基于电化学阻抗谱的电池组不一致性诊断

doi:10.19562/j.chinasae.qcgc.2024.07.004

摘要/Abstract

摘要：

电池组中的单体电池之间可能会存在温度、荷电状态、老化状态（容量和内阻）等不一致。由于“短板效应”的存在，不一致性将会影响电池组的整体性能发挥，及时准确地进行不一致性诊断非常必要。考虑到上述提及的不一致性会对电极过程特性产生影响，进而反映在电化学阻抗谱（EIS）和弛豫时间分布（DRT）上，本文在结合等效电路厘清几种不一致性对EIS和DRT的影响规律后，创新性地提出了一种基于EIS和DRT的电池组不一致性诊断方法。通过将异常电池混入一组一致性良好的电池中，对比分析了K-means、AP和DBSCAN等无监督聚类算法性能，结果表明DBSCAN诊断准确率为99.2%，可以实现电池组内单体电池不一致性差异的准确诊断。

关键词: 锂离子电池, 电化学阻抗谱, 弛豫时间分布, 不一致性, 无监督聚类

Abstract:

There may be inconsistencies in temperature， charge state， aging state （capacity and internal resistance） between individual cells in a battery module. Due to the existence of the "short board effect"， the inconsistencies will affect the overall performance of the battery module， so timely and accurate inconsistencies diagnosis is very necessary. Considering that the above-mentioned inconsistencies will affect the electrode process characteristics， which will be reflected in the Electrochemical Impedance Spectroscopy （EIS） and Distribution of Relaxation Time （DRT）， in this paper， after clarifying the effect of several kinds of inconsistencies on EIS and DRT by combining the equivalent circuits， an inconsistencies diagnosis method for battery modules based on EIS and DRT is innovatively proposed. The performance of unsupervised clustering algorithms such as K-means， AP （Affinity Propagation） and DBSCAN （Density Based Spatial Clustering of Applications with Noise） is comparatively analyzed by mixing the abnormal batteries into a group of batteries with good consistency. The results show that the DBSCAN diagnostic accuracy is 99.2%， which can realize the accurate diagnosis of the inconsistency difference of single cells within the battery module.

Key words: lithium-ion batteries, electrochemical impedance spectroscopy, distribution of relaxation time, inconsistency, unsupervised clustering

姚晗欣,王学远,袁永军,戴海峰,魏学哲. 基于电化学阻抗谱的电池组不一致性诊断[J]. 汽车工程, 2024, 46(7): 1167-1176.

Hanxin Yao,Xueyuan Wang,Yongjun Yuan,Haifeng Dai,Xuezhe Wei. Diagnosis for Battery Module Inconsistencies Based on Electrochemical Impedance Spectroscopy[J]. Automotive Engineering, 2024, 46(7): 1167-1176.

图/表 20

图1

表1

EIS各频率下的物理意义"

部分	频率	特征	主导阻抗
Ⅰ	超高	与实轴的交点	$R 0$ ：电解质、隔膜的欧姆电阻
Ⅱ	高	半圆	$R S E I$ ：SEI膜等效电阻
Ⅲ	中	半圆	$R c t$ ：传荷电阻，也称为电极反应极化电阻
Ⅳ	低	近似直线	$R d$ ：扩散电阻，也称为浓差极化电阻

表1

图2

表2

DRT求解参数设置"

基本选项	选用
离散化方法	高斯
使用数据	实部与虚部结合
是否考虑电感	否
正则化导数	2阶
正则化参数 $λ$	1.5×10^-3
形状控制设置	FWHM系数=0.5

表2

图3

图4

图5

图6

表3

用于不一致性诊断的五维特征"

特征输入	相关异常阻抗
EIS $x 0$ 为中点的5个频率点	$R 0$
EIS $x 1$ 右侧频率区	$R d$
DRT第一峰值	$R S E I$
DRT第二峰值	$R c t$
DRT第三峰值	$R d$

表3

图7

图8

表4

表5

图9

表6

SOC不一致性下阻抗的诊断范围"

正常组SOC/%	诊断出 $R c t$ 的SOC/%	诊断出 $R d$ 的SOC/%
5	≥20	≥10
10	≥25	≤5， ≥20
15	≥30	≤5， ≥30
20	≤5	≤10， ≥35
25	≤10	≤10， ≥40
30	≤15	≤15， ≥45
35	≤15	≤20， ≥45
40	≤15	≤25， ≥50
45	≤15	≤30， ≥50
50	≤15	≤45

表6

图10

表7

不同形式的不一致性下电池的阻抗差异"

组别与编号	EIS	主要阻抗变化
低SOC组B #13、#14		$R c t$ 、 $R d$ 增大
高SOC组C #15、#16		$R c t$ 、 $R d$ 减小
高温组D #17、#18		$R S E I$ 、 $R c t$ 、 $R d$ 减小
接触异常组E #19、#20		$R 0$ 增大
老化异常组F #21		$R 0$ 、 $R S E I$ 、 $R c t$ 、 $R d$ 均增大

表7

表8

无监督算法超参数设置"

特征

K-means

DBSCAN

EIS下的

R 0

n_clusters=2

n_init="auto"

damping=0.96

eps = 0.001

min_samples=5

EIS下的

R d

n_clusters=2

n_init="auto"

damping=0.9

eps = 0.0004

min_samples=5

DRT下的

R S E I

、

R c t

、

R d

n_clusters=2

n_init="auto"

damping=0.985

eps = 0.0003

（ $R S E I$ ）

eps = 0.0005

（ $R c t$ 、 $R d$ ）

min_samples=5

表8

表9

阻抗异常诊断混淆矩阵"

		算法预测结果
项目		DBSCAN					AP					K-means
		$R 0$	$R S E I$	$R c t$	$R d$	无异常	$R 0$	$R S E I$	$R c t$	$R d$	无异常	$R 0$	$R S E I$	$R c t$	$R d$	无异常
实际结果	$R 0$	141					75				66	120				21
	$R S E I$		214					66			148		203			11
	$R c t$			306					77		229			205		101
	$R d$				221	7				130	98				181	47
	无异常					8 711	24	89	90	23	8 485	74	229	154	24	8 230

表9

图11

参考文献 19

1	CHE Y， FOLEY A， EL-GINDY M， et al. Joint estimation of inconsistency and state of health for series battery packs［J］. Automotive Innovation， 2021， 4（1）： 103-116.
2	CHANG L， MA C， ZHANG Y， et al. Experimental assessment of the discharge characteristics of multi-type retired lithium-ion batteries in parallel for echelon utilization［J］. Journal of Energy Storage， 2022， 55： 105539.
3	MIDDLEMISS L， RENNIE A， SAYERS R， et al. Characterisation of batteries by electrochemical impedance spectroscopy［J］. Energy Reports， 2020， 6： 232-241.
4	PANG Z， YANG K， SONG Z， et al. A new method for determining SOH of lithium batteries using the real-part ratio of EIS specific frequency impedance［J］. Journal of Energy Storage， 2023， 72： 108693.
5	BUCHICCHIO E， ANGELIS A D， SANTONI F， et al. Battery SOC estimation from EIS data based on machine learning and equivalent circuit model［J］. Energy， 2023， 283： 128461.
6	IVERS-TIFFEE E， WEBER A. Evaluation of electrochemical impedance spectra by the distribution of relaxation times［J］. Journal of the Ceramic Society of Japan， 2017， 125（4）： 193-201.
7	ZHANG Q， WANG D， SCHALTZ E， et al. Degradation mechanism analysis and state-of-health estimation for lithium-ion batteries based on distribution of relaxation times［J］. Journal of Energy Storage， 2022， 55： 105386.
8	杨莹莹，魏学哲，刘耀锋，等. 车用锂离子电池交流加热的研究［J］. 汽车工程， 2016， 38（7）： 901-908.
	YANG Y， WEI X， LIU Y， et al. Research on AC heating of lithium-ion batteries for vehicles ［J］. Automotive Engineering， 2016， 38 （7）： 901-908.
9	SHEN S， SADOUGHI M， LI M， et al. Deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium-ion batteries［J］. Applied Energy， 2020， 260： 114296.
10	PATIL M， TAGADE P， HARIHARAN K， et al. A novel multistage support vector machine based approach for Li ion battery remaining useful life estimation［J］. Applied Energy， 2015， 159： 285-297.
11	HUANG H， MENG J， WANG Y， et al. An enhanced data-driven model for lithium-ion battery state-of-health estimation with optimized features and prior knowledge［J］. Automotive Innovation， 2022， 5（2）： 134-145.
12	ZHANG Y， XIONG R， HE H， et al. Long short-term memory recurrent neural network for remaining useful life prediction of lithium-ion batteries［J］. IEEE Transactions on Vehicular Technology， 2018， 67（7）： 5695-5705.
13	HE W， WILLIARD N， CHEN C， et al. State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation［J］. International Journal of Electrical Power & Energy Systems， 2014， 62： 783-791.
14	CHU X， XUE F， LIU T， et al. Adaptive fitting capacity prediction method for lithium-ion batteries［J］. Automotive Innovation， 2022， 5（4）： 359-375.
15	来鑫，陈权威，邓聪，等. 一种基于电化学阻抗谱的大规模退役锂离子电池的软聚类方法［J］. 电工技术学报， 2022， 37（23）： 6054-6064.
	LAI X， CHEN Q， DENG C， et al. A soft clustering method for large-scale retired lithium-ion batteries based on electrochemical impedance spectroscopy ［J］. Journal of Electrical Engineering Technology， 2022， 37 （23）： 6054-6064.
16	贾俊，胡晓松，邓忠伟，等. 数据驱动的锂离子电池健康状态综合评分及异常电池筛选［J］. 机械工程学报， 2021， 57（14）： 141-149，159.
	JIA J， HU X， DENG Z， et al. Data driven comprehensive evaluation of lithium-ion battery health status and screening of abnormal batteries ［J］. Journal of Mechanical Engineering， 2021， 57 （14）： 141-149，159.
17	向兆军，胡凤玲，罗明华，等. 基于电池组模型和聚类算法的锂离子电池组SOC不一致估计［J］. 机械工程学报， 2020， 56（18）： 154-163.
	XIANG Z， HU F， LUO M， et al. Inconsistent SOC estimation of lithium-ion battery packs based on battery pack models and clustering algorithms ［J］. Journal of Mechanical Engineering， 2020， 56 （18）： 154-163.
18	WANG Y， TAN J， LIU Z， et al. Lithium-ion battery screening by K-means with DBSCAN for denoising［J］. Computers， Materials & Continua， 2020， 65（3）： 2111-2122.
19	HE Z， GAO M， MA G， et al. Battery grouping with time series clustering based on affinity propagation［J］. Energies， 2016， 9（7）： 561.

序号	用途	品牌与型号
1	电池EIS测量	Solartron SI 1287+1255B
2	电池充放电	Chroma 17011
3	电池温度控制	东烨 DY-T-20C

组别	参数	编号
5%SOC组	电压 3.38 V，SOC 5%，温度 25 ℃	A #1-#12
10%SOC组	电压 3.43 V，SOC 10%，温度 25 ℃	B #1-#12
15%SOC组	电压 3.50 V，SOC 20%，温度 25 ℃	C #1-#12
20%SOC组	电压 3.55 V，SOC 40%，温度 25 ℃	D #1-#12
25%SOC组	电压 3.58 V，SOC 45%，温度 25 ℃	E #1-#12
30%SOC组	电压 3.60 V，SOC 5%，温度 25 ℃	F #1-#12
35%SOC组	电压 3.62 V，SOC 5%，温度 25 ℃	G #1-#12
40%SOC组	电压 3.64 V，SOC 5%，温度 25 ℃	H #1-#12
45%SOC组	电压 3.67 V，SOC 5%，温度 25 ℃	I #1-#12
50%SOC组	电压 3.71 V，SOC 5%，温度 25 ℃	J #1-#12
低SOC组	电压 3.38 V，SOC 5%，温度 25 ℃	K #1、#2
高SOC组	电压 3.71 V，SOC 50%，温度 25 ℃	L #1、#2
高温组	电压 3.55 V，SOC 20%，温度 30 ℃	M #1、#2
接触异常组	电压 3.55 V，SOC 20%，温度 25 ℃ （增加接触阻抗）	N #1、#2
循环老化组	电压 3.55 V，SOC 20%，温度 25 ℃ （经历老化实验）	O #1

[1]	叶涛,武建华,郑林锋,张宇鑫,洪朝锋. 正弦纹波电流对锂电池快充性能影响的研究[J]. 汽车工程, 2024, 46(6): 1034-1044.
[2]	邝男男,胡帛涛,栗国,赵光磊,冯爽,许立坤. 电池模组热扩散精准建模及高效仿真研究[J]. 汽车工程, 2024, 46(4): 652-661.
[3]	刘万里,李子涵,梁宏毅,陈吉清,莫丙达. 基于相似性优化模型样本的实车锂电池健康状态分析[J]. 汽车工程, 2024, 46(3): 489-497.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[12]	彭宇明,袁明晓,敬卓鑫,张永林,黄港. 汇流排产热影响下的电池模组冷却系统改进设计[J]. 汽车工程, 2022, 44(6): 859-867.
[13]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[14]	马彦,李佳怡,马乾,陈明超. 基于迭代动态规划的动力电池组热管理优化策略[J]. 汽车工程, 2022, 44(5): 709-721.
[15]	刘首彤,黄沛丰,白中浩. 锂离子电池机械滥用失效机理及仿真模型研究进展[J]. 汽车工程, 2022, 44(4): 465-475.