退役电池在进行梯次利用之前需要对其参数进行测试与评估,以保证后续依据电池的性能为其选择适合的应用场景。健康状态(state of health,SOH)的准确评估是退役动力电池是否有梯次利用价值的前提。针对目前退役动力电池SOH评估准确性低...退役电池在进行梯次利用之前需要对其参数进行测试与评估,以保证后续依据电池的性能为其选择适合的应用场景。健康状态(state of health,SOH)的准确评估是退役动力电池是否有梯次利用价值的前提。针对目前退役动力电池SOH评估准确性低的问题。本工作首先利用弛豫时间分布法对电化学阻抗谱进行分析,用以得到其中能准确反应电池健康状态的特征频率,将特征频率对应的阻抗数据作为特征输入参量,输入麻雀算法优化的极限学习机模型以实现退役动力电池SOH的评估。为了验证评估方法的有效性,针对7只方形磷酸铁锂退役电池进行循环老化实验,并在每个循环周期后进行电化学阻抗测试。使用退役动力电池的实际的电化学阻抗谱用于分析与建模实现SOH评估,并将结果与实际的SOH数据进行对比,并与传统的SOH评估方法进行了对比。评估结果表明,相较于其他方法采用弛豫时间分布法进行分析的均方误差(mean square error,MSE)与平均绝对百分比误差(mean absolute percentage error,MAPE)更低。相较于使用未优化的极限学习机模型,MSE和MAPE分别降低了47.1%和60.5%,表明本文的SOH评估方法具有更小的误差和更高的准确性,在实际的梯次利用中很有应用价值。展开更多
锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模...文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。展开更多
锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
开展锂离子电池热失控研究,可为提升电池热安全、减少新能源汽车热灾害等提供重要帮助。针对高比能21700型NCM811锂离子电池热滥用、老化等因素引起的热失控问题,通过实验研究了电池健康状态(state of health,SOH)对电池充放电特性及自...开展锂离子电池热失控研究,可为提升电池热安全、减少新能源汽车热灾害等提供重要帮助。针对高比能21700型NCM811锂离子电池热滥用、老化等因素引起的热失控问题,通过实验研究了电池健康状态(state of health,SOH)对电池充放电特性及自身热失控行为的作用机制,量化分析了电池老化特性与热失控触发时间、表面温度、工作电压、燃爆特性、能量、TNT当量及破坏半径等特征参数。发现能量效率随着老化循环次数的增加而降低,电池热失控的温升幅度随SOH的减小而下降,同时其自产热起始温度、热失控触发温度与安全阀脱落温度均减小,这表明老化电池热失控触发所需的时间更短,60%SOH电池在608 s触发热失控,相比于100%SOH缩短了64.8%。SOH越小,电池热失控剧烈程度越弱,热失控后的质量损失也越小。电池热失控过程的峰值温度、释放的能量、TNT当量与破坏半径随SOH的减小而降低,表明老化电池较新鲜电池热失控破坏性降低。研究结果可为全生命周期21700电池热失控的行为特征分析、预警与火灾防控等提供参考。展开更多
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。
文摘开展锂离子电池热失控研究,可为提升电池热安全、减少新能源汽车热灾害等提供重要帮助。针对高比能21700型NCM811锂离子电池热滥用、老化等因素引起的热失控问题,通过实验研究了电池健康状态(state of health,SOH)对电池充放电特性及自身热失控行为的作用机制,量化分析了电池老化特性与热失控触发时间、表面温度、工作电压、燃爆特性、能量、TNT当量及破坏半径等特征参数。发现能量效率随着老化循环次数的增加而降低,电池热失控的温升幅度随SOH的减小而下降,同时其自产热起始温度、热失控触发温度与安全阀脱落温度均减小,这表明老化电池热失控触发所需的时间更短,60%SOH电池在608 s触发热失控,相比于100%SOH缩短了64.8%。SOH越小,电池热失控剧烈程度越弱,热失控后的质量损失也越小。电池热失控过程的峰值温度、释放的能量、TNT当量与破坏半径随SOH的减小而降低,表明老化电池较新鲜电池热失控破坏性降低。研究结果可为全生命周期21700电池热失控的行为特征分析、预警与火灾防控等提供参考。
