動(dòng)力鋰電池健康狀態(tài)評(píng)估方法綜述

/10.12677/PingXiong,QianTaoEmail:px_joey@163.com,12558865@Received:Aug.7th,202AbstractHowever,duetovariousalsoexaminessomeofthefactorsandpossiblesolutionsthataffectthandlifetime.Finally,thispaperprovidessomesuggestionsfSOHmethodsforfutureelectricvehiclLithium-IonBattery,ElectricVehicle,StateofHealth,動(dòng)力鋰電池健康狀態(tài)評(píng)估方法綜述Email:px_joey@163.com,12558865@便等特點(diǎn)變得越來(lái)越受歡迎。然而，由于各種內(nèi)部和外部因素，要準(zhǔn)確預(yù)測(cè)電動(dòng)汽車的鋰電池健康狀況DOI:10.12677/sg.2020.104024DOI:10.12677/sg.2020.104024(stateofhealth,SOH)等并不是一件容易的事情?；诖四康?，本文全面的回顧目前各種不同的SOH預(yù)測(cè)模型，并進(jìn)行比較，此外本文還分析了影響電池狀態(tài)和壽命的預(yù)測(cè)的一些因素。本文為鋰離子電池的/OpenAccess題的主要原因之一。電動(dòng)車輛(electricvehicles,EV)由于其零排放的特點(diǎn)，為暖問(wèn)題提供了新的思路[1]，同時(shí)由于電動(dòng)汽車近年來(lái)持續(xù)改善的性能和效率，使得其在工業(yè)中受到越來(lái)達(dá)到電動(dòng)汽車的使用標(biāo)準(zhǔn)，但仍可用在對(duì)鋰動(dòng)力電池性能要求低的場(chǎng)合。經(jīng)過(guò)檢測(cè)、維護(hù)、重組等環(huán)節(jié)后，仍可進(jìn)一步在儲(chǔ)能、分布式光伏發(fā)電、家庭用電、低速電動(dòng)車等領(lǐng)域再利用。電池儲(chǔ)能技術(shù)在電網(wǎng)分布式及微網(wǎng)、用戶側(cè)儲(chǔ)能等場(chǎng)景，儲(chǔ)能技術(shù)已經(jīng)展現(xiàn)出了較高的實(shí)際應(yīng)用價(jià)值。梯次利用最重要的前SOH描述的是健康的狀態(tài)，具體來(lái)說(shuō)就是一SOH=(1)DOI:10.12677/sg.2020.104024Figure1.Evaluationme2.1.直接評(píng)估法庫(kù)侖計(jì)數(shù)(Coulombcounting,CC)方法是用來(lái)估算SactlQnom放電循環(huán)中計(jì)算式(2)中的兩個(gè)參數(shù)，本方法DOI:10.12677/sg.2020.104024基于開路電壓(Opencircuitvoltage,OCV)的SOH估算方法的理論基礎(chǔ)是將SOH定義為被測(cè)電池OCV對(duì)應(yīng)于圖2，文獻(xiàn)[8]將OCV定義如下：OCVFigure2.SimplifiedbattWeng等人同樣使用OCV模型評(píng)估SOH[10]，并將增量容量分析的方法(ICA)用于預(yù)測(cè)不同工作溫電化學(xué)阻抗譜(Electrochemicalimpedancespectroscopy,EIS)是一種能在小電流下對(duì)電池單元實(shí)現(xiàn)高DOI:10.12677/sg.2020.104024精度寬頻譜測(cè)量的方法?，F(xiàn)有的文獻(xiàn)證明EIS是衡量電池SOC的可靠指標(biāo)，同時(shí)也用來(lái)評(píng)估SOH。圖3.(a)不同溫度下的OCV-SOC曲線；(b)0℃,20℃和40℃時(shí)特定OCV下的SOC值[8]DOI:10.12677/sg.2020.104024遞歸神經(jīng)網(wǎng)絡(luò)等)來(lái)對(duì)電池的SOH進(jìn)行預(yù)測(cè)分析[12]。2.2.自適應(yīng)方法2.2.1.卡爾曼濾波xk+1=Akxk+Bkuk+wk(6)yk+1=Ckxk+Dkuk+vk(7)濾波建模，從RC模型中導(dǎo)出的數(shù)學(xué)表達(dá)形式相當(dāng)小的?？柭鼮V波主要用于線性系統(tǒng)的預(yù)測(cè)，而雙擴(kuò)展卡爾曼濾波器(dualextendedKalmanfilter,DEKF)，無(wú)損卡爾曼濾波器(unscentedkalmanfi天津大學(xué)谷苗等給出一種綜合型卡爾曼濾波算法[15]。該算法采用遞推最小二乘算法(RLS空間方程中的線性部分和非線性部分，分別使用線性卡爾曼濾波器和平方根高階容積卡爾曼濾波器(Square-rootHigh-degreeCu策略能夠有效減小計(jì)算復(fù)雜度。其中，SHCKF結(jié)合了五階球面–徑向容積法則和平方根濾波技術(shù)，比擴(kuò)展卡爾曼濾波器、無(wú)跡卡爾曼濾波器和容積卡爾曼濾波器(CubatureKalman,CKF)等傳統(tǒng)的估計(jì)精度更高，數(shù)值穩(wěn)定性更強(qiáng)。實(shí)驗(yàn)結(jié)果證明了該綜合型算法的可行性和有效性，估算誤差被控制2.2.2.粒子過(guò)濾器粒子濾波(Particlefilter,PF)采用采樣重要性重采列的加權(quán)粒子來(lái)估計(jì)概率密度函數(shù)(probabilitydensityfu不需要遲滯的起始狀態(tài)，并且有可能用它們的概率指示幾個(gè)合理的狀態(tài)。該算法在文中給出的實(shí)例中達(dá)DOI:10.12677/sg.2020.104024償。諸多學(xué)者在粒子濾波的重采樣步驟提出了算法改進(jìn)，保證了濾波算法的Figure5.ComparisonofestimationresultsfoGPFandPF[17]圖5.GPF算法和PF算法對(duì)內(nèi)阻估算結(jié)果的比較[17]復(fù)雜程度低等優(yōu)點(diǎn)，因此LS及其改進(jìn)的各類算法被廣泛的應(yīng)用于參數(shù)識(shí)別算法很容易實(shí)現(xiàn)對(duì)模型參數(shù)的離線識(shí)別，但是不適用于在線實(shí)時(shí)參數(shù)的識(shí)別，在線的參數(shù)識(shí)別通常是采環(huán)工況(UrbanDynamometerDrivingSchedule,UDDS)和DOI:10.12677/sg.2020.104024yfit=a0+a1e(α1)+a2e(α2)(8)統(tǒng)的遞推最小二乘辨識(shí)方法，提出的方法在城市道路循環(huán)(UrbanDynamo-me和聯(lián)邦城市運(yùn)行工況yfit=a0+a1e(α1)+a2e(α2)(8)2.3.數(shù)據(jù)驅(qū)動(dòng)的方法80~90之間的集合就是清晰集，而用“中等”對(duì)成績(jī)進(jìn)行歸類的話，即得到一個(gè)模糊集。每個(gè)模糊子集放電效率；第三個(gè)模塊是一個(gè)顯示驅(qū)動(dòng)程序；第四個(gè)模塊是對(duì)其他三個(gè)模塊進(jìn)行調(diào)度，實(shí)現(xiàn)對(duì)當(dāng)前的電(x神經(jīng)網(wǎng)絡(luò)算法即通過(guò)神經(jīng)網(wǎng)絡(luò)建模及不斷學(xué)習(xí)調(diào)整結(jié)構(gòu)參數(shù)模擬電池的真實(shí)輸入與輸出關(guān)系，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)(NeuralNetwork,NN)有許多優(yōu)點(diǎn)，它具有處理復(fù)雜非線性系統(tǒng)的大量數(shù)據(jù)的能力，用于對(duì)要大量的歷史數(shù)據(jù)。神經(jīng)元激活函數(shù)可以用來(lái)模擬電池的電DOI:10.12677/sg.2020.104024GPF算法和PF算法比較Figure6.StandardBSOH進(jìn)行了估算[28]。Zhang等利用粒支持向量機(jī)(Supportvectormachine,SVM)能分解決非線性問(wèn)題，需要運(yùn)用到支持向量機(jī)在回歸問(wèn)題上的推廣算法–支持向量回歸(SupportVectorRe-gression,SVR)[30]，因此可以作為預(yù)測(cè)鋰離子電池Nuhicet等人[35]結(jié)合支持向量機(jī)算法與訓(xùn)練值。通過(guò)對(duì)鋰離子電池不同老化程度的密集測(cè)量，從鋰離子電池中收集了大量的數(shù)據(jù)。使用不同溫度下的驅(qū)動(dòng)循環(huán)進(jìn)行了驗(yàn)證，在診斷電池健康方面取DOI:10.12677/sg.2020.1040242.4.其他近似熵(ApproximateEntropy,ApEn)和樣本熵(Sampleentropy,SampEn)是量化時(shí)間混合脈沖功率特性(Hybridpulsepowercharacterization,HPPC)電壓序列對(duì)電池老化獲得了具有容量損耗的樣本熵單元電壓。結(jié)果表明，該模型具有較好隨著時(shí)間的推移，因?yàn)楦鞣N內(nèi)部和外部因素，造成電池性能的下降，因此這些因素對(duì)鋰離子電池的鋰離子電池的性能取決于各種內(nèi)部材料性能。鋰離子電池由陰極、陽(yáng)極、電解液和分離器四部分組成。正極材料的選擇控制著電池的動(dòng)力、安全性、成本和壽命等特性。正極材料有鈷酸鋰(lithiumcobaltoxide,LCA)、錳酸鋰(lithiummangan(lithiumnickelmanganesecobaltoxide,NMC)和鎳鈷鋁酸鋰(lithium使用壽命受到溫度變化的影響很大[5]；三元鋰(NMC、NCA)表現(xiàn)出良好的整體性能[40]，電池體積小、因?yàn)樵谌魏畏烹婋娏鞅堵氏露紩?huì)發(fā)生電池活性物質(zhì)的轉(zhuǎn)變，從而導(dǎo)致電池的可用電量減少，而容量DOI:10.12677/sg.2020.104024Figure7.Theagingofresistancevs.temperature[42]thepreviouscurrentdirection,measuredaftriodsateachstep[50]DOI:10.12677/sg.2020.104024遲滯現(xiàn)象的主要原因是鋰離子電池具有歐姆電阻，電化學(xué)極化和濃差極化。此外，在相變過(guò)程中電極中易于實(shí)現(xiàn)，但極易受到老化、溫度和外界干擾的影響?；谀Ｐ偷墓烙?jì)具有計(jì)算量小、時(shí)間效率高等優(yōu)[1]Hofmann,J.,Guan,D.,Chalvatzis,K.andHuo,H.(20ReducingCO2EmissionsinChina.AppliedEnergy,184,995-1003./10.1016/j.apenergy.2016.06.042[2]Sulaiman,N.,Hannan,M.A.,Mohamed,A.,Majlan,agementSystemforFuelCellHybridElectricVehicle:IssuesandChallenges.Renewable&Sustainableviews,52,802-814./10.1016/j.rser.2015.07.132[3]Opitz,A.,Badami,P.,Shen,L.,VigAutomotiveApplications.Renewable&SustainableEnergyReview/10.1016/j.rser.2016.10.019[4]Lipu,M.S.H.,Hannan,M.A.,Hussain,A.,SaadtionforLithium-IonBatteryUsingRecurrentNARXNeuralNetworkModelBasedLightingSearchAlgorithm.IEEEAccess,6,28150-28161./10.1109/ACCESS.2018.2837156[5]Chen,Y.,Miao,Q.,Zheng,B.,Wu,S.andPPredictionviaAdaptiveBathtub-ShapedFunction.Energies,6,3082-3096./10.3390/en6063082[6]Ng,K.S.,Moo,C.S.,Chen,Y.P.andHsieh,Y.C.State-of-ChargeandState-of-HealthofLithium-IonBatterie/10.1016/j.apenergy.2008.11.0[7]Waag,W.,Fleischer,C.andSauer,D.U.(2014)CriticalReviewoftheMethodsforMonitriesinElectricandHybridVehicles.JournalofPowerSources,258,321-339./10.1016/j.jpowsour.2014.02.064[8]Xing,Y.J.,He,W.,Pecht,M.andTsui,K.L.(2014)StateofChargeEOpenCircuitVoltageatVariousAmbientT/10.1016/j.apenergy.2013.07.0[9]Guo,Z.,Qiu,X.P.,Hou,G.D.,Liaw,B.Y.andZhanBasedonChargingCurves.PowerSources,249,457-462./10.1016/j.jpowsour.2013.10.114[10]Weng,C.H.,Sun,J.andPeng,H.(2014)AUnifiedOpen-CircState-of-ChargeEstimationandState-of-HealthMonitoring.PowerSources,/10.1016/j.jpowsour.2014.02.026[11]Li,S.E.,Wang,B.,Peng,H.andHu,X.(2014)Aries.JournalofPowerSources,258,9-18./10.1016/j.jpowsour.2014.02.045DOI:10.12677/sg.2020.104024[12]Eddahech,A.,Briat,O.,Bertrand,N.,Deletage,J.Y.andVinaingofLi-IonBatteriesUsingImpedanceSpectroscopyandRecurrentNeuralNetworks.InternationalJournalofElec-trical&PowerEnergySystems,42,487-494./10.1016/j.ijepes.2012.04.050[13]Ting,T.O.,Man,K.L.,Lim,E.G.andLeach,M.(2014)TuningofKState-of-ChargeEstimationinBatteryManagementSys/10.1155/2014/1760[14]Kim,J.,Lee,S.andCho,B.H.(2012)RecognitionforSOC/CapacityEstimationandSOHPrediction.IEEETransactionsonPowerElectronics,/10.1109/TPEL.2011.2158554[15]谷苗,夏超英,田聰穎.基于綜合型卡爾曼濾波的鋰離子電池荷電狀態(tài)估算[J].電工技術(shù)學(xué)報(bào),2019,34(2):bruster,fHealthEstimationforLithium-IronPhosphateBatteries.JournalofPowerSources,239,705-/10.1016/j.jpowsour.2012.10.058[17]Bi,J.,Zhang,T.,Yu,H.Y.andKang,Y.Q.(2016)State-of-HealthEsVehiclesBasedonGeneticResamplingParticleFilter.AppliedEnergy,182,558-568./10.1016/j.apenergy.2016.08.1[18]林娜,朱武,鄧安全.基于引力場(chǎng)粒子濾波算法估算鋰電池健[19]Duong,V.,BastawParametersEstimationoftheLiFePO4BatteryinElectricVehiclesUsingMultipleAdaptiveForgettingFactorsRecur-siveLeast-Squares.JournalofPowerSources,296,215-224./10.1016/j.jpowsour.2015.07.041[20]朱瑞,段彬,溫法政,張君鳴,張承慧.基于State-of-HealthofBatteriesbyFuzzyLogicMethodology.JournalofPowerSources,80,293-300./10.1016/S0378-7753(99)00079[22]Landi,M.andGross,G.(2014hicle-to-GridApplications.IEEETransactionsonInstrumentat/10.1109/TIM.2013.2292318SystemofLithium-IonBatteriesinElectricVehicleApplications:Issuesand19362-19378./10.1109/ACCESS.2018.2817655[24]Hannan,M.A.,Lipu,M.S.H.,Hussain,A.,Saad,M.H.andAyob,A.(2018)NeuralNetworkApproachforEstimatingStateofChargeofLithium-IonBatteryUsingBacktrackingSearchAlgorithm.IEEEAccess/10.1109/ACCESS.2018.2797976[25]Shahriari,M.andFarrokhi,M.(2013)IEEETransactionsonIndustrialElectronics,60,191-202./10.1109/TIE.2012.2186771[28]Li,H.T.,Liang,T.J.andChen,S.M.(2013)EstimationofBatteryStateofHealthUsingProbaIEEETransactionsonIndustrialInformatics,9,679-685./10.1109/TII.2012.2222650[29]Zhang,R.,Xu,F.,Chen,J.L.,etal.(2016)Li-IonBMechanicalEngineering,27,2975-2981.[30]Basak,D.,Srimanta,P.andPatranbis,D.C.(2007)SupportVectorRegression.NeuralInformationProc[31]李睿琪,汪玉潔,陳宗海.一種基于支持向量機(jī)的鋰電池健康狀態(tài)評(píng)估方法[M].合肥:中國(guó)科技大學(xué)出版社,[32]劉皓,胡明昕,朱一亨,等.基于遺傳算法和支持向量回歸的鋰電[35]Nuhic,A.,Terzimehic,T.,Soczka-Guth,T.,BuchDOI:10.12677/sg.2020.104024/10.1016/j.jpowsour.2012.11.146[36]Widodo,A.,Shim,M.-C.,Caesarendra,W.andYang,B.-S.(2ingBasedonSampleEnt/10.1016/j.eswa.2011.03.063[37]Hu,X.,Li,S.E.,Jia,Z.andEgardt,B.(2014)EnhancedSamplforElectrifiedVehicles.Energy,64,953-960./10.1016/j.energy.201[38]Feng,X.,Li,J.,Ouyang,MofHealthofLithium-IonBatteries.JournalofPowerSources,232,209-218./10.1016/j.jpowsour.2013.01.018[39]Kim,M.Y.,Kim,J.withaReducedNumberofSwitches.IEEETransactionsonPowerElectronics,29,5285-5297./10.1109/TPEL.2013.2292078(2010)EvaluationofPerformanceCharacteristicsofVariousLithium-IonBatteriesforUseinBEVApplication.IEEEVehiclePowerandPropulsionConference,Lille,1-6.https://doIonCell.2014IEEEVehiclePow/10.1109/VPPC.2014.7007097[42]Leng,F.,Tan,C.M.andPecht,M.(2015)EffectofTemperatureontheAgingRatRoomTemperature.ScientificReports,5,ArticleNo.12967./10.1038/srep12967[43]Bragard,M.,Soltau,mandsinGrids:PowerElectronicsforModularBatteryEnergyStoragetronics,25,3049-3056./10.1109/TPEL.2010.2085455Plug-InHybridElectricVehicles.IEEE/10.1109/TPEL.2011.2151206Scr