動力鋰電池健康狀態(tài)評估方法綜述

/10.12677/PingXiong,QianTaoEmail:px_joey@163.com,12558865@Received:Aug.7th,202AbstractHowever,duetovariousalsoexaminessomeofthefactorsandpossiblesolutionsthataffectthandlifetime.Finally,thispaperprovidessomesuggestionsfSOHmethodsforfutureelectricvehiclLithium-IonBattery,ElectricVehicle,StateofHealth,動力鋰電池健康狀態(tài)評估方法綜述Email:px_joey@163.com,12558865@便等特點變得越來越受歡迎。然而，由于各種內部和外部因素，要準確預測電動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?；诖四康模疚娜娴幕仡櫮壳案鞣N不同的SOH預測模型，并進行比較，此外本文還分析了影響電池狀態(tài)和壽命的預測的一些因素。本文為鋰離子電池的/OpenAccess題的主要原因之一。電動車輛(electricvehicles,EV)由于其零排放的特點，為暖問題提供了新的思路[1]，同時由于電動汽車近年來持續(xù)改善的性能和效率，使得其在工業(yè)中受到越來達到電動汽車的使用標準，但仍可用在對鋰動力電池性能要求低的場合。經過檢測、維護、重組等環(huán)節(jié)后，仍可進一步在儲能、分布式光伏發(fā)電、家庭用電、低速電動車等領域再利用。電池儲能技術在電網分布式及微網、用戶側儲能等場景，儲能技術已經展現(xiàn)出了較高的實際應用價值。梯次利用最重要的前SOH描述的是健康的狀態(tài)，具體來說就是一SOH=(1)DOI:10.12677/sg.2020.104024Figure1.Evaluationme2.1.直接評估法庫侖計數(shù)(Coulombcounting,CC)方法是用來估算SactlQnom放電循環(huán)中計算式(2)中的兩個參數(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是將SOH定義為被測電池OCV對應于圖2，文獻[8]將OCV定義如下：OCVFigure2.SimplifiedbattWeng等人同樣使用OCV模型評估SOH[10]，并將增量容量分析的方法(ICA)用于預測不同工作溫電化學阻抗譜(Electrochemicalimpedancespectroscopy,EIS)是一種能在小電流下對電池單元實現(xiàn)高DOI:10.12677/sg.2020.104024精度寬頻譜測量的方法?，F(xiàn)有的文獻證明EIS是衡量電池SOC的可靠指標，同時也用來評估SOH。圖3.(a)不同溫度下的OCV-SOC曲線；(b)0℃,20℃和40℃時特定OCV下的SOC值[8]DOI:10.12677/sg.2020.104024遞歸神經網絡等)來對電池的SOH進行預測分析[12]。2.2.自適應方法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模型中導出的數(shù)學表達形式相當小的?？柭鼮V波主要用于線性系統(tǒng)的預測，而雙擴展卡爾曼濾波器(dualextendedKalmanfilter,DEKF)，無損卡爾曼濾波器(unscentedkalmanfi天津大學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算復雜度。其中，SHCKF結合了五階球面–徑向容積法則和平方根濾波技術，比擴展卡爾曼濾波器、無跡卡爾曼濾波器和容積卡爾曼濾波器(CubatureKalman,CKF)等傳統(tǒng)的估計精度更高，數(shù)值穩(wěn)定性更強。實驗結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.粒子過濾器粒子濾波(Particlefilter,PF)采用采樣重要性重采列的加權粒子來估計概率密度函數(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合理的狀態(tài)。該算法在文中給出的實例中達DOI:10.12677/sg.2020.104024償。諸多學者在粒子濾波的重采樣步驟提出了算法改進，保證了濾波算法的Figure5.ComparisonofestimationresultsfoGPFandPF[17]圖5.GPF算法和PF算法對內阻估算結果的比較[17]復雜程度低等優(yōu)點，因此LS及其改進的各類算法被廣泛的應用于參數(shù)識別算法很容易實現(xiàn)對模型參數(shù)的離線識別，但是不適用于在線實時參數(shù)的識別，在線的參數(shù)識別通常是采環(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方法，提出的方法在城市道路循環(huán)(UrbanDynamo-me和聯(lián)邦城市運行工況yfit=a0+a1e(α1)+a2e(α2)(8)2.3.數(shù)據(jù)驅動的方法80~90之間的集合就是清晰集，而用“中等”對成績進行歸類的話，即得到一個模糊集。每個模糊子集放電效率；第三個模塊是一個顯示驅動程序；第四個模塊是對其他三個模塊進行調度，實現(xiàn)對當前的電(x神經網絡算法即通過神經網絡建模及不斷學習調整結構參數(shù)模擬電池的真實輸入與輸出關系，實現(xiàn)神經網絡(NeuralNetwork,NN)有許多優(yōu)點，它具有處理復雜非線性系統(tǒng)的大量數(shù)據(jù)的能力，用于對要大量的歷史數(shù)據(jù)。神經元激活函數(shù)可以用來模擬電池的電DOI:10.12677/sg.2020.104024GPF算法和PF算法比較Figure6.StandardBSOH進行了估算[28]。Zhang等利用粒支持向量機(Supportvectormachine,SVM)能分解決非線性問題，需要運用到支持向量機在回歸問題上的推廣算法–支持向量回歸(SupportVectorRe-gression,SVR)[30]，因此可以作為預測鋰離子電池Nuhicet等人[35]結合支持向量機算法與訓練值。通過對鋰離子電池不同老化程度的密集測量，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動循環(huán)進行了驗證，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)是量化時間混合脈沖功率特性(Hybridpulsepowercharacterization,HPPC)電壓序列對電池老化獲得了具有容量損耗的樣本熵單元電壓。結果表明，該模型具有較好隨著時間的推移，因為各種內部和外部因素，造成電池性能的下降，因此這些因素對鋰離子電池的鋰離子電池的性能取決于各種內部材料性能。鋰離子電池由陰極、陽極、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、因為在任何放電電流倍率下都會發(fā)生電池活性物質的轉變，從而導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，電化學極化和濃差極化。此外，在相變過程中電極中易于實現(xiàn)，但極易受到老化、溫度和外界干擾的影響?；谀Ｐ偷墓烙嬀哂杏嬎懔啃?、時間效率高等優(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].電工技術學報,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的鋰電池健康狀態(tài)評估方法[M].合肥:中國科技大學出版社,[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