基于表面温度和增量容量的锂电池健康状态估计

doi:10.19562/j.chinasae.qcgc.2021.09.003

汽车工程 ›› 2021, Vol. 43 ›› Issue (9): 1285-1290.doi: 10.19562/j.chinasae.qcgc.2021.09.003

基于表面温度和增量容量的锂电池健康状态估计

林名强^1,²(),吴登高^1,²,郑耿峰³,武骥^4,⁵

^1.福州大学电气工程与自动化学院，福州 350108
^2.中国科学院海西研究院泉州装备制造研究所，晋江 362216
^3.福建省特种设备检验研究院，福州 350008
^4.合肥工业大学汽车与交通工程学院，合肥 230009
^5.安徽省智能汽车工程实验室，合肥 230009

收稿日期:2021-05-18 修回日期:2021-06-30 出版日期:2021-09-25 发布日期:2021-09-26
通讯作者: 林名强 E-mail:kdlmq@fjirsm.ac.cn
基金资助:
国家自然科学基金(61903114);工信部智能制造综合标准化项目(GXSP20181001);泉州市科技计划项目(2020C010R)

Estimation Method of State of Health of Lithium Battery Based on Surface Temperature and Incremental Capacity

Mingqiang Lin^1,²(),Denggao Wu^1,²,Gengfeng Zheng³,Ji Wu^4,⁵

^1.Collage of Electrical Engineering and Automation，Fuzhou University，Fuzhou 350108
^2.Quanzhou Equipment Manufacturing Research Institute，Haixi Research Institute，Chinese Academy of Sciences，Jinjiang 362216
^3.Fujian Special Equipment Inspection and Research Institute，Fuzhou 350008
^4.Department of Vehicle Engineering，Hefei University of Technology，Hefei 230009
^5.Anhui Intelligent Vehicle Engineering Laboratory，Hefei 230009

Received:2021-05-18 Revised:2021-06-30 Online:2021-09-25 Published:2021-09-26
Contact: Mingqiang Lin E-mail:kdlmq@fjirsm.ac.cn

摘要/Abstract

摘要：

本文中提出了一种基于电池表面温度和增量容量的健康状态（SOH）估计方法，分析了恒流充电过程中的温度变化曲线，从温度变化曲线中提取了3个几何特征作为健康因子，并与增量容量曲线的峰值结合作为反向传播神经网络的输入来建立模型估算SOH。试验结果验证了该方法的有效性，SOH平均估计误差仅在2%以下。

关键词: 锂离子电池, 健康状态, DT曲线, 神经网络

Abstract:

In this paper， a state of health （SOH） estimation method based on the surface temperature and incremental capacity of battery is proposed. The differential temperature curves during constant charging are analyzed， from which three geometric features are extracted as health factors， and combined with the peak value of incremental capacity curve as the input of BP neural network to establish a model for SOH estimation. The results of the test verify the effectiveness of the method， and the average error of SOH estimation is less than 2%.

Key words: lithium?ion battery, state of health, differential temperature curse, neural network

林名强,吴登高,郑耿峰,武骥. 基于表面温度和增量容量的锂电池健康状态估计[J]. 汽车工程, 2021, 43(9): 1285-1290.

Mingqiang Lin,Denggao Wu,Gengfeng Zheng,Ji Wu. Estimation Method of State of Health of Lithium Battery Based on Surface Temperature and Incremental Capacity[J]. Automotive Engineering, 2021, 43(9): 1285-1290.

图/表 9

图 1

图 2

图 3

图4

表1

图5

图6

图7

表2

参考文献 19

1	王震坡，袁昌贵，李晓宇. 新能源汽车动力电池安全管理技术挑战与发展趋势分析［J］. 汽车工程， 2020， 42（12）： 1606-1620.
	WANG Z， YUAN C， LI X. An analysis on challenge and development trend of safety management technologies for traction battery in new energy vehicles［J］. Automotive Engineering， 2020， 42（12）： 1606-1620.
2	DONG G， CHEN Z， WEI J， et al. Battery health prognosis using brownian motion modeling and particle filtering［J］. IEEE Transactions on Industrial Electronics， 2018， 65（11）： 8646-8655.
3	LIU K， LI K， PENG Q， et al. A brief review on key technologies in the battery management system of electric vehicles［J］. Front. Mech. Eng， 2019， 14（1）： 47-64.
4	WEI J， DONG G， CHEN Z. Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression［J］. IEEE Transactions on Industrial Electronics， 2018， 65（11）： 5634-5643.
5	YU Q， XIONG R， YANG R， et al. Online capacity estimation for lithium-ion batteries through joint estimation method［J］. Applied Energy， 2019， 255： 113817.
6	ZHENG L， ZHANG L， ZHU J， et al. Coestimation of state-of-charge， capacity and resistance for lithium-ion batteries based on a high-fidelity electrochemical model［J］. Applied Energy， 2016， 180： 424-434.
7	刘轶鑫，张頔，李雪，等. 基于SOC-OCV 曲线特征的SOH 估计方法研究［J］. 汽车工程， 2019， 41（10）： 1153-1168.
	LIU Y， ZHANG D， LI X， et al. A research on SOH estimation method based on SOC-OCV curve characteristics［J］. Automotive Engineering， 2019， 41（10）： 1153-1168.
8	WU J， WANG Y， ZHANG X， et al. A novel state of health estimation method of Li-ion battery using group method of data handling［J］. Journal of Power Sources， 2016， 327： 457–464.
9	YANG D， ZHANG X， PAN R， et al. A novel gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve［J］. Journal of Power Sources， 2018， 384： 387-395.
10	WENG C， FENG X， SUN J， et al. State-of-health monitoring of lithium-ion battery modules and packs via incremental capacity peak tracking［J］. Applied Energy， 2016， 180， 360-368.
11	BIRKL C. Diagnosis and prognosis of degradation in lithium-ion batteries［D］. University of Oxford， 2017.
12	TIAN J， XIONG R， SHEN W. State-of-health estimation based on differential temperature for lithium ion batteries［J］. IEEE Transactions on Power Electronics， 2020， 35（10）： 10363-10373.
13	THOMPSON A H. Electrochemical potential spectroscopy： a new electrochemical measurement［J］. Journal of The Electrochemical Society， 1979， 126（4）： 608-616.
14	GAO Y， DAHN J R. Synthesis and characterization of LiMnO for Li-ion battery applications［J］. Journal of The Electrochemical Society， 1996， 143（1）： 100-114.
15	ANSEAN D， GARCIA V M， GONZALEZ M， et al. Lithium-ion battery degradation indicators via incremental capacity analysis［J］. IEEE Transactions on Industry Applications， 2019， 55： 2992–3002.
16	BIRKL C ， ROBERTS M R， McTURK E， et al. Degradation diagnostics for lithium ion cells［J］. Journal of Power Sources， 2017， 341： 373-386.
17	HAN X， LU L， ZHENG Y， et al. A review on the key issues of the lithium ion battery degradation among the whole life cycle［J］. eTransportation， 2019， 1： 100005.
18	PAN H， LU Z， WANG H， et al. Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine［J］. Energy， 2018， 160： 466-477.
19	周世杰，李顶根. 基于超声测量及神经网络的锂离子动力电池SOC 估算［J］. 汽车工程学报， 2021， 11 （1）： 19-24.
	ZHOU S， LI D. SOC estimation for lithium ion power batteries on ultrasonic measurement and neural networks［J］. Chinese Journal of Automotive Engineering， 2021， 11 （1）： 19-24.

电池	极大值	极小值	电压差	PICC
Cell 1	0.958	-0.797	0.991	0.918
Cell 2	0.973	-0.671	0.956	0.882
Cell 3	0.943	-0.777	0.991	0.928
Cell 4	0.941	-0.917	0.993	0.953
Cell 5	0.901	-0.766	0.993	0.957
Cell 6	0.944	-0.701	0.991	0.949
Cell 7	0.940	-0.727	0.986	0.924
Cell 8	0.962	-0.763	0.991	0.908

电池	MAE			MAPE/%			RMSE
电池	IC特征	温度特征	联合特征	IC特征	温度特征	联合特征	IC特征	温度特征	联合特征
Cell 1	0.005 6	0.003 6	0.002 1	0.71	0.44	0.26	0.007 7	0.004 7	0.002 9
Cell 2	0.006 1	0.004 5	0.004 1	0.81	0.59	0.53	0.011 8	0.009 4	0.007 8
Cell 3	0.004 8	0.003 4	0.003 4	0.58	0.42	0.41	0.006 7	0.004 5	0.004 8
Cell 4	0.004 4	0.002 4	0.001 8	0.52	0.28	0.22	0.005 7	0.003 2	0.002 4
Cell 5	0.002 4	0.003 8	0.002 3	0.28	0.44	0.27	0.004 1	0.006 1	0.003 5
Cell 6	0.004 6	0.003 1	0.003 8	0.54	0.37	0.45	0.007 8	0.004 6	0.005 6
Cell 7	0.004 2	0.003 6	0.002 8	0.50	0.43	0.34	0.005 5	0.004 8	0.004 2
Cell 8	0.005 2	0.002 9	0.003 7	0.63	0.36	0.45	0.006 9	0.004 4	0.004 6

[1]	王彦鑫,李海岩,崔世海,贺丽娟,吕文乐. 基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究[J]. 汽车工程, 2024, 46(2): 329-336.
[2]	陈飞,孔祥栋,孙跃东,韩雪冰,卢兰光,郑岳久,欧阳明高. 锂离子电池制造工艺仿真技术进展[J]. 汽车工程, 2023, 45(9): 1516-1529.
[3]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[4]	管欣,仲昭辉,詹军,奚腾龙,叶昊,高深圳,成健,廖世辉,蔡均. 基于卷积神经网络的汽车操纵稳定性试验类型识别方法[J]. 汽车工程, 2023, 45(9): 1765-1771.
[5]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[6]	陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.
[7]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[8]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[9]	赵霞,李朝,付锐,葛振振,王畅. 基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测[J]. 汽车工程, 2023, 45(6): 974-988.
[10]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[11]	廉玉波,凌和平,马晴婵,任强,贺斌. 电动汽车锂离子电池脉冲加热技术研究进展[J]. 汽车工程, 2023, 45(2): 169-174.
[12]	吕又付,罗卫明,陈荐,吴锡鸿,李传常. 分层优化测定锂离子电池比热容参数的实验研究[J]. 汽车工程, 2023, 45(2): 183-190.
[13]	张健豪,高兴奇,张莉. 基于容量增量曲线与充电容量差的电池组微短路诊断方法[J]. 汽车工程, 2023, 45(2): 191-198.
[14]	李贵敬,谷青锴,杨昊鑫,黄健齐,邸立明. PA/EG耦合风冷电池热管理系统轻量研究[J]. 汽车工程, 2023, 45(2): 209-218.
[15]	何智成,杜磊浩,周恩临,覃高峰,黄晋. 基于改进连续型Hopfield神经网络的CAN总线负载率优化[J]. 汽车工程, 2023, 45(12): 2338-2347.

基于表面温度和增量容量的锂电池健康状态估计

Estimation Method of State of Health of Lithium Battery Based on Surface Temperature and Incremental Capacity

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 19

相关文章 15

Metrics

本文评价

推荐阅读 10