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

Abstract

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

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.

Figures/Tables 20

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

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

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	$R d$

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

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

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

		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

References 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]	Daolin Deng. Study on Forming Performance of Aluminum-Plastic Film for Pouch Lithium-Ion Batteries [J]. Automotive Engineering, 2024, 46(7): 1157-1166.
[2]	Minghui Hu,Guangyao Zhu,Changhe Liu,Guofeng Tang. Joint Estimation of State of Charge for Lithium-Ion Battery with Kalman Filtering and Gated Recurrent Unit Neural Networks Considering Hysteresis Characteristics [J]. Automotive Engineering, 2023, 45(9): 1688-1701.
[3]	Lü Youfu,Weiming Luo,Jian Chen,Xihong Wu,Chuanchang Li. An Experimental Investigation on Determination of Specific Heat Capacity of Lithium-ion Batteries by Hierarchical Optimization [J]. Automotive Engineering, 2023, 45(2): 183-190.
[4]	Hongrui Liu,Donghua Gu,Hairui Li,Bin Zhang,Jing Qian. A P-C-C-P Equalizer and Its Control Methods for Lithium-ion Batteries in Series [J]. Automotive Engineering, 2022, 44(3): 372-378.
[5]	Li Rikang, Wang Xueyuan, Dai Haifeng, Wei Xuezhe. Estimation of Charge Transfer Resistance of Lithium Ion BatteryUnder Different Temperature and State of Charge [J]. Automotive Engineering, 2020, 42(4): 445-453.
[6]	Zhu Jiangong, Sun Zechang, Wei Xuezhe, Dai Haifeng, Fang Qiaohua, Tang Xuan. Research Progress on Low-temperature Characteristics and HeatingTechniques of Vehicle Lithium-ion Battery [J]. Automotive Engineering, 2019, 41(5): 571-581.

Diagnosis for Battery Module Inconsistencies Based on Electrochemical Impedance Spectroscopy

RichHTML

PDF (PC)

Like

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 20

References 19

Related Articles 6

Metrics

Comments

Recommended 0