鋰電池健康管理與故障診斷-儲能大會-胡曉松.pdf

《鋰電池健康管理與故障診斷-儲能大會-胡曉松.pdf》由會員分享，可在線閱讀，更多相關《鋰電池健康管理與故障診斷-儲能大會-胡曉松.pdf（33頁珍藏版）》請在三個皮匠報告上搜索。

1、Email:xiaosonghuieee.org第九屆全國儲能科學與技術大會第九屆全國儲能科學與技術大會先進表征技術在儲能中的應用先進表征技術在儲能中的應用2024-3-25胡曉松、鄧忠偉重慶大學 機械與運載工程學院學院國家卓越工程師學院重慶自主品牌汽車協同創新中心鋰離子電池健康評估與故障診斷目錄2024-3-25 2電池健康評估 1 研究意義及挑戰 3電池故障診斷22024-3-2531.1 研究意義電化學儲能被廣泛應用電化學儲能被廣泛應用 電化學儲能已經開始從兆瓦級別的示范應用邁向電化學儲能已經開始從兆瓦級別的示范應用邁向吉瓦級別的規模市場化吉瓦級別的規模市場化20252025年中國電化學

2、儲能裝機容量展望年中國電化學儲能裝機容量展望20302030年全球電化學儲能裝機容量展望年全球電化學儲能裝機容量展望2024-3-2541.1 研究意義 開展電化學電池的開展電化學電池的健康管理與故障診斷等智能運維技術健康管理與故障診斷等智能運維技術是保障儲能系統安全經濟是保障儲能系統安全經濟運行的重要手段運行的重要手段電池壽命電池壽命性能衰減性能衰減能能運行運行多久？多久？事事故故危危害害大大殘殘值值評評估估難難電池智能運維技術電池智能運維技術健康管理故障診斷安全預警保障儲能系統保障儲能系統安全經濟運行安全經濟運行2024-3-255電池充放電循環電池老化健康狀態衰退性能衰減需要更換 電池在

3、使用過程中發生老化，健康狀態（SOH）反映了電池老化程度 電池老化機理復雜，衰退路徑差異大，已有估計方法泛化能力差1.2 關鍵挑戰電池健康狀態估計2024-3-256電池預測運維電池優化控制為電池生產制造提供指導1.2 關鍵挑戰電池剩余壽命預測 難以獲得真實標簽：算法缺乏在線學習功能 算法訓練所需數據量大（50%）：數據質量要求高，難以實現早期預測 算法缺乏機理解釋：無法識別容量跳水，工況變動后誤差較大特征提取機器學習算法訓練 基于數據驅動的壽命預測 電池壽命預測的價值2024-3-257儲能電站事故儲能電站事故安全事故種安全事故種類故障診斷與安全預警技術故障診斷與安全預警技術對于保障儲能系統

4、安全可靠運行至關重要對于保障儲能系統安全可靠運行至關重要 電池系統安全問題愈發受到人們重視并亟待解決電池系統安全問題愈發受到人們重視并亟待解決來源:UL Solutionshttps:/ 關鍵挑戰電池故障診斷起火爆炸發熱鼓包排氣2024-3-2581.2 關鍵挑戰電池故障診斷 電池系統故障診斷關鍵技術電池包水平的關鍵特征提取與融合自適應閾值、融合式診斷方法多故障診斷與容錯控制 電池系統故障特點電池故障模式眾多多種故障機理復雜存在多故障耦合情況Hu X.*et al.Advanced Fault Diagnosis for Lithium-Ion Battery Systems:A Review

5、 of Fault Mechanisms,Fault Features,and Diagnosis Procedures,IEEE Industrial Electronics Magazine,14,3,65-91,20202024-3-25 2電池健康評估 1 研究意義及挑戰 3電池故障診斷9目錄2024-3-2510算法核心模塊：1.異常電芯篩選：異常電芯篩選：從電池包中篩選出健康狀態較差的單體2.機理模型：機理模型：通過電化學模型提取能夠準確表征電池健康狀態的內部機理參數3.特征工程：特征工程：從電池電流、電壓、溫度等外特性數據提取表征電池健康的數據特征，以及機理特征提取4.AI算法算

6、法SOH估計估計/壽命預測：壽命預測：采用先進的高斯過程回歸（GPR）和深度學習算法（DCNN）等AI算法，建立SOH估計/壽命預測模型。2.1 電池健康評估：總體方案多維度數據支撐1.單體電池老化數據：單體電池老化數據：全壽命周期的充放電數據，用于模型訓練（本團隊已積累了大量電池老化實驗和工程數據）2.電池系統靜態數據：電池系統靜態數據：電池種類，串并聯結構，標稱容量等，用于特征提取3.云端大數據或離線測試數據：云端大數據或離線測試數據：電流、總電壓、單體電壓、單體溫度，用于特征提取及SOH估計2024-3-25112.2 核心算法異常電芯篩選模塊基于充放電數據，提取多維度特征聚類算法1 聚

7、類算法2 分類方式1 分類方式2 分類方式3 分類方式4 聚2類聚3類 進行全方位特征組合每種特征遍歷使用多種分類方式 得到多個由(0,1)組成的好壞評價向量1代表評價結果為好，0代表為壞計算好評率得到綜合健康評分數量級近似化相關性方向統一特征值歸一化PCA降維Z2Z1 標記平均特征最大的類中的電池為0；其余類中標記為1。綜合評分算法流程圖特征處理流程特征量與健康狀態成反比(),11jnhjk ijliFFn=適用于實際應用的特征示例溫度c1循環的最大溫度熵、平均溫度熵c1循環的最大溫差、平均溫差c1循環的溫升速率電壓c1循環的最大電壓熵、平均電壓熵c1循環的最大壓差、平均壓差特征提取賈俊;胡

8、曉松胡曉松;鄧忠偉*;徐華池;肖偉;韓鋒;數據驅動的鋰離子電池健康狀態綜合評分及異常電池篩選，機械工程學報，57(14),141-149,159，20212024-3-25122.2 核心算法異常電芯篩選模塊賈俊;胡曉松胡曉松;鄧忠偉*;徐華池;肖偉;韓鋒;數據驅動的鋰離子電池健康狀態綜合評分及異常電池篩選，機械工程學報，57(14),141-149,159，2021數月后才報出故障圖1 基于公開數據集的綜合評分圖2 基于儲能數據集的綜合評分圖3 在報出故障前實現篩選 針對工程應用數據，提取多維特征；應用本算法進行綜合健康評分計算，可見其中2號模組始終處是評分最低的；而該模組在運行前期并未報出

9、明顯故障，直至兩個月之后才出現“壓差過大”和“出力不足”；本算法提前數月實現了異常電池篩選。公開數據集最終壽命與綜合評分有較強的相關性；評分是一個連續的序列值，我們可以根據需要決定哪些是“差”的電池；無監督學習，無需模型訓練。2024-3-2513PredictabilityComputation timeP2D+Thermal modelP2D+Stress-StrainPseudo-2-D model(P2D)Single-particle model(SPM)Equivalent-circuit model(ECM)電路模型電化學模型多物理場耦合模型2.2 核心算法機理模型模塊2024-

10、3-2514Hu X*et al.,Efficient Simulation of Lithium-Ion Batteries Electrochemical Thermal Behavior Using Reformulated Pseudo 2-Dimensional Models.2.2 核心算法機理模型模塊利用譜方法對P2D模型進行重構，不引入物理簡化較有限體積和有限差分法更快收斂，模型復雜度低自適應的模型網格加密技術大倍率恒流與動態工況均保持高精度641121760153045607590電壓RMSE(mV)方程個數 10C放電 5C放電 1C放電不同復雜度下重構模型誤差計算時間（相

11、似精度條件下）重構模型：0.5s-2s。COMSOL：60s-300s。LIONSIMBA：25s-38s。重構變量基函數附加函數液相濃度方程液相濃度方程邊界條件邊界條件 基于基于Pseudo-two-Dimensional(P2D)的全階重構電化學模型的全階重構電化學模型2024-3-2515Hu X*et al.,Efficient Simulation of Lithium-Ion Batteries Electrochemical Thermal Behavior Using Reformulated Pseudo 2-Dimensional Models.實現大電流，動態工況條件下電

12、池內部參數及外部特性監控實現大電流，動態工況條件下電池內部參數及外部特性監控端電壓端電壓RMSE=9.3 mV固相濃度固相濃度液相濃度液相濃度固液相界面固液相界面反應速率反應速率641121760153045607590電壓RMSE(mV)方程個數 10C放電 5C放電 1C放電2.2 核心算法機理模型模塊 基于基于Pseudo-two-Dimensional(P2D)的全階重構電化學模型的全階重構電化學模型10C的恒流放電，1s內完成計算，電壓誤差9.3 mV相同精度下，計算速度遠快于COMSOL等商用軟件模型可用于：健康評估、析鋰診斷、快充策略優化和電池優化設計應用于ATL電池研發，加速電

13、芯開發過程2024-3-2516 融合式特征篩選方法融合式特征篩選方法關鍵問題關鍵問題：特征提取方法多樣，有效特征少，冗余特征多測量特征（電流，電壓，溫度等）計算特征（IC曲線,DV曲線,DT曲線等）基于融合濾波和封裝法的特征篩選 針對SOH估計，基于融合的特征篩選方法和高斯過程回歸模型的聯合使用在多個數據集上的估計效果最優2.2 核心算法特征工程模塊Hu X*et al.,Battery health prediction using fusion-based feature selection and machine learning,IEEE Transactions on Transp

14、ortation Electrification,7,382-398,2021.驗證一：自驗證驗證一：自驗證驗證二：交叉驗證驗證二：交叉驗證2024-3-2517關鍵問題：充電行為具有一定隨機性（充電起始/結束SOC不確定）從隨機局部充電片段中提取出與SOH強相關的健康因子充電片段增量容量的均值和標準差：ave_Q,std_Q 基于隨機局部充電片段的特征提取基于隨機局部充電片段的特征提取多類型電池不同工況下所提取的健康因子與SOH相關性分析2.2 核心算法特征工程模塊Deng Z,Hu X*et al.,Data-driven battery state of health estimatio

15、n based on random partial charging data,IEEE Transactions on Power Electronics,37(5):5021-5031,2021.不同充電片段的健康因子與SOH相關性分析 基于較短的隨機充電片段（電壓窗口10mV），即可提取高相關性特征（0.8）2024-3-2518 基于機理模型的特征提取基于機理模型的特征提取關鍵問題：數據特征可解釋性低，通用性低，早期預測困難物理數據混合特征（負極嵌鋰范圍+容量增量方差）序列對序列的深度神經網絡2.2 核心算法特征工程模塊Xu L,Hu X.*et al.A novel hybrid p

16、hysics-based and data-driven approach for degradation trajectory prediction in Li-ion batteries.IEEE Transactions on Transportation Electrification,2022.融合機理特征能更有效實現早期預測以及噪聲條件下的高魯棒性正負極嵌鋰范圍正負極容量計算公式：放電容量曲線Start pointExperimentPredictionNoisy inputStart pointExperimentPredictionNoisy input早期預測噪聲輸入下的高魯

17、棒性相關性分析2024-3-2519關鍵問題：不同的使用工況，電池呈現不同衰退類型通過無監督學習算法（K-means）識別電池衰減類型利用特征和LSTM網絡建立電池SOH估計模型（僅三個參考電池）結合遷移學習方法提高估計精度 基于衰減類型識別與遷移學習的基于衰減類型識別與遷移學習的SOH估計方法估計方法基于衰減特征識別與遷移學習的SOH估計方法流程圖對124枚單體進行衰減模式分類2.2 核心算法SOH估計AI模塊Deng Z,Hu X*et al.,Battery health estimation with degradation pattern recognition and transf

18、er learning.Journal of Power Sources,525:231027,2022.基于遷移學習的SOH估計實現了大規模-不同使用工況的單體SOH高精度估計，誤差2%2024-3-2520關鍵問題：電池訓練標簽有限，電池類型繁雜通過實際充電測試產生標簽，并辨識得到電池模型，構建電池系統數字孿生模型，產生大量合成數據 基于有限標簽與領域自適應的電池組基于有限標簽與領域自適應的電池組SOH快速檢測快速檢測2.2 核心算法SOH估計AI模塊Z.Deng,L.Xu*,H.Liu,X.Hu,B.Wang,and J.Zhou,Rapid health estimation of i

19、n-service battery packs based on limited labels and domain adaptation,Journal of Energy Chemistry,2023.SOH快速檢測原理電池系統數字孿生模型2024-3-2521 基于短時充電片段提取特征數據Q(V)利用深度學習建立估計模型，合成數據進行預訓練 利用標簽數據和無標簽數據進行領域自適應訓練 10輛車，8輛訓練-2輛測試，20次交叉驗證，誤差3.2%基于有限標簽與領域自適應的電池組基于有限標簽與領域自適應的電池組SOH快速檢測快速檢測2.2 核心算法SOH估計AI模塊Z.Deng,L.Xu*,H

20、.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估計結果數據驅動建模源域與目標域特征分布結果10輛車充電測試輛車充電測試數據開源數據開源：https:/ 核心算法壽命預測AI模塊相關性分析電池系統容量計算結果 在役電池系統衰減軌跡預測在役電池系統衰減軌跡預測 關鍵問題：沒有電池實驗測試數據，僅有云端大數據 利用安時積分公式

21、變換，計算電池容量，以一個月內的中值容量為標簽容量 分析充電數據的月份統計特征與電池容量的相關性，設計特征篩選程序，獲得具有高相關性和自相關性低的特征集特征篩選程序()2121-ttatttI tCSOCSOC=數據公開：20輛車，運行29個月的數據安時積分公式變換：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;339:1209

22、54.2024-3-25232.2 核心算法壽命預測AI模塊 在役電池系統衰減軌跡預測在役電池系統衰減軌跡預測 利用序列對序列（Seq2Seq）模型進行未來容量軌跡預測 建立基于高斯過程回歸（GPR）的殘差模型補償預測誤差 基于早期數據（前3個月），可以正確預測未來容量軌跡，未來26個月的預測誤差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

23、.2023;339:120954.Seq2Seq 聯合GPRSeq2Seq 結構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 Se

24、lf-training based prediction TDL+GPR based prediction Real Value Threshold2024-3-2524電池包老化預測電池包老化預測對連接的電池單體進對連接的電池單體進行老化預測行老化預測 電池包及包內單體衰減趨勢預測電池包及包內單體衰減趨勢預測關鍵問題:模組測試時間長，費用高，模組壽命與單體相差較大目的:單體完整老化數據+電池包的早期數據 電池包壽命預測對電池包內電池單體的健康因子的老化趨勢校正(遷移學習)對電池包內電池單體的容量軌跡進行預測(GPR)Che Y,Hu X.*et al.Lifetime and Aging D

25、egradation Prognostics for Lithium-ion Battery Packs Based on a Cell to Pack Method.Chinese Journal of Mechanical Engineering,2022,35(1):1-16.電池單體全壽命周期完整循環數據健康因子提取基于單體完整數據集的健康因子實用性分析基于單體數據建立健康因子全壽命周期衰減模型電池組每個單體健康因子提取基于電池組早期數據修正健康因子衰減模型以適應各單體健康因子變化趨勢利用早期數據建立單體健康因子和電池組容量的機器學習模型(N維輸入1維輸出)外推各單體的健康因子隨循環次

26、數的變化，得到各循環單體健康因子的預測值電池組早期循環完整數據預測未來電池組衰減至初始容量70%的循環容量及剩余壽命電池單體參考模型建立電池組估計模型建立模型修正過程預測過程算法框架2.2 核心算法壽命預測AI模塊2024-3-25 2電池健康評價 1 研究意義及挑戰 3電池故障診斷25目錄2024-3-2526算法核心模塊：1.基于模型故障診斷：基于電池單體及電池組模型，借助狀態估計、參數辨識等方法檢測故障2.數據驅動的故障診斷：從測量數據中提取有效特征，利用信號處理、統計和機器學習算法檢測故障3.多故障診斷算法及規則庫：結合電池組結構、結構分析理論、殘差特性等，建立多故障診斷算法框架及規則

27、庫數據支撐：1.云端大數據：電流、總電壓、單體電壓、單體/探針溫度、充電信息、串并聯結構、絕緣電阻，用于特征提取和故障診斷，總體數據包含正常和故障數據2.線下短時數據：電流、總電壓、單體電壓、單體/探針溫度、標稱容量，用于狀態/參數估計、特征提取和故障診斷3.1 電池故障診斷：總體方案電流總電壓探針溫度單體電壓充電信息時間絕緣電阻基于模型信號處理狀態估計參數估計IC曲線分析熵值法狀態表示法相關系數法閾值比較統計推斷基于規則輸入數據診斷算法故障判斷輸出故障云端線上大數據線下短時數據特征參數狀態、參數統計指標電流/電壓/溫度信號偏差、漂移、卡死傳感器過充/放/熱、內/外短路異常衰減、熱失控電池電池

28、連接故障冷卻系故障執行器2024-3-2527 根據電壓測量拓撲，利用結構分析理論構建診斷測試集 基于模型的殘差生成和基于殘差的CUSUM以診斷多故障 基于殘差的樣本熵進一步分離短路與連接故障 實現傳感器、內短路、電池連接等多種故障檢測和分離3.3 核心算法多故障檢測與分離模塊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:擴展卡爾曼濾波CU

29、SUM:累積和FDI:故障檢測和分離2024-3-2528故障類型故障類型Ii-1,Vi-1,Ti-1Ii,Vi,TiIi+1,Vi+1,Ti+1電流傳感器O111111O211111電壓傳感器O100000O200100溫度傳感器O100100O200000短路O101100O201100電池連接O101100O201100 多故障診斷驗證電流、電壓、溫度傳感器信號偏差、漂移、增益、卡死等故障多種大小的傳感器、短路和連接故障表格1：不同故障與觀測器O1、O2的對應關系Zhang K.,Hu X.*,et al.,Multi-fault Detection and Isolation for

30、Lithium-Ion Battery Systems,IEEE Transactions on Power Electronics,37,1,971-989,2022.3.3 核心算法多故障檢測與分離模塊各傳感器各傳感器故障分離故障分離(O1、O2)短路與連接短路與連接故障故障分離分離(O2)電壓故障電壓故障溫度故障溫度故障電流故障電流故障短路故障短路故障連接故障連接故障短路與連接故障分離短路與連接故障分離實現快速準確的電池系統多故障的檢測與分離2024-3-2529IC曲線特征3.2 核心算法內短路故障診斷模塊 基于IC曲線和LOF算法的內短路故障診斷探究內短路造成IC曲線及其參數的變化規

31、律提取有效的IC曲線特征并構建特征組合利用局部離群因子（LOF）算法識別內短路電芯內短路模擬實驗離群點檢測概念圖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.

32、不同短路內阻下的IC曲線 不同充電片段的離群檢測結果2024-3-2530 電池包內各單體電壓曲線 電池包內各單體IC曲線3.2 核心算法內短路故障診斷模塊 基于IC曲線和LOF算法的內短路故障診斷實際工況數據驗證 不同充電片段的IC曲線特征變化結論：49#存在異常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

33、 Electric Vehicles.IEEE/ASME Transactions on Mechatronics.2023,28(2):644-655.第2次充電第7次充電第2次充電第3次充電第8次充電第7次充電#49#49#49#49第2次充電第3次充電第8次充電第7次充電最終實現基于數據的早期內短路快速診斷2024-3-25313.2 核心算法安全預警 基于無監督學習的電池安全預警基于無監督學習的電池安全預警Guo W,Yang L,Deng Z*,Xiao B,Bian X.Early diagnosis of battery faults through an unsupervise

34、d health scoring method for real-world applications,Transactions on Transportation Electrification,2023.提取電池健康及故障相關特征（極差、均差、熵值等）多種分類算法混合聚類（將分類問題轉換為量化評分問題）算法框架各單體評分結果各特征演化規律2024-3-25323.2 核心算法安全預警 基于無監督學習的電池安全預警基于無監督學習的電池安全預警Guo W,Yang L,Deng Z*,Xiao B,Bian X.Early diagnosis of battery faults through

35、 an unsupervised health scoring method for real-world applications,Transactions on Transportation Electrification,2023.基于評分統計，設定安全邊界進行預警故障等級劃分與提前預警時間分析Typical real accidentsCase 1:potentially faulty vehicleCase 2:thermal runaway vehicleCase 3:potentially faultyenergy storage stationCell typeTernary

36、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:1三輛事故車信息相比BMS報警，可以提前幾天實現預警 案例分析2024-3-2533謝謝各位專家！謝謝各位專家！