锂离子电池健康评估与故障诊断报告（）

锂离子电池健康评估与故障诊断 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 目录 研究意义及挑战 ➢1 ➢2电池健康评估 ➢3电池故障诊断 1.1研究意义 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 1.1研究意义 开展电化学电池的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运行的重要手段 1.2关键挑战——电池健康状态估计 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——电池剩余寿命预测 电池寿命预测的价值 ⚫电池预测运维⚫电池优化控制⚫为电池生产制造提供指导 基于数据驱动的寿命预测 ⚫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 1.2关键挑战——电池故障诊断 来源: UL Solutionshttps://www.ul.com/insights/lithium-ion-battery-incident-reporting ◆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 1.2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 多种故障机理复杂 自适应阈值、融合式诊断方法 多故障诊断与容错控制 目录 研究意义及挑战 ➢1 ➢2电池健康评估 ➢3电池故障诊断 2.1电池健康评估：总体方案 算法核心模块： 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。 多维度数据支撑 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）2.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：电流、总电压、单体电压、单体温度，用于特征提取及SOH估计 2.2核心算法——异常电芯筛选模块 ◆标记平均特征最大的类中的电池为0；◆其余类中标记为1。 2.2核心算法——异常电芯筛选模块 ◆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。 ◼基于Pseudo-two-Dimensional(P2D)的全阶重构电化学模型 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 计算时间（相似精度条件下）重构模型：0.5s-2s。COMSOL：60s-300s。LIONSIMBA：25s-38s。 2.2核心算法——机理模型模块 ◼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 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 2.2核心算法——特征工程模块 ◼融合式特征筛选方法 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 ◼基于随机局部充电片段的特征提取 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 基于较短的随机充电片段（电压窗口≤10mV），即可提取高相关性特征（ρ>0.8） 2.2核心算法——特征工程模块 ◼基于机理模型的特征提取 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 ◼基于衰减类型识别与迁移学习的SOH估计方法 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） 实现了大规模-不同使用工况的单体SOH高精度估计，误差<2% ◼基于有限标签与领域自适应的电池组SOH快速检测 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SOH快速检测 10辆车充电测试数据开源：https://github.com/TengMichael/Charging-test-data-of-in-service-electric-vehicles ➢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% 2.2核心算法——寿命预测AI模块 ◼在役电池系统衰减轨迹预测 ( )2121-ttatttI tCSOCSOC=−安时积分公式变换： ➢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 数据公开：20辆车，运行29个月的数据https://github.com/TengMichael/battery-charging-data-of-on-road-electric-vehicles ◼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% 2.2核心算法——寿命预测AI模块 ◼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) 目录 研究意义及挑战 ➢1 ➢2电池健康评价 ➢3电池故障诊断 3.1电池故障诊断：总体方案 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 3.3核心算法——多故障检测与分离模块 ◼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 ◼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 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 3.2核心算法——内短路故障诊断模块 3.2核心算法——安全预警 ◼基于无监督学习的电池安全预警 ➢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 3.2核心算法——安全预警 ◼基于无监督学习的电池安全预警 ➢基于评分统计，设定安全边界进行预警 ➢案例分析 相比BMS报警，可以提前几天实现预警 谢谢各位专家！ 2024-3-25