基于数据-模型驱动的锂离子电池健康状态估计*

doi:10.11985/2022.04.004

电气工程学报 ›› 2022, Vol. 17 ›› Issue (4): 20-31.doi: 10.11985/2022.04.004

• 特邀专栏：电化学储能系统安全管理与运维 • 上一篇下一篇

扫码分享

基于数据-模型驱动的锂离子电池健康状态估计^*

方德宇(), 楚潇(), 刘涛(), 李俊夫()

哈尔滨工业大学(威海)汽车工程学院威海 264201

收稿日期:2022-06-15 修回日期:2022-08-10 出版日期:2022-12-25 发布日期:2023-02-03
通讯作者: 李俊夫，男，1990年生，博士，讲师。主要研究方向为动力电池管理系统，动力电池建模、状态估计与健康管理。E-mail：lijunfu@hit.edu.cn
作者简介:方德宇，男，1999年生，硕士研究生。主要研究方向为锂离子电池内部故障诊断。E-mail：fdy0611@foxmail.com
楚潇，男，1997年生，硕士研究生。主要研究方向为锂离子电池状态估计。E-mail：394307661@qq.com
刘涛，男，1966年生，博士，教授。主要研究方向为汽车轻量化、特种车辆、汽车被动安全等。E-mail：13863130278@163.com
基金资助:
*中国博士后科学基金面上资助项目(2021M690740)

Research on Health Assessment Method of Lithium-ion Battery Based on Data-model Hybrid Drive

FANG Deyu(), CHU Xiao(), LIU Tao(), LI Junfu()

School of Automotive Engineering, Harbin Institute of Technology(Weihai), Weihai 264201

Received:2022-06-15 Revised:2022-08-10 Online:2022-12-25 Published:2023-02-03
Contact: LI Junfu, E-mail：lijunfu@hit.edu.cn

摘要/Abstract

摘要：

本文以容量和能量为电池健康表征参数进行电池健康状态(State of health, SOH)评估方法研究。首先分别采用两种方法进行健康状态估计：一种是直接输入原始电池容量、能量序列，利用灰色预测算法(Metabolic grey algorithm, MGA)对电池容量和能量进行预测；另一种是先输入原始模型参数，利用灰色预测算法对简化电化学-老化模型(Simplified electrochemical model, SEM)参数进行预测，将预测后的参数值代入到模型当中，拟合电池端电压曲线，再通过积分法获取电池的容量和能量。针对两种健康表征参数衰退速度、估计精度等问题，提出基于数据-模型混合驱动的锂离子电池健康状态的综合评估方法，实现电池健康状态的准确估计。

关键词: 锂离子电池, 健康状态, 灰色预测算法, 简化电化学-老化模型

Abstract:

In this work, a battery’s state of health(SOH) estimation method is developed with capacity and energy as characterization parameters. Two methods are used to estimate the SOH. First, the metabolic grey algorithm(MGA) is used to predict the battery capacity and energy by insetting the original battery capacity and energy sequence directly. Second, the original model parameters are imput, the parameters of simplified electrochemical model(SEM) are predicted by using grey prediction algorithm, the predicted parameter values are brought back to the model, the battery terminal voltage curve is fit, and the battery capacity and energy are obtained by integration method. Aiming at the decay rate and estimation accuracy of the two characterization parameters, and a comprehensive battery health state estimation method based on data-model hybrid drive is developed to realize the accurate prediction of battery SOH.

Key words: Lithium-ion battery, state of health, metabolic grey prediction algorithm, simplified electrochemical-aging model

中图分类号:

TM561

方德宇, 楚潇, 刘涛, 李俊夫. 基于数据-模型驱动的锂离子电池健康状态估计^*[J]. 电气工程学报, 2022, 17(4): 20-31.

FANG Deyu, CHU Xiao, LIU Tao, LI Junfu. Research on Health Assessment Method of Lithium-ion Battery Based on Data-model Hybrid Drive[J]. Journal of Electrical Engineering, 2022, 17(4): 20-31.

图/表 25

图1

表1

SP+模型"

相应过程描述	模型方程
固相离子扩散	${{y}_{\mathrm{surf}}}(t)={{y}_{\mathrm{avg}}}(t)+\Delta y(t)$ ${{x}_{\mathrm{surf}}}(t)={{x}_{\mathrm{avg}}}(t)-\Delta x(t)$ $\Delta y\left( t \right)=\Delta {{y}_{1}}\left( t \right)+\frac{2}{7}\frac{{{\tau }_{\mathrm{p}}}}{{{Q}_{\mathrm{p}}}}\cdot I\left( t \right)$ $\Delta x\left( t \right)=\Delta {{x}_{1}}\left( t \right)+\frac{2}{7}\frac{{{\tau }_{\mathrm{n}}}}{{{Q}_{\mathrm{n}}}}\cdot I\left( t \right)$
正负集流体处液相锂离子浓度差	$\begin{matrix} \Delta c({{t}_{\mathrm{k}+1}})=\Delta c({{t}_{\mathrm{k}}})+ \\ \frac{1}{{{\tau }_{\mathrm{e}}}}\cdot \left[ {{P}_{\mathrm{con}}}\cdot I({{t}_{\mathrm{k}}})-\Delta c({{t}_{\mathrm{k}}}) \right]\cdot ({{t}_{\mathrm{k}+1}}-{{t}_{\mathrm{k}}}) \\ \end{matrix}$
浓差极化过电势	${{\eta }_{\mathrm{con}}}=\frac{2RT}{F}\left( 1-{{t}_{+}} \right)\cdot \left( \ln \frac{{{c}_{0}}+\Delta {{c}_{0}}(t)}{{{c}_{0}}-\Delta {{c}_{0}}(t)} \right)$
反应极化过电势	${{\eta }_{\mathrm{act}}}=\frac{2RT}{F}\cdot \left[ \ln \left( \sqrt{m_{\mathrm{n}}^{2}+1}+{{m}_{\mathrm{n}}} \right)+\ln \left( \sqrt{m_{\mathrm{p}}^{2}+1}+{{m}_{\mathrm{p}}} \right) \right]$ ${{m}_{\mathrm{n}}}\left( t \right)=\frac{1}{6\cdot {{Q}_{\mathrm{n}}}{{\left( 1-{{x}_{\mathrm{surf}}} \right)}^{0.5}}{{\left( {{x}_{\mathrm{surf}}} \right)}^{0.5}}c_{0}^{0.5}}\cdot {{P}_{\mathrm{act}}}\cdot I\left( t \right)$ ${{m}_{\mathrm{p}}}\left( t \right)=\frac{1}{6\cdot {{Q}_{\mathrm{p}}}{{\left( 1-{{y}_{\mathrm{surf}}} \right)}^{0.5}}{{\left( {{y}_{\mathrm{surf}}} \right)}^{0.5}}c_{0}^{0.5}}\cdot {{P}_{\mathrm{act}}}\cdot I\left( t \right)$
欧姆极化过电势	${{\eta }_{\mathrm{ohm}}}={{R}_{\mathrm{ohm}}}\cdot I\left( t \right)$
端电压	$\begin{matrix} & {{U}_{\mathrm{OCV}}}\left( t \right)={{U}_{\mathrm{p}}}\left( {{y}_{\text{surf}}} \right)-{{U}_{\mathrm{n}}}\left( {{x}_{\text{surf}}} \right)- \\ & \ \ \ {{\eta }_{\text{con}}}\left( t \right)-{{\eta }_{\text{act}}}\left( t \right)-{{\eta }_{\text{ohm}}}\left( t \right) \\ \end{matrix}$

表1

表2

表3

图2

图3

表4

图4

图5

图6

图7

表5

图8

图9

图10

图11

表6

图12

图13

图14

表7

图15

图16

图17

表8

参考文献 20

[1]	XIONG R, CHEN H, WANG C, et al. Towards a smarter hybrid energy storage system based on battery and ultracapacitor:A critical review on topology and energy management[J]. Journal of Cleaner Production, 2018(202):1228-1240.
[2]	XIONG R, YU Q, SHEN W, et al. A sensor fault diagnosis method for a lithium-ion battery pack in electric vehicles[J]. IEEE Transaction on Power Electronics, 2019(8993):1-11.
[3]	张博钊, 苟斌, 徐燕璋. 循环使用与储存条件对石墨/ LiCoO₂电池寿命的影响分析[J]. 电气工程学报, 2022, 17(2):38-48.
	ZHANG Bozhao, GOU Bin, XU Yanzhang. Effect analysis of recycling and storage conditions on graphite/LiCoO₂ battery life[J]. Journal of Electrical Engineering, 2022, 17(2):38-48.
[4]	LIU K, LI Y, HU X, et al. Widanage,Gaussian process regression with automatic relevance determination kernel for calendar aging prediction of lithium-ion batteries[J]. IEEE Trans. Ind. Informatics, 2019(16):3767-3777.
[5]	FENG Y, XUE C, HAN Q L, et al. Robust estimation for state-of-charge and state-of-health of lithium-ion batteries using integral-type terminal sliding-mode observers[J]. IEEE Trans. Ind. Electron., 2019(67):4013-4023.
[6]	杜海忠, 骆滔, 宋浩谊, 等. 基于电压平衡的锂电池主动均衡电路及策略[J]. 电气工程学报, 2021, 16(3):145-151.
	DU Haizhong, LUO Tao, SONG Haoyi, et al. Active balancing circuit and strategy of Li-ion battery based on voltage balance[J]. Journal of Electrical Engineering, 2021, 16(3):145-151.
[7]	JIANG Y, ZHANG J, XIA L, et al. State of health estimation for lithium-ion battery using empirical degradation and error compensation models[J]. IEEE Access, 2020(8):123858-123868.
[8]	HU X, FENG F, LIU K. State estimation for advanced battery management:Key challenges and future trends[J]. Renew. Sust. Energ. Rev., 2019(114):109-124.
[9]	张朝龙, 赵筛筛, 何怡刚. 基于信息熵与PSO-LSTM的锂电池组健康状态估计方法[J]. 机械工程学报, 2022, 58(10):180-190. doi: 10.3901/JME.2022.10.180
	ZHANG Chaolong, ZHAO Shaishai, HE Yigang. State-of-health estimate for lithium-ion battery using information entropy and PSO-LSTM[J]. Journal of Mechanical Engineering, 2022, 58(10):180-190. doi: 10.3901/JME.2022.10.180
[10]	GOU B, XU Y, FENG X. An ensemble learning-based data-driven method for online state-of-health estimation of lithium-ion batteries[J]. IEEE Trans. Transp. Electrif., 2020(2):422-436.
[11]	TANG X, ZOU C, YAO K, et al. A fast estimation algorithm for lithium-ion battery state of health[J]. Journal of Power Sources, 2018(396):453-458.
[12]	FANG Liu, CHEN Shao, SU Weixing. Online joint estimator of key states for battery based on a new equivalent circuit model[J]. Journal of Energy Storage, 2022(52):780-795.
[13]	SONG Y, LIU D, LIAO H, et al. A hybrid statistical data-driven method for on-line joint state estimation of lithium-ion batteries[J]. Applied Energy, 2020(261):114-127.
[14]	TIAN Huixin, QIN Pengliang, LI Kun. A review of the state of health for lithium-ion batteries:Research status and suggestions[J]. Journal of Cleaner Production, 2020(261):813-840.
[15]	LIU J, WANG W, MA F, et al. A data-model-fusion prognostic framework for dynamic system state forecasting[J]. Engineering Applications of Artificial Intelligence, 2012(25):814-823.
[16]	XU Zhicheng, WANG Jun. Co-estimating the state of charge and health of lithium batteries through combining a minimalist electrochemical model and an equivalent circuit model[J]. Enengy, 2022(240):281-295.
[17]	罗伟林. 锂离子电池电化学模型简化及参数估计[D]. 哈尔滨: 哈尔滨工业大学, 2014.
	LUO Weilin. Simplification of electrochemical model and parameter estimation of lithium-ion battery[D]. Harbin: Harbin Institute of Technology, 2014.
[18]	李俊夫. 锂离子电池解耦合简化第一原理模型及SOC估计[D]. 哈尔滨: 哈尔滨工业大学, 2018.
	LI Junfu. Simplified first-principle model and SOC estimation for lithium-ion battery decoupling[D]. Harbin: Harbin Institute of Technology, 2018.
[19]	LI Junfu, WANG Dafang. Aging modes analysis and physical parameter identification based on a simplified electrochemical model for lithium-ion batteries[J]. Journal of Energy Storage, 2020(3):538-550.
[20]	CHEN L, LIN W, LI J, et al. Prediction of lithium-ion battery capacity with metabolic grey model[J]. Energy, 2016(106):662-672.

参数	定义
y₀, x₀	正/负电极初始嵌锂浓度分数
Q_p, Q_n /(A·s)	正/负极活性材料容量
y_ofs	正负极配比偏移
τ_p, τ_n/s	正/负极固相扩散时间常数
τ_e/s	液相扩散时间常数
P_con /(mol·m^-3·A^-1)	液相扩散比例系数
P_act /(m^-1.5·mol^0.5·s)	反应极化系数
R_ohm/Ω	内阻
U_p,n/V	正负极电极电势
c_max,p,c_max,n/(mol/m³)	正/负极最大含锂浓度

参数	定义
y_surf/y_avg, x_surf/x_avg	正负电极表面/平均嵌锂浓度分数
Q_all/(A·s)	放电容量
D_y, D_x	正/负电极嵌锂浓度分数变化范围
η_con/V	浓差极化电势
η_act/V	反应极化电势
η_ohm/V	欧姆极化电势
U₀/U_OCV/V	端电压/开路电压
U_set/V	设定的放电截止电压

电池编号	放电倍率	恒压充电电压/V	放电深度(%)	温度/℃
3-1，3-2	1C	4.2	100	25
3-3，3-4	1C	4.2	50	25
3-5，3-6	2C	4.2	100	25

工况		不同循环下的仿真误差
1C	N 误差	20 0.011 4	80 0.017 9	140 0.034 7	240 0.055 5
2C	N 误差	20 0.012 7	80 0.024 6	160 0.036 7	260 0.051 1

电池编号	MGA平均误差(%)	SEM-MGA平均误差(%)
3-1	2.250	2.392
3-2	2.651	3.151
3-3	1.917	2.428
3-4	2.079	2.794
3-5	0.796	2.029
3-6	1.224	2.056

基于数据-模型驱动的锂离子电池健康状态估计^*

Research on Health Assessment Method of Lithium-ion Battery Based on Data-model Hybrid Drive

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 25

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价

电池编号	MGA平均误差(%)	SEM-MGA平均误差(%)
3-1	3.905	3.745
3-2	4.649	3.251
3-3	4.223	1.656
3-4	5.248	2.731
3-5	1.736	1.838
3-6	2.845	2.622

电池编号	MGA平均误差(%)	SEM-MGA平均误差(%)
3-1	2.673	2.935
3-2	3.376	2.662
3-3	2.772	1.774
3-4	3.401	2.558
3-5	0.470	1.514
3-6	1.812	1.584

[1]	李彦梅, 刘惠汉, 张朝龙, 罗来劲. 基于双高斯模型的锂电池剩余使用寿命预测方法^*[J]. 电气工程学报, 2022, 17(4): 32-40.
[2]	刘王泽宇, 李青, 庾甜甜, 熊锦晨, 张洪源, 董明, 任明. 锂离子电池过放电状态的阻抗特性研究^*[J]. 电气工程学报, 2022, 17(4): 51-60.
[3]	王功全, 孔得朋, 平平, 吕宏鹏. 锂离子电池热失控模型综述^*[J]. 电气工程学报, 2022, 17(4): 61-71.
[4]	陈银, 肖如, 崔怡琳, 陈明毅. 储能电站锂离子电池火灾早期预警与抑制技术研究综述^*[J]. 电气工程学报, 2022, 17(4): 72-87.
[5]	张宇鑫, 武建华, 郑林锋, 叶涛. 基于数字孪生的锂离子电池管理系统设计分析^*[J]. 电气工程学报, 2022, 17(4): 103-112.
[6]	徐彬翔, 郑林锋, 黄乙恒, 肖志能, 王新月. 基于改进最小二乘支持向量机的锂离子电池健康状态快速估计方法^*[J]. 电气工程学报, 2022, 17(4): 11-19.
[7]	刘家豪, 马晴雯. 在浸入式冷却中添加新型翅片的混合电池热管理系统[J]. 电气工程学报, 2022, 17(4): 113-121.
[8]	于仲安, 陈可怡, 张军令, 胡泽洲. 动力电池散热技术研究进展^*[J]. 电气工程学报, 2022, 17(4): 145-162.
[9]	杨淞元, 田勇, 田劲东. 基于iCEEMDAN和迁移学习的锂离子电池SOH估计^*[J]. 电气工程学报, 2022, 17(4): 2-10.
[10]	齐四清, 苏林华, 范新宇, 姜楠, 王鹏飞. 锂离子电池正极材料低温性能衰退机理研究^*[J]. 电气工程学报, 2022, 17(3): 19-29.
[11]	陈鑫阳, 姚天浩, 王红康. 锂/钠离子电池锡锑合金负极材料改性的研究进展[J]. 电气工程学报, 2022, 17(3): 2-11.
[12]	徐茂舒, 沈旖, 王晟, 张娥, 李浩秒, 周敏, 王玮, 王康丽, 蒋凯. 先进感知技术在电池状态估计中的应用与启示^*[J]. 电气工程学报, 2022, 17(3): 40-57.
[13]	党月懋, 张雪纯, 徐楚奕, 江全元. 基于温度变化率曲线的锂离子电池健康状态评估算法^*[J]. 电气工程学报, 2022, 17(3): 58-65.
[14]	巫春玲, 程琰清, 徐先峰, 孟锦豪, 谢美美. 基于蒙特卡洛和SH-AUKF算法的锂电池SOC估计^*[J]. 电气工程学报, 2022, 17(3): 66-75.
[15]	张博钊, 苟斌, 徐燕璋. 循环使用与储存条件对石墨/LiCoO₂电池寿命的影响分析^*[J]. 电气工程学报, 2022, 17(2): 38-48.