锂电池健康管理与故障诊断技术详解

锂电池健康管理与故障诊断技术详解

引用

搜狐

1.

https://www.sohu.com/a/784076704_121734021

随着电化学储能技术的快速发展，从兆瓦级示范应用到吉瓦级规模市场化，电池健康管理与故障诊断已成为保障储能系统安全经济运行的关键技术。重庆大学胡晓松、邓忠伟在第九届全国储能科学与技术大会上，详细介绍了锂电池健康评估与故障诊断的研究进展，涵盖了研究意义、关键挑战、总体方案和核心算法等多个方面。

研究意义

• 电化学储能的发展：电化学储能已经开始从兆瓦级别的示范应用迈向吉瓦级别的规模市场化，被广泛应用于发电、输电、配电、用电等领域。
• 电池健康管理的重要性：开展电化学电池的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。

关键挑战

• 电池健康状态估计：电池老化机理复杂，衰退路径差异大，已有估计方法泛化能力差。
• 电池剩余寿命预测：难以获得真实标签，算法缺乏在线学习功能，训练所需数据量大，且缺乏机理解释，无法识别容量跳水和工况变动后的误差。
• 电池故障诊断：电池系统故障特点复杂，存在多故障耦合情况，诊断关键技术包括电池包水平的关键特征提取与融合、自适应阈值、融合式诊断方法和多故障诊断与容错控制。

总体方案

• 离线训练：基于单体电池老化数据和电池系统静态数据，采用电化学机理模型和AI算法进行训练，得到能够准确表征电池健康状态的内部机理参数和外特性数据特征。
• 在线应用：通过迁移学习或域自适应技术，将训练好的模型应用于不同类型和工况的电池系统，实现对电池健康状态的实时评估和故障诊断。

核心算法

• 异常电芯筛选模块：基于充放电数据，提取多维度特征，进行全方位特征组合，采用聚类算法和综合评分算法，筛选出健康状态较差的单体电池。
• 机理模型模块：利用谱方法对P2D模型进行重构，不引入物理简化，较有限体积和有限差分法更快收敛，模型复杂度低，自适应的模型网格加密技术，大倍率恒流与动态工况均保持高精度。
• 特征工程模块：融合式特征筛选方法，包括关键问题、测量特征、计算特征、基于融合滤波和封装法的特征筛选，以及验证一和验证二。
• 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。
• 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，以一个月内的中值容量为标签容量，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，获得具有高相关性和自相关性低的特征集，利用序列对序列模型进行未来容量轨迹预测，建立基于高斯过程回归的残差模型补偿预测误差。
• 多故障检测与分离模块：基于模型的残差生成和基于残差的CUSUM以诊断多故障，基于残差的样本熵进一步分离短路与连接故障，实现传感器、内短路、电池连接等多种故障检测和分离。
• 内短路故障诊断模块：基于IC曲线和LOF算法的内短路故障诊断，探究内短路造成IC曲线及其参数的变化规律，提取有效的IC曲线特征并构建特征组合，利用局部离群因子算法识别内短路电芯。
• 安全预警模块：基于无监督学习的电池安全预警，提取电池健康及故障相关特征，多种分类算法混合聚类，将分类问题转换为量化评分问题，基于评分统计，设定安全边界进行预警。