储能大会：锂电池健康管理与故障诊断

储能大会：锂电池健康管理与故障诊断

引用

搜狐

1.

https://www.sohu.com/a/813373197_121948943

随着储能市场的快速发展，锂离子电池在储能应用中的健康管理和故障诊断变得越来越重要。本文详细介绍了储能大会上关于锂电池健康管理与故障诊断的报告内容，涵盖了研究背景、关键挑战、电池健康评估和故障诊断的具体方案等。

研究背景与意义

电化学储能正从兆瓦级示范应用迈向吉瓦级规模市场化，广泛应用于发电、输电、配电、用电等环节，包括发电侧、电网侧、配电侧、工商业和居民/小型商业储能等。开展电池健康管理与故障诊断等智能运维技术是保障储能系统安全经济运行的重要手段，可解决电池残值评估难、事故危害大等问题。随着储能市场的快速发展，对电池的健康管理和故障诊断提出了更高的要求，以确保储能系统的可靠性和稳定性。

关键挑战

• 电池健康状态估计：电池在使用过程中会发生老化，健康状态反映了电池老化程度，但电池老化机理复杂，衰退路径差异大。已有估计方法难以准确估计不同类型电池的健康状态，泛化能力差。
• 电池剩余寿命预测：对电池寿命进行预测有助于实现电池的预测运维和优化控制，为电池生产制造提供指导。但数据获取困难，算法缺乏在线学习功能，数据质量要求高，早期预测困难。算法解释性不足，无法识别容量跳水和工况变动后的误差。
• 电池故障诊断：储能电站事故中，电池系统安全问题愈发严重，如起火、爆炸、发热、鼓包、排气等。电池故障模式包括内短路、外短路、过充/放、热失控等，故障机理复杂，多种故障机理相互交织，增加了故障诊断的难度。电池系统中可能同时存在多种故障，需要进行多故障诊断与容错控制。

电池健康评估

• 总体方案：包括异常电芯筛选、机理模型、特征工程和AI算法SOH估计/寿命预测等模块。涵盖单体电池老化数据、电池系统静态数据和云端大数据或离线测试数据。
• 核心算法：
• 异常电芯筛选模块：通过提取多维度特征，进行特征处理和综合评分，实现对异常电芯的筛选，无需模型训练，可提前数月发现异常电池。
• 机理模型模块：采用基于Pseudo - two - Dimensional（P2D）的全阶重构电化学模型，具有收敛快、精度高、可用于大电流和动态工况条件下电池内部参数及外部特性监控等优点。与商用软件相比，计算速度更快，可应用于健康评估、析锂诊断、快充策略优化和电池优化设计等领域。
• 特征工程模块：融合式特征筛选方法，解决特征提取方法多样、有效特征少、冗余特征多的问题，通过融合滤波和封装法筛选特征。基于随机局部充电片段的特征提取，从随机局部充电片段中提取与SOH强相关的健康因子，如充电片段增量容量的均值和标准差。基于机理模型的特征提取，融合机理特征能更有效实现早期预测以及噪声条件下的高鲁棒性。
• SOH估计AI模块：基于衰减类型识别与迁移学习的SOH估计方法，通过无监督学习算法识别电池衰减类型，利用特征和LSTM网络建立电池SOH估计模型，结合迁移学习方法提高估计精度。基于有限标签与领域自适应的电池组SOH快速检测，利用实际充电测试产生标签，构建电池系统数字孪生模型，产生大量合成数据，通过深度学习建立估计模型，实现电池组SOH的快速检测。
• 寿命预测AI模块：在役电池系统衰减轨迹预测，利用安时积分公式变换计算电池容量，分析充电数据的月份统计特征与电池容量的相关性，设计特征筛选程序，利用序列对序列（Seq2Seq）模型和高斯过程回归（GPR）模型进行未来容量轨迹预测。电池包及包内单体衰减趋势预测，对电池包内电池单体的健康因子的老化趋势校正，对电池包内电池单体的容量轨迹进行预测，实现电池包寿命预测。

电池故障诊断

• 总体方案：包括基于模型故障诊断、数据驱动的故障诊断和多故障诊断算法及规则库。数据支撑包含云端大数据和线下短时数据。
• 核心算法：
• 多故障检测与分离模块：根据电压测量拓扑构建诊断测试集，利用基于模型的残差生成和基于残差的CUSUM诊断多故障，通过基于残差的样本熵分离短路与连接故障。
• 内短路故障诊断模块：基于IC曲线和LOF算法，探究内短路造成IC曲线及其参数的变化规律，提取有效特征并构建特征组合，识别内短路电芯。通过实际工况数据验证，可实现基于数据的早期内短路快速诊断。
• 安全预警：基于无监督学习，提取电池健康及故障相关特征，采用多种分类算法混合聚类，设定安全边界进行预警故障等级划分与提前预警时间分析。