利用动态条件下的松弛电压特征实现锂离子电池健康状态估计
近日,武汉大学郭宇铮教授团队在基于机器学习方法的锂离子电池老化评估方面取得重要研究进展,为准确估计动态条件下锂离子电池的健康状态提供了一种可行的解决方案。相关成果以“State-of-health estimation for lithium-ion batteries using relaxation voltage under dynamic conditions”为题发表在Journal of Energy Storage上。博士研究生柯学为论文第一作者,武汉大学郭宇铮教授和蒯春光副研究员为共同通讯作者。该工作得到了国家电网公司总部科技项目科研经费的支持。
研究简述
随着全球能源危机的加剧和气候变化影响的加深,加快全球能源结构转型成为当务之急。在支持全球能源结构转型的各种技术中,电动汽车及其相关储能系统--尤其是锂离子电池(LIB)--发挥着不可或缺的作用。然而,由于复杂的老化机制,它们的性能会随着时间的推移而降低。为确保可靠运行并便于及时维护,评估电池的健康状况(SOH)至关重要。在最严格的形式下,SOH可以通过容量衰减来准确评估,这就需要进行耗时且成本高昂的标准充放电测试。这种传统方法不仅增加了成本,缩短了电池寿命,还消耗了额外的能量,因此在实际应用中并不可行。因此,更实用的方法是利用现场数据准确估算SOH。
电池是一个高度复杂的电化学系统,特定工作条件下的电压输出变化可以反映出与电池老化相关的内部变化。因此,研究特定工作条件下电池电压在不同循环之间的变化是估算SOH的主要方法。电池的工作条件包括充电、放电和休息。在电动汽车和消费电子领域,充电策略通常是固定的,而放电过程则受用户行为和环境的影响,具有随机性。因此,目前的研究方法侧重于从恒流恒压充电(CC-CV)过程中获取特征。然而,随着多阶段快速充电方法的采用,充电协议也在不断发展,使得传统的特征提取方法变得不那么有效。此外,由于工作条件下能量输入和输出的随机性,电网中不断增长的储能需求也对这种方法提出了更高的挑战。
在静止过程中,会发生电压松弛。从电化学角度看,电压松弛与充电或放电后的瞬态极化过程有关。通过对这一过程的详细研究,我们可以获得一些与电池充放电有关的重要动力学参数。这些参数直接反映了电池内部的物理化学变化,可作为估算 SOH 的重要指标。遗憾的是,目前从松弛电压中提取特征的研究数量有限,且仅限于固定的充放电策略,如恒流恒压充电或恒流放电。这些研究无法理解充电和放电模式如何影响松弛电压。必须认识到,松弛过程本质上是一种动态去极化现象,不仅与电池的老化状态密切相关,还受到前期充电和放电行为所产生的极化状态的显著影响。即使电池的SOH保持不变,不同大小的充电和放电电流也会导致不同程度的极化。此外,电池内部还存在电容瞬态效应,这会随着电流的动态波动而加剧极化的差异。因此,在现实世界的复杂场景中,必须考虑预充电或放电行为对电压松弛过程的影响,以扩大适用范围。例如,在电网储能系统中,电池操作经常涉及由需求响应或计划曲线形成的随机、动态充放电模式。然而,利用松弛电压诊断动态充放电条件下的电池健康状况的研究却很少。
针对上述问题,我们的研究开创性地引入了一种利用随机放电序列松弛过程估算SOH的方法,旨在挖掘松弛电压特性的潜在实用价值并拓宽其应用范围。首先,我们提出了一种以松弛电压为导向的创新特征工程方法,用于估算动态条件下LIB的SOH。通过将领域专业知识与等效电路建模分析相结合,我们深入研究了松弛电压变化的内在特性和起源,并阐明了这些变化与之前的随机放电过程(PRD)之间的相互依存关系。此外,我们还利用松弛电压的瞬态特性来提取相关的电路参数,从而完善了该方法的鲁棒性和准确性。其次,我们通过不同的机器学习技术证实了特征提取方法的有效性。通过基于随机森林的递归特征消除交叉验证(RF-RFE-CV)策略,确认了特征的实用性。之后,利用四个不同的数据驱动模型证实了随机放电条件下特征工程的精确性,特别是自动相关性判定高斯过程回归(ARD-GPR)模型具有卓越的预测准确性,实现了1.94%的低均方根误差。第三,通过将我们的特征提取方法与两类统计特征提取方法在不同运行环境下进行比较评估,我们证实了我们的方法在提供更高的预测准确性和增强泛化能力方面的优势,即使在数据量受限的情况下也是如此。物理上可解释的特征不依赖于历史数据,仅需要较小的样本量,并且在不同的当前场景中表现出更大的普适性。同时,这种方法不依赖于特定的充电方法,具有较高的实用性和适应性。因此,本研究证实了松弛电压信号在各种实际应用场景中的潜在价值,同时也为电池可靠性和性能监测提供了一种新的解决方案。
图1.所提出的基于动态条件下松弛电压表征的锂离子电池 SOH 估算模型框架
文章信息:X.Ke, H. Hong, P. Zheng, S. Zhang, L. Zhu, Z. Li, J. Cai, P. Fan, J. Yang, J. Wang, L. Li, C. Kuai*, Y. Guo*, State-of-health estimation for lithium-ion batteries using relaxation voltage under dynamic conditions, Journal of Energy Storage (2024).
https://doi.org/10.1016/j.est.2024.113506
补充
武汉大学动力与机械学院、工业科学研究院、电气与自动化学院郭宇铮教授课题组长期招收物理、材料、电子、化学、电气、人工智能等方向的2025级硕士研究生(保送)、博士研究生(直博或考核),以及长期招聘实验室学生助理(本科大一到大三学生)。
课题组团队以宽禁带半导体材料、器件、工艺与先进封装等领域的第一性原理计算、分子动力学、机器学习等多尺度建模仿真协同设计以及新能源储能等领域的实验制备、测试、分析为主要研究方向,已获得中组部与武汉大学重点资助。团队具有雄厚的计算资源、实验资源、技术资源及充足的科研经费支持,可为青年科研人员提供自由的科研氛围与优越的发展前景。
详情请查询招聘的历史链接: 武汉大学郭宇铮教授课题组招收2025级硕博研究生、实验室助理等研究人员 https://mp.weixin.qq.com/s/gPH3NBjH6KbZaZvODDRiGQ
文章评论(0)