鋰離子電池的健康狀態(tài)評估

導(dǎo)讀

準(zhǔn)確評估鋰離子電池的健康狀態(tài)對電動汽車的使用至關(guān)重要。及早發(fā)現(xiàn)性能不足有助于及時維護(hù)動力電池系統(tǒng)，同時可以降低使用成本、防止故障和安全事故。近年來，“大數(shù)據(jù)”分析和相關(guān)統(tǒng)計/計算能力的蓬勃發(fā)展也有利于基于數(shù)據(jù)驅(qū)動進(jìn)行電池健康狀態(tài)估計的研究。以下將從差分分析提取特征、相關(guān)的機(jī)器學(xué)習(xí)算法以及與剩余使用壽命預(yù)測關(guān)聯(lián)這幾個方面展開，對基于數(shù)據(jù)驅(qū)動進(jìn)行電池健康狀態(tài)估計進(jìn)行簡要介紹。

1.差分分析提取特征

關(guān)于電池的差分分析基于對恒流充、放電過程中電、熱、機(jī)械等信號曲線的差分。最常見的有容量增量/差分電壓(IC/DV)分析、差分熱伏安法(DTV)和差分機(jī)械參數(shù)法(DMP)。

容量增量/差分電壓 (IC/DV) 分析：作為一種非破壞性表征方法，已廣泛用于老化機(jī)理分析。通過微分將充、放電曲線中的電壓平臺轉(zhuǎn)換為 IC 曲線的特征峰和 DV 曲線的特征谷，分析每個特征峰/谷隨電池老化的變化情況，并結(jié)合活性材料的變化情況，可以明晰衰退機(jī)理。此外，IC/DV分析也是進(jìn)行在線 SOH 估計的有效手段，它僅需要獲取兩個參數(shù)(電壓、充/放電容量)，且適用于不同類型的鋰離子電池。獲得平滑的 IC/DV 曲線后，即可研究與容量衰退相關(guān)的特征演變情況，例如特征峰的位置、強(qiáng)度、面積。圖1為C/3充電倍率下某NMC 電池IC曲線隨著老化的演變情況，可以發(fā)現(xiàn)所有峰都向更高電壓處移動，并且峰強(qiáng)隨著循環(huán)次數(shù)增加而降低[1]?？梢酝ㄟ^構(gòu)建容量和特定特征之間的分析函數(shù)，離線建立起SOH估計模型。有學(xué)者基于DV曲線特征峰之間的間隔實現(xiàn)了SOH估計[2]。注意，實車應(yīng)用中電池充電初始SOC經(jīng)常變化，充電容量的變化就會導(dǎo)致DV曲線上特征峰的位置發(fā)生較大變動。IC曲線則不會出現(xiàn)類似問題，針對部分循環(huán)的工況，也可實現(xiàn)基于IC曲線的SOH估計。此外，IC 曲線的特征峰一般出現(xiàn)在特定SOC區(qū)間內(nèi)，因而IC曲線比DV曲線更適合應(yīng)用于在線SOH估計。盡管基于容量增量/差分電壓分析可以實現(xiàn)在線SOH估計，但該方法也存在一些劣勢，例如：受限于低倍率的工作場景(<1C)，對測量噪聲敏感，易受工作溫度影響，在計算具有大電壓平臺電池(如磷酸鐵鋰電池)dV時可能產(chǎn)生無窮解。

圖1 某NMC電池在C/3充電倍率下獲得的IC曲線隨老化的演變情況[1]

差分熱伏安法(DTV)：可用作現(xiàn)有SOH估計的補(bǔ)充方法，它將IC分析的方法與溫度測量相結(jié)合，來獲取有關(guān)電極材料的熱力學(xué)信息。DTV方法是在恒流充、放電期間監(jiān)測電池表面溫度，將溫度(T)相對電壓(dT/dV)作微分得到的。DTV旨在迅速地揭示電池工作期間最顯著的與熵相關(guān)的信息。DTV曲線的特征峰參數(shù)(例如位置、峰強(qiáng)、峰寬)也可用于研究電池老化，例如容量衰退、電阻增加以及不均勻的電極性能，具備在實車中進(jìn)行SOH估計的潛力。一般認(rèn)為DTV在前期實驗操作方面很容易在并聯(lián)電池組上進(jìn)行，其優(yōu)點是測試電流倍率與IC/DV分析相比可以有所提升。它只需要在恒流充、放電過程中監(jiān)測電壓和溫度參數(shù)，對于在線應(yīng)用來說測量負(fù)擔(dān)并不大。此外，DTV方法無需嚴(yán)格的恒溫條件。只有當(dāng)電池溫度明顯高于環(huán)境溫度時，來自電池的熱量才會開始影響分析結(jié)果。然而，DTV分析容易受到測試環(huán)境溫度的影響，環(huán)境溫度的波動會引入較大噪聲，從而阻礙關(guān)鍵數(shù)據(jù)的提取和深入研究。

圖2 在2C恒流放電下獲得的DTV曲線(a)老化電池(b)新電池 [3]

差分機(jī)械參數(shù)法(DMP)：有研究通過對電池機(jī)械行為進(jìn)行建模從而實現(xiàn)SOH估計，如單體的應(yīng)變和應(yīng)力的變化。鋰離子在電極活性材料中的嵌入/脫嵌與其體積變化、膨脹和收縮有關(guān)，電池內(nèi)的機(jī)械應(yīng)力是電極膨脹對抗垂直于電極平面約束的結(jié)果，可通過電池表面的壓力傳感器進(jìn)行測量。有研究發(fā)現(xiàn)，電極膨脹產(chǎn)生的應(yīng)力與SOH呈線性相關(guān)，并提出通過測量電池應(yīng)變來估計SOH，相關(guān)的老化機(jī)理由SEI膜生長主導(dǎo)[4]。還有學(xué)者研究了應(yīng)變對電量的一階和二階導(dǎo)數(shù)[5]以及應(yīng)變對電壓的微分[6]，他們認(rèn)為這些曲線與IC/DV曲線具類似，可能對應(yīng)電極材料中的相變過程，并發(fā)現(xiàn)這些曲線具有估計SOH的潛力。然而，應(yīng)變測量僅適用于無機(jī)械約束的可自由膨脹的單體。在實際電池組中，體積膨脹受限，很難實現(xiàn)應(yīng)變測量。此外，差分機(jī)械參數(shù)法需要額外的設(shè)備對機(jī)械參數(shù)實施測量，要實現(xiàn)其在線應(yīng)用仍然存在挑戰(zhàn)。

圖3 某電池循環(huán)不同圈數(shù)后在1C放電測試下獲得的IC曲線(dQ/dV)和ICF曲線(dQ/dF)，F(xiàn)是測得的機(jī)械力 [7]

2.用于SOH估計的機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)應(yīng)用于在線SOH估計所需基本流程如圖4所示。第一步是數(shù)據(jù)收集，可測得的電池參數(shù)，例如溫度、電流和電壓數(shù)據(jù)被記錄下來并用作訓(xùn)練模型的輸入。第二步是提取可表征老化的特征。第三步是訓(xùn)練機(jī)器學(xué)習(xí)模型來描述電池SOH和所提取特征之間的關(guān)系。模型訓(xùn)練完成后，最后一步就是在 BMS中實現(xiàn)在線應(yīng)用。

圖4 機(jī)器學(xué)習(xí)應(yīng)用于在線SOH估計所需的基本流程，學(xué)習(xí)機(jī)感知環(huán)境、存儲數(shù)據(jù)并建立從特征空間到狀態(tài)空間的映射 [7]

特征提取很關(guān)鍵，對SOH估計效果影響很大。輸入數(shù)據(jù)越有意義、越準(zhǔn)確，預(yù)測結(jié)果就越準(zhǔn)確。以下將介紹基于機(jī)器學(xué)習(xí)進(jìn)行SOH估計的不同輸入特征。模型擬合特征：一些研究使用模型擬合特征(例如內(nèi)阻、SOC等)來訓(xùn)練SOH估計模型，但這些特征不便直接測量獲得，必須通過BMS底層的電模型和在線參數(shù)/狀態(tài)估計算法來獲得。例如有學(xué)者利用歐姆內(nèi)阻、極化內(nèi)阻和極化電容等參數(shù)作為輸入特征來訓(xùn)練機(jī)器學(xué)習(xí)算法，這種方法需要使用帶有在線狀態(tài)估計算法的電氣模型，例如遞歸最小二乘算法或擴(kuò)展卡爾曼濾波。盡管這些特征不便直接測量獲得，但基于這些特征可以將復(fù)雜動態(tài)工況下電池的性能納入考量。處理后的外部特征：通常從恒流充放電曲線中提取，例如IC/DV曲線和電壓梯度曲線 (dV/dt)等。這些曲線特征峰的變化與電池老化過程有很強(qiáng)的關(guān)聯(lián)，在SOH估計的實驗室研究中應(yīng)用廣泛。這類外部特征的局限性在于不適用于高度動態(tài)的實車工況，甚至就目前BMS計算能力而言，某些特征獲取仍存在一定挑戰(zhàn)。直接外部特征：可以在電池工作期間由BMS中的傳感器直接測得，目前常見的包括端電壓、電流和溫度，這類特征非常適合在線應(yīng)用，但數(shù)據(jù)量較大的問題一定程度上增加了計算工作量。

當(dāng)完成數(shù)據(jù)集收集時，就需選擇特定的機(jī)器學(xué)習(xí)模型。各類機(jī)器學(xué)習(xí)模型可以大致分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)模型。在監(jiān)督學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)由一組輸入和相關(guān)的輸出組成，該算法目標(biāo)是學(xué)習(xí)從輸入到輸出的映射，具有可接受的保真度。算法輸出的形式可以是離散集合，例如將電池分為故障或非故障;或是連續(xù)集合，例如容量或內(nèi)阻。當(dāng)輸出是分類時，這個問題稱為分類;當(dāng)它是實值時，它被稱為回歸。所有電池健康狀態(tài)估計和預(yù)測問題都屬于回歸類別。與監(jiān)督學(xué)習(xí)算法不同，無監(jiān)督學(xué)習(xí)算法僅提供給定的輸入，其目標(biāo)是找到“有趣的模式”，識別數(shù)據(jù)中的趨勢或聚類，無需額外輸入。監(jiān)督學(xué)習(xí)是目前較為成熟有效的方法，并廣泛用于電池健康狀態(tài)診斷和預(yù)測的研究，各類應(yīng)用于電池SOH估計的監(jiān)督機(jī)器學(xué)習(xí)方法，包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī) (SVM)、相關(guān)向量機(jī)(RVM)、k-最近鄰(kNN)、高斯過程回歸(GPR)、隨機(jī)森林回歸(RFR)等，同時這些方法也廣泛應(yīng)用于電池RUL預(yù)測。

圖5 人工神經(jīng)網(wǎng)絡(luò)(ANN)應(yīng)用于實時SOH估計[8]

圖6 相關(guān)向量機(jī)(RVM)應(yīng)用于SOH估計[9]

圖7 k-最近鄰(kNN)應(yīng)用于SOH估計[10]

圖8 隨機(jī)森林回歸(RFR)應(yīng)用于SOH估計[11]

3.與剩余使用壽命預(yù)測關(guān)聯(lián)

電池的剩余使用壽命預(yù)測無法單獨存在，它需要當(dāng)前SOH估計結(jié)果作為輸入，兩者間的關(guān)系如圖9所示。

圖9 SOH估計與剩余使用壽命預(yù)測的聯(lián)合框架[7]

審核編輯：湯梓紅