阈值、融合式诊断方法多故障诊断与容错控制 电池系统故障特点电池故障模式众多多种故障机理复杂存在多故障耦合情况Hu X.*et al.Advanced Fault Diagnosis for Lithium-Ion Battery Systems:A Review of Fault Mechanisms,Fault Features,and Diagnosis Procedures,IEEE Industrial Electronics Magazine,14,3,65-91,20202024-3-25 2电池健康评估 1 研究意义及挑战 3电池故障诊断9目录2024-3-2510算法核心模块：1.异常电芯筛选：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：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：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算法算法SOH估计估计/寿命预测：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。2.1 电池健康评估：总体方案多维度数据支撑1.单体电池老化数据：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）2.电池系统静态数据：电池系统静态数据：电池种类，串并联结构，标称容量等，用于特征提取3.云端大数据或离线测试数据：云端大数据或离线测试数据：电流、总电压、单体电压、单体温度，用于特征提取及SOH估计2024-3-25112.2 核心算法异常电芯筛选模块基于充放电数据，提取多维度特征聚类算法1 聚类算法2 分类方式1 分类方式2 分类方式3 分类方式4 聚2类聚3类 进行全方位特征组合每种特征遍历使用多种分类方式 得到多个由(0,1)组成的好坏评价向量1代表评价结果为好，0代表为坏计算好评率得到综合健康评分数量级近似化相关性方向统一特征值归一化PCA降维Z2Z1 标记平均特征最大的类中的电池为0；其余类中标记为1。综合评分算法流程图特征处理流程特征量与健康状态成反比(),11jnhjk ijliFFn=适用于实际应用的特征示例温度c1循环的最大温度熵、平均温度熵c1循环的最大温差、平均温差c1循环的温升速率电压c1循环的最大电压熵、平均电压熵c1循环的最大压差、平均压差特征提取贾俊;胡晓松胡晓松;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),141-149,159，20212024-3-25122.2 核心算法异常电芯筛选模块贾俊;胡晓松胡晓松;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),141-149,159，2021数月后才报出故障图1 基于公开数据集的综合评分图2 基于储能数据集的综合评分图3 在报出故障前实现筛选 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的；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。公开数据集最终寿命与综合评分有较强的相关性；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”的电池；无监督学习，无需模型训练。2024-3-2513PredictabilityComputation timeP2D+Thermal modelP2D+Stress-StrainPseudo-2-D model(P2D)Single-particle model(SPM)Equivalent-circuit model(ECM)电路模型电化学模型多物理场耦合模型2.2 核心算法机理模型模块2024-3-2514Hu X*et al.,Efficient Simulation of Lithium-Ion Batteries Electrochemical Thermal Behavior Using Reformulated Pseudo 2-Dimensional Models.2.2 核心算法机理模型模块利用谱方法对P2D模型进行重构，不引入物理简化较有限体积和有限差分法更快收敛，模型复杂度低自适应的模型网格加密技术大倍率恒流与动态工况均保持高精度641121760153045607590电压RMSE(mV)方程个数 10C放电 5C放电 1C放电不同复杂度下重构模型误差计算时间（相似精度条件下）重构模型：0.5s-2s。COMSOL：60s-300s。LIONSIMBA：25s-38s。重构变量基函数附加函数液相浓度方程液相浓度方程边界条件边界条件 基于基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型的全阶重构电化学模型2024-3-2515Hu X*et al.,Efficient Simulation of Lithium-Ion Batteries Electrochemical Thermal Behavior Using Reformulated Pseudo 2-Dimensional Models.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端电压端电压RMSE=9.3 mV固相浓度固相浓度液相浓度液相浓度固液相界面固液相界面反应速率反应速率641121760153045607590电压RMSE(mV)方程个数 10C放电 5C放电 1C放电2.2 核心算法机理模型模块 基于基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型的全阶重构电化学模型10C的恒流放电，1s内完成计算，电压误差9.3 mV相同精度下，计算速度远快于COMSOL等商用软件模型可用于：健康评估、析锂诊断、快充策略优化和电池优化设计应用于ATL电池研发，加速电芯开发过程2024-3-2516 融合式特征筛选方法融合式特征筛选方法关键问题关键问题：特征提取方法多样，有效特征少，冗余特征多测量特征（电流，电压，温度等）计算特征（IC曲线,DV曲线,DT曲线等）基于融合滤波和封装法的特征筛选 针对SOH估计，基于融合的特征筛选方法和高斯过程回归模型的联合使用在多个数据集上的估计效果最优2.2 核心算法特征工程模块Hu X*et al.,Battery health prediction using fusion-based feature selection and machine learning,IEEE Transactions on Transportation Electrification,7,382-398,2021.验证一：自验证验证一：自验证验证二：交叉验证验证二：交叉验证2024-3-2517关键问题：充电行为具有一定随机性（充电起始/结束SOC不确定）从随机局部充电片段中提取出与SOH强相关的健康因子充电片段增量容量的均值和标准差：ave_Q,std_Q 基于随机局部充电片段的特征提取基于随机局部充电片段的特征提取多类型电池不同工况下所提取的健康因子与SOH相关性分析2.2 核心算法特征工程模块Deng Z,Hu X*et al.,Data-driven battery state of health estimation based on random partial charging data,IEEE Transactions on Power Electronics,37(5):5021-5031,2021.不同充电片段的健康因子与SOH相关性分析 基于较短的随机充电片段（电压窗口10mV），即可提取高相关性特征（0.8）2024-3-2518 基于机理模型的特征提取基于机理模型的特征提取关键问题：数据特征可解释性低，通用性低，早期预测困难物理数据混合特征（负极嵌锂范围+容量增量方差）序列对序列的深度神经网络2.2 核心算法特征工程模块Xu L,Hu X.*et al.A novel hybrid physics-based and data-driven approach for degradation trajectory prediction in Li-ion batteries.IEEE Transactions on Transportation Electrification,2022.融合机理特征能更有效实现早期预测以及噪声条件下的高鲁棒性正负极嵌锂范围正负极容量计算公式：放电容量曲线Start pointExperimentPredictionNoisy inputStart pointExperimentPredictionNoisy input早期预测噪声输入下的高鲁棒性相关性分析2024-3-2519关键问题：不同的使用工况，电池呈现不同衰退类型通过无监督学习算法（K-means）识别电池衰减类型利用特征和LSTM网络建立电池SOH估计模型（仅三个参考电池）结合迁移学习方法提高估计精度 基于衰减类型识别与迁移学习的基于衰减类型识别与迁移学习的SOH估计方法估计方法基于衰减特征识别与迁移学习的SOH估计方法流程图对124枚单体进行衰减模式分类2.2 核心算法SOH估计AI模块Deng Z,Hu X*et al.,Battery health estimation with degradation pattern recognition and transfer learning.Journal of Power Sources,525:231027,2022.基于迁移学习的SOH估计实现了大规模-不同使用工况的单体SOH高精度估计，误差2%2024-3-2520关键问题：电池训练标签有限，电池类型繁杂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型，产生大量合成数据 基于有限标签与领域自适应的电池组基于有限标签与领域自适应的电池组SOH快速检测快速检测2.2 核心算法SOH估计AI模块Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,and J.Zhou,Rapid health estimation of in-service battery packs based on limited labels and domain adaptation,Journal of Energy Chemistry,2023.SOH快速检测原理电池系统数字孪生模型2024-3-2521 基于短时充电片段提取特征数据Q(V)利用深度学习建立估计模型，合成数据进行预训练 利用标签数据和无标签数据进行领域自适应训练 10辆车，8辆训练-2辆测试，20次交叉验证，误差3.2%基于有限标签与领域自适应的电池组基于有限标签与领域自适应的电池组SOH快速检测快速检测2.2 核心算法SOH估计AI模块Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,and J.Zhou,Rapid health estimation of in-service battery packs based on limited labels and domain adaptation,Journal of Energy Chemistry,2023.SOH估计结果数据驱动建模源域与目标域特征分布结果10辆车充电测试辆车充电测试数据开源数据开源：https:/ 核心算法寿命预测AI模块相关性分析电池系统容量计算结果 在役电池系统衰减轨迹预测在役电池系统衰减轨迹预测 关键问题：没有电池实验测试数据，仅有云端大数据 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标签容量 分析充电数据的月份统计特征与电池容量的相关性，设计特征筛选程序，获得具有高相关性和自相关性低的特征集特征筛选程序()2121-ttatttI tCSOCSOC=数据公开：20辆车，运行29个月的数据安时积分公式变换：https:/ Z,Xu L,Liu H,Hu X,Duan Z,Xu Y.Prognostics of battery capacity based on charging data and data-driven methods for on-road vehicles.Applied Energy.2023;339:120954.2024-3-25232.2 核心算法寿命预测AI模块 在役电池系统衰减轨迹预测在役电池系统衰减轨迹预测 利用序列对序列（Seq2Seq）模型进行未来容量轨迹预测 建立基于高斯过程回归（GPR）的残差模型补偿预测误差 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个月的预测误差2%Deng Z,Xu L,Liu H,Hu X,Duan Z,Xu Y.Prognostics of battery capacity based on charging data and data-driven methods for on-road vehicles.Applied Energy.2023;339:120954.Seq2Seq 联合GPRSeq2Seq 结构11111221221Dnmnmnpnnmnccffccffinput outputccff+=01002003004007580859095100105 CBC#1 CBC#2 CBC#3 CBC#4 CBC#5 CBC#6 CBC#7 CBC#8 CBC#9 CBC#10 CBC#11 CBC#12 CBC#13 CBC#14 CBC#15 CBC#16Capacity AhCycles01002003004007580859095100Capacity Ah 95%Confidence interval Self-training based prediction TDL+GPR based prediction Real Value Threshold2024-3-2524电池包老化预测电池包老化预测对连接的电池单体进对连接的电池单体进行老化预测行老化预测 电池包及包内单体衰减趋势预测电池包及包内单体衰减趋势预测关键问题:模组测试时间长，费用高，模组寿命与单体相差较大目的:单体完整老化数据+电池包的早期数据 电池包寿命预测对电池包内电池单体的健康因子的老化趋势校正(迁移学习)对电池包内电池单体的容量轨迹进行预测(GPR)Che Y,Hu X.*et al.Lifetime and Aging Degradation Prognostics for Lithium-ion Battery Packs Based on a Cell to Pack Method.Chinese Journal of Mechanical Engineering,2022,35(1):1-16.电池单体全寿命周期完整循环数据健康因子提取基于单体完整数据集的健康因子实用性分析基于单体数据建立健康因子全寿命周期衰减模型电池组每个单体健康因子提取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)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电池组早期循环完整数据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算法框架2.2 核心算法寿命预测AI模块2024-3-25 2电池健康评价 1 研究意义及挑战 3电池故障诊断25目录2024-3-2526算法核心模块：1.基于模型故障诊断：基于电池单体及电池组模型，借助状态估计、参数辨识等方法检测故障2.数据驱动的故障诊断：从测量数据中提取有效特征，利用信号处理、统计和机器学习算法检测故障3.多故障诊断算法及规则库：结合电池组结构、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数据支撑：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3.1 电池故障诊断：总体方案电流总电压探针温度单体电压充电信息时间绝缘电阻基于模型信号处理状态估计参数估计IC曲线分析熵值法状态表示法相关系数法阈值比较统计推断基于规则输入数据诊断算法故障判断输出故障云端线上大数据线下短时数据特征参数状态、参数统计指标电流/电压/温度信号偏差、漂移、卡死传感器过充/放/热、内/外短路异常衰减、热失控电池电池连接故障冷却系故障执行器2024-3-2527 根据电压测量拓扑，利用结构分析理论构建诊断测试集 基于模型的残差生成和基于残差的CUSUM以诊断多故障 基于残差的样本熵进一步分离短路与连接故障 实现传感器、内短路、电池连接等多种故障检测和分离3.3 核心算法多故障检测与分离模块Zhang K.,Hu X.*,et al.,Multi-fault Detection and Isolation for Lithium-Ion Battery Systems,IEEE Transactions on Power Electronics,37,1,971-989,2022.EKF:扩展卡尔曼滤波CUSUM:累积和FDI:故障检测和分离2024-3-2528故障类型故障类型Ii-1,Vi-1,Ti-1Ii,Vi,TiIi+1,Vi+1,Ti+1电流传感器O111111O211111电压传感器O100000O200100温度传感器O100100O200000短路O101100O201100电池连接O101100O201100 多故障诊断验证电流、电压、温度传感器信号偏差、漂移、增益、卡死等故障多种大小的传感器、短路和连接故障表格1：不同故障与观测器O1、O2的对应关系Zhang K.,Hu X.*,et al.,Multi-fault Detection and Isolation for Lithium-Ion Battery Systems,IEEE Transactions on Power Electronics,37,1,971-989,2022.3.3 核心算法多故障检测与分离模块各传感器各传感器故障分离故障分离(O1、O2)短路与连接短路与连接故障故障分离分离(O2)电压故障电压故障温度故障温度故障电流故障电流故障短路故障短路故障连接故障连接故障短路与连接故障分离短路与连接故障分离实现快速准确的电池系统多故障的检测与分离2024-3-2529IC曲线特征3.2 核心算法内短路故障诊断模块 基于IC曲线和LOF算法的内短路故障诊断探究内短路造成IC曲线及其参数的变化规律提取有效的IC曲线特征并构建特征组合利用局部离群因子（LOF）算法识别内短路电芯内短路模拟实验离群点检测概念图Zhang K,Jiang L,Deng Z,Xie Y,Couture J,CoutureLin,J.,Lin,X.,Zhou,J.,Hu,X.*.An Early Soft Internal Short-Circuit Fault Diagnosis Method for Lithium-Ion Battery Packs in Electric Vehicles.IEEE/ASME Transactions on Mechatronics.2023,28(2):644-655.不同短路内阻下的IC曲线 不同充电片段的离群检测结果2024-3-2530 电池包内各单体电压曲线 电池包内各单体IC曲线3.2 核心算法内短路故障诊断模块 基于IC曲线和LOF算法的内短路故障诊断实际工况数据验证 不同充电片段的IC曲线特征变化结论：49#存在异常Zhang K,Jiang L,Deng Z,Xie Y,Couture J,CoutureLin,J.,Lin,X.,Zhou,J.,Hu,X.*.An Early Soft Internal Short-Circuit Fault Diagnosis Method for Lithium-Ion Battery Packs in Electric Vehicles.IEEE/ASME Transactions on Mechatronics.2023,28(2):644-655.第2次充电第7次充电第2次充电第3次充电第8次充电第7次充电#49#49#49#49第2次充电第3次充电第8次充电第7次充电最终实现基于数据的早期内短路快速诊断2024-3-25313.2 核心算法安全预警 基于无监督学习的电池安全预警基于无监督学习的电池安全预警Guo W,Yang L,Deng Z*,Xiao B,Bian X.Early diagnosis of battery faults through an unsupervised health scoring method for real-world applications,Transactions on Transportation Electrification,2023.提取电池健康及故障相关特征（极差、均差、熵值等）多种分类算法混合聚类（将分类问题转换为量化评分问题）算法框架各单体评分结果各特征演化规律2024-3-25323.2 核心算法安全预警 基于无监督学习的电池安全预警基于无监督学习的电池安全预警Guo W,Yang L,Deng Z*,Xiao B,Bian X.Early diagnosis of battery faults through an unsupervised health scoring method for real-world applications,Transactions on Transportation Electrification,2023.基于评分统计，设定安全边界进行预警故障等级划分与提前预警时间分析Typical real accidentsCase 1:potentially faulty vehicleCase 2:thermal runaway vehicleCase 3:potentially faultyenergy storage stationCell typeTernary lithium-ion batteriesTernary lithium-ion batteriesLiFePO4 batteriesCell number8992228Collection timeApril 15,2019-August 5,2019December 6,2019-August 12,2020August 1,2019-August 27,2019Sampling interval30s10s10sSampling accuracyVoltage:10mvCurrent:0.1ATemperature:1Voltage:10mvCurrent:0.1ATemperature:1Voltage:20mvCurrent:0.05ATemperature:1三辆事故车信息相比BMS报警，可以提前几天实现预警 案例分析