锂离子电池健康评估与故障诊断报告（2024.3）-33页.docx

HpSleUjflIIWiVMBI目录ABM研究意义及挑战电池健康评估电池故障诊断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电化学储能被广泛应用2030年全球电化学储能装机容量展望配电催借能发电俐储能电网侧储能TOO2025年中国电化学储能装机容量展望辅助动态运行陋新建飕缓解线路阴塞备用电源延缓输配电扩容调频辅助服务明计划出力工商业储能居民/小型商业体能容也费用电能质紧急备用需求储管理用户分时电价管理20202D2S保障储能系统安全经济运行5次®残值评估难事故危害大健康状态衰退性能衰减需要更换电池充放电循环电池老化ecdfluResistanceIncreaseandCapacityDecreaseCycleNumberRes-Surnce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41火孚H,7ge*Iwiv*I特征提取机器学习算法训练I4I（=>RU1.OCI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%）求高，难以实现早期预测算法缺乏机理解释：无法识另!1-动后误差较大11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JouleTEIfrM11rCFCn9>HBattery1.ifetimePrognostics)41火学储能电站事故1.2关键挑战电池故障诊断11电池系统安全问题愈发受到人们重视并亟待解决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、融合式诊断方法口多故障诊断与容错控制电池组电-热特征自适应阖值特征提取与台r丁特征分析故障诊断故您处理多故障同时诊断数据驱动与融合算法容错控制、（HSH一_7ms:AReviewofFaultMechanisms.FaultFeatures,andDiagnosisProcedures,IEEEIndustrial电池系统故障特点电池故障模式众多口多种故障机理复杂存在多故障耦合情况电池故障电建m速退化近件电过充电冷用富5I电碱干扰*“关化9毒淡香电漕不一*10MstRKl状私R日工;tfttttl9»传感器故陞I:'U,1Y3I泡情温改。今rttWWHeuu*aM信率先It电sane.：IMMM*W«.KXHft电池建修»>!矗韵以盟（i“小电环：小动电是过4HuX.*etal.AdvancedFaultDiagnosisfor1.ithium-IonBatterySysteElectronicsMagazine,14.3,65-91,2020HpSleUjflIIWiVMBI目录研究意义及挑战电池健康评估电池故障诊断2.1电池健康评估：总体方案高线训练中体电压甲依温度线F刷0JK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 .Al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Al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核心算法一异常电芯筛选模块Hl特征提取特征处理流程适用于实际应用的特征示例Cl循环的最大温度精、平均温度熔温度CI循环的最大温差、平均CI循环的温升速率Cl循环的最大电压精、平均电压精电压Cl循环的最大压差、平均压差数量级近似化相关性方向统一综合评分算法流程图基于充放电数据，提取多维度特征进彳亍全方位特征组合笈h胆rfHg不佑田攵铀A米七才聚类算法1聚类算法2聚2类分类方式1分类方式2聚3类分类方式3分类方式4O得到多个由(U)组成的好坏评价向量1代表评价结果为好，OR表为坏计算好评率得到综合健康评分特征量与健康状态成反比E=(EC/，标记平均特征最大的类中的电池为。；0.8其余类中标记为1.0.62024-3-25贾俊: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，机械工程学羲，0不(14),141-149.159,202111O20406080100120电池0号图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图1基于公开数据集的综合评分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。 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。2024-3-25贾俊:胡曜松;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),141-149.159,202112)41人学lrXHsmmv2.2核心算法机理模型模块Predictability不同复杂度下重构模型误差75453015山登H三2.2核心算法机理模型模块基于PSeUdOtwoDimensional(P2D)的全阶重构电化学模型 利用谱方法对P2D模型进行重构，不引入物理简化口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液相浓度方程fp'lp÷Up(I-+>/pt(X.l)=F(X.)+£BkU)Tk(X)It重构变量附加函数基函数边界条件14计算时间(相似精度条件下)重构模型：0.5s-2soCOMSO1.：60s-300so1.ionsimba：25s-38so2024-3-25HuX*etal.,EfficientSimulationof1.ithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudo2-DimensionalModels.2.2核心算法机理模型模块基于PSeUdOtwoDimensional(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020403toSpec,cwbC40uml固相浓度oo120uoeoIeoSccm>cNuml液相浓度S5>10Cjftm5C放电IC放电器蠹面口IoC的恒流放电，IS内完成计算，电压误差9.3mV口相同精度下，计算速度远快于CoMSO1.等商用软件11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75>6011应用于AT1.电池研发，加速电芯开发过程2024-3-25HuX*etal.EfficientSimulationOf1.ithium-IonBatteriesElectrochemicalThermalBehaviorUsingReformulatedPseudo2-DimensionalModels.15验证二：交叉验证½E-:自我Q9.N.7A100ooHoNTdfeK针对Sc)H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16ndmachinelearning,IEEETransactionsonTransportationElectrification,7,382-398,22核心算法特征工程模块融合式特征筛选方法11关键问题：特征提取方法多样，有效特征少,冗余特征多口测量特征（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HuX*etal.,Baltervhealthpredictionusingfusion-basedfeatureselectiona2021.)41人学Hf¼II22核心算法特征工程模块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FmhOldVoltage(V)Segment（八）(b)Scgncn<Segment(C)NCA:ISV-ICI'(2l25C-OSC23X-IC25X-2C35XICJ3C-2C-NMCISSCISXU25V-O5C25VIC25,C-2C23P3C3SX-IC3SP2CE-OCcCCCCCCI2SIZJI1pnp1.IC2CMIC2C*CKKNr-±w255X5SS<-5332.15SX355S32 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：avestdQ不同充电片段的健康因子与SOH相关性分析NCA:ISjC-ICIStC2C25T4),5C23X2UCMX2CMCICMX-X： 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(p>08)17DengZ.HuX*etal.Data-drivenbatterystateofhealthestimationbased5031.2021.randompartialchargingdata.IEEETransactionsonPowerElectronics,37(5):5021-2.2核心算法特征工程模块基于机理模型的特征提取11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相关性分析F11Q=OII8940w"4F-IZJ=O»77IO*114)->-is>StartpointPrediction_NoisyinputOExpcrinieni栗声输入下向高鲁棒性正负极容量C3"1.("计算公式：Ct二FA1.n"c(*°-)3600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Xu1.HuX.*etal.Anovelhybridphysics-basedanddata-drivenapproachfordegradationtrajectorypredictionin1.i-ionbatteries.IEEETransactionsonTransportationElectrification.2022.2.2核心算法一SOH估计Al模块基于衰减类型识别与迁移学习的SoH估计方法11关键问题：不同的使用工况，电池呈现不同衰退类型11通过无监督学习算法（-means）识别电池衰减类型口利用特征和1.STM网络建立电池SoH估计模型（仅三个参考电池）口结合迁移学习方法提高估计精度15002<MK150020(M)Mnlium"一"""1.ongShortI一川1.cHh”川?)v*.tr(1j1.-c：,Bmiodatasc<三>>-1i»4SMWaRpeaktQi1.STMtorSoHestim，nlSOHZlntHtiOn对124枚单体进行衰减模式分类基于衰减特征识别与迁移学习的SoH估计方法流程图Ev二:OelkQISTM实现了大规模不同使用工况的单体SoH高精度估计，误差2%IS【Y匹基于迁移学习的SoH估计2024-3-25DengZ,HuX*etal.,Batteryhealthestimationwithdegradationpatternrecognitionandtransferlearning.JournalofPowerSources,525:231027,2022.19Hl22核心算法一SOH估计AI模块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，构建电池系统数字挛生模型，产生大量合成数据SOH快速检测原理电池系统数字享生模型Z.Deng.1.Xu*,H.1.iu,X.Hu.B.Wang,andJ.Zhou."Rapidhealthestimationofin-servicebatterypacksbasedonlimitedlabelsanddomainadaptation."JournalofEnergyChemistry,2023.22核心算法一SOH估计AI模块10辆车充电测试数据开源：基于有限标签与领域自适应的电池组SoH快速检测A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A利用标签数据和无标签数据进行领域自适应训练>10$两车,8辆训练-2辆测试，20次交叉验证，误差<3.2%F<e-tuningEncoder二；.QSC)H估ms果onlimitedlabelsanddomainadaptation."Journalof21Z.Deng.1.Xu*,H.1.iu,X.Hu.B.Wang,andJ.Zhou,"RapidhealthestimationEnergyChemistry,2023.2.2核心算法寿命预测Al模块在役电池系统衰减轨迹预测44火手hixj11.ImvI“关键问题：没有电池实验测试数据，仅有云端大数据A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，获得安时积分公式变换：Ca=r()SOC1-SOC1*1具有高相关性和自相关性低的特征集Procedure1:Featureselection19sH1. QuculatethecorehtonCoetneientofallieatutesf(M20vehicles2. GettheaverageCoHehtioncoefficient(>l)foeachfeature3. Get(enduefwithPt>0.5orr0.0.nndrankfromlargetosmall4. QxutructFlf,f2-W5. Fori=1,.,nForji1.,nIfh,0.9orr,>0.9DdecefjGoiuFEndEndEnd60wfPurp特征筛选程序电池系统容量计算结果相关性分析数据公开：20辆车，运行29个月的数据MidsHgilhuhconVTengMichaelZbaiiery-Charging-data-of-on-road-electric-vehiclesDengZ,Xu1.1.iuH,HuX.DuanZ,XuY.Prognosticsofbatterycapacitybasedonchargingdataanddata-drivenmethodsforonroadvehicles.AppliedEnergy.20231339:120954.11uIWiVM2.2核心算法寿命预测Al模块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%7'adtv,1.HhIey金、c-rHc*,7D=inputoutputdPft11Mda11Fnccxtrr¼ta<cVEOrC«pwrin1.HIUCsrirs(hltavSeq2Seq结构Seq2Seq联合GPRDengZ,Xu1.1.iuH,HuX.DuanZ,XuY.Prognosticsofbatterycapacitybasedonchargingdataanddata-drivenmethodsforonroadvehicles.AppliedEnergy.20231339:120954.2.2核心算法寿命预测Al模块电池包及包内单体衰减趋势预测1111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T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）WWedBU电池单体全寿命周期完整循环数据健康因子提取电池组早期循环完整电池组每个单体健康数据因子提取算法框架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）预测未来电池组衰减至初始容量70%的循环容及剩余寿命r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数字能源2030OOO电池单体电池组模型修正过程参考模型建立估计模型建立O陵测过程75105l(M)9s90858075-IIVIWedS对连接的电池单体进行老化预测Ool-ICBC#2.CBeS3一CBaM一一CBC85CBai6CBC#7一CBCa8-CBeWCIOlOCIOllCBQn2-×CBaH3一OCBCGl4一CBCS15CBCSl6OI(M)200CheY.HuX.*etal.1.ifetimeandAgingDegradaHonPrognosticsfor1.ithium-ionBatteryPacksBasedonaCelltoPackMethod.ChineseJournalOfMechanicaIEngineering,2022.35(1):1-16.HpSleUjflIIWiVMBI目录研究意义及挑战电池健康评价电池故障诊断3.1电池故障诊断：总体方案输入数据故障判断输出故障时间电流总电压单体电压探针温度充电信息绝缘电阻诊断算法特征参数六状态、参整统计指标阈值比较基于规则统计推断电池过充/放/热、内/外短路异常衰减、热失控传感器电流/电压/温度信号偏差、漂移、卡死执行器电池连接故障冷却系故障算法核心模块：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hpij11.mv. 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 基于残差的样本炳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EKF:扩展卡尔曼滤波CUSUM:累积和FDI:故障检测和分离各传感器故障分离(01、02)短路与连接故障分离(02)实现快速准确的电池系统多故障的检测与分离44火手VigXMMS«mve1sa*100O2000JOOO40009000MOOTWO9000WDO电500C6000Obterwg0bfw97);100Q3000WnJrtWi6000700080009000I0bswH_-«Cbw<wrM)短路故障40005000007000«00OOOGTInWI1短路与连接故障分离0o2000XOO«xnsoMoorooo«*omoo-Umiii_3.3核心算法一多故障检测与分离模块多故障诊断验证11电流、电压、温度传感器信号偏差、漂移、增益、卡死等故障11多种大小的传感器、短路和连接故障2024-3-25表格1:不同故障与观测器01、02的对应关系故障类型i-,V.,TmI,v,Tih+1,Vi+1,Tj+1电流传感器01111110211111电压传感器010000OPn1n11温度传感器01001000200000短路010110002011000101100电池连接0201100ZhangK.,HuX.*,etal.,Mulli-IaullDetectionandIsolationtor1.ithium-IonBauCrySystems,I3.2核心算法一内短路故障诊断模块基于IC曲线和1.C)F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11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(1.OF)算法识别内短路电芯内短路模拟实验离群点检测概念图IC曲线特征不同短路内阻下的IC曲线ZhangK.Jiang1.DengZ.XieY.CoutureJ.Couture1.in,J.1.in.X.Zhou.J.Hu,X.*.AnEarlySoftInternalShort-CircuitFaultDiagnosisMethodfor1.ithium-IonBatter>,PacksinElectricVehicles.IEEE/ASMETransactionsonMechatronics.2023.28(2):644-655.3.2核心算法一内短路故障诊断模块M季XhixjIWivi»e电池包内各单体IC曲线基于IC曲线和1.C)F算法的内短路故障诊断实际工况数据验证电池包内各单体电压曲线不同充电片段的IC曲线特征变化第2次充电IJ不同充电片.O50100150段的周群检第7次充电测结果结论：49#存在异常最终实现基于数据的早期内短路快ZhangK,Jiang1.DengZ.XieY.CoutureJ.Couture1.in.J.1.in,X.Zhou.J.Hu,X.*.AnEarlySoftInternalShort-CircuitFaultDiagnosisMethodfor1.ithium-IonBatter>,PacksinElectricVehicles.IEEE/ASMETransactionsonMechatronics.2023.28(2):644-655.3.2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、燧值等）多种分类算法混合聚类（将分类问题转换为量化评分问题）Cwrc*一Fourtype*offrxturrSclf-difltfrcnvA¾c11tf4cMihm<pit)fnciH1.JItn6(4Vrciu¼hJiickIkwiFeaiuresHomMVilwrThj如ThZwuoKrrI,M"而ThZEI'4.<n4.11X-f>M<工W4*S23F=SI1各特征演化规律H*i(d1(MXMiCdl管3关框如各单体评分结果GuoW,Yang1.,DengZ*,XiaoB,BianX.Earlydiagnosisofbatteryfaultsthroughanunsupervisedhealthscoringmethodforreal-worldapplications.TransactionsonTransportationElectrification,2023.3.2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TypicalrealaccidentsCase1:potentiallyfaultyvehicleCase2:thermalrunawayvehicleCase3:potentiallyfaultyenergystoragestationCelltypeTernarylithium-ionbatteriesTernarylithium-ionbatteries1.iFePO4batteriesCellnumber8992228CollectionApril15,2019-December6,2019-August1,2019-timeAugust5,2019August12,2020August27,2019Samplinginterval30sIOsIOsSamplingVoltage:±IOmvCurrent:±0.1AVoltage:±IOmvCurrent:±0.1AVoltage:±20mvCurrent:±0.05AaccuracyTemperature:÷ITemperature:+1Temperature:÷C三辆事故车信息故障等级划分与提前预警时间分析相比BMS报警，可以提前几天实现预警GuoW.Yang1.,DengZ*,XiaoB,BianX.orIranp<ttionElectrification,2023.anunsupervisedhealthscoringmethodforreal-worldapplications,Transactions32