分类目录归档：未分类

锂离子电池的统一建模框架：基于人工神经网络的热耦合等效电路模型方法

发表于由

锂离子电池的统一建模框架：基于人工神经网络的热耦合等效电路模型方法

2017年11月1日

        近日，课题组文章《A unified modeling framework for lithium-ion batteries: An artificial neural network based thermal coupled equivalent circuit model approach》在期刊《Energy》上发表。

        等效电路-热耦合模型在锂离子电池的精确可靠状态监测与高效热管理中发挥着至关重要的作用。然而，传统模型在同时刻画温度与荷电状态（SOC）对电化学与热行为的耦合影响方面，缺乏系统而有效的建模策略。为此，本文提出了一种基于人工神经网络（ANN）的统一热耦合等效电路模型方法，用于准确捕捉锂离子电池的电-热动态特性。在热模型部分，分别引入了可逆与不可逆发热机制，以实现更精确的热行为描述；在电学建模部分，通过人工神经网络建立等效电路参数与温度、SOC之间的定量关系。为实现电学与热学参数的同步辨识，本文采用带有输出权重L₁范数惩罚项的最小二乘策略，并在等效电路参数上施加正值约束，从而保证模型的物理合理性与泛化能力。所提出的基于人工神经网络的热耦合等效电路模型方法通过商用大容量方形铝壳锂离子电池的恒流放电实验、脉冲放电实验及混合脉冲功率特性（HPPC）实验得到验证。结果表明，该方法能够有效重现电池在复杂工况下的电-热动态响应，显著提升模型的精度与鲁棒性。该研究提出的混合建模策略为电池模型中多物理场效应的统一建模提供了一种通用框架，不仅可拓展至包含健康状态、电流等影响因素的模型中，还可为向机理导向的电化学-热耦合模型的扩展奠定理论与方法基础，对推动电池系统的智能化建模与全寿命管理具有重要的科学意义与工程应用价值。

原文链接：https://www.sciencedirect.com/science/article/pii/S0360544217312100#sec5

模型失配下的锂离子电池精确荷电状态估计：一种联合滚动时域估计方法

发表于由

模型失配下的锂离子电池精确荷电状态估计：一种联合滚动时域估计方法

2018年8月3日

          近日，课题组文章《Accurate State of Charge Estimation With Model Mismatch for Li-Ion Batteries: A Joint Moving Horizon Estimation Approach》在期刊《IEEE Transactions on Power Electronics》上发表。

          锂离子电池（LIBs）的荷电状态（SOC）精确估计在充放电控制、均衡控制及安全管理中具有至关重要的作用。然而，由于电池间的不一致性及动态特性差异所引起的模型失配问题，基于模型的SOC估计方法在实际应用中往往难以获得理想的精度。为解决这一问题，本文提出了一种可同时估计模型参数与状态的联合移动窗估计（Joint-MHE）方法。首先，构建等效电路模型（ECM），并将电路参数参数化为SOC的多项式函数；随后，通过灵敏度分析选取需要更新的关键参数，并将其作为附加状态引入状态空间模型；最后，采用联合MHE策略实现参数与SOC的同步估计。为全面验证所提方法的有效性，本文在三种模型失配情形下进行了评估：电池一致性偏差、电池动态特性差异以及二者的组合。结果表明，联合MHE方法能够有效缓解模型失配带来的不利影响，显著提升SOC估计的准确性和鲁棒性。与联合扩展卡尔曼滤波（Joint-EKF）相比，所提方法在多种失配条件下均表现出更高的估计精度、更快的收敛速度以及更强的适应性。该研究为基于模型的锂离子电池状态估计提供了一种可自适应修正模型误差的系统化解决方案，对提升电池管理系统（BMS）的智能化与可靠性具有重要的理论意义与工程应用价值。

原文链接：https://ieeexplore.ieee.org/document/8424881

钠离子电池健康状态预测

发表于由

钠离子电池健康状态预测

2021年7月28日

         近日，课题组文章《钠离子电池健康状态预测》在期刊《储能科学与技术》上发表。

         钠离子电池健康状态（SOH）预测对于电池优化管理有重要意义，但由于钠离子电池老化机理复杂，影响因素众多，精准SOH预测挑战巨大。为此，本研究从健康状态时序测量数据出发，提出了基于双指数模型的粒子滤波法（DEM-PF）和基于小波分析的高斯过程回归法（WA-GPR），以实现钠离子电池单步SOH和剩余可用寿命（RUL）预测。前者直接采用双指数函数构建时序SOH数据模型，并结合PF算法进行模型参数更新；后者采用小波分析实现时序SOH数据多尺度解耦，采用GPR构建各尺度数据模型并进行融合后实施预测。实验结果表明，相比DEM-PF方法，WA-GPR方法的单步SOH和RUL预测效果更好，单步SOH预测均方根误差为0.8%，RUL预测误差最小为3次循环，从而为钠离子电池全生命周期管理提供有效支撑。

原文链接：https://esst.cip.com.cn/CN/10.19799/j.cnki.2095-4239.2021.0036

多重测量不确定性下锂离子电池荷电状态估计的联合滚动时域优化策略

发表于由

多重测量不确定性下锂离子电池荷电状态估计的联合滚动时域优化策略

2021年9月23日

         近日，课题组文章《A joint moving horizon strategy for state-of-charge estimation of lithium-ion batteries under combined measurement uncertainty》在期刊《Journal of Energy Storage》上发表。

         测量不确定性是锂离子电池（Lithium-ion Battery, LIB）荷电状态（State of Charge, SOC）估算中普遍存在的问题，尤其在实际应用环境下，其影响往往导致估算精度显著下降。为减轻未知测量不确定性带来的负面影响，本文提出了一种联合滚动时域估计（Joint Moving Horizon Estimation, Joint-MHE）方法。首先，基于等效电路模型（Equivalent Circuit Model, ECM）构建电池的动态模型。随后，在此基础上建立扩展状态空间模型，将电流偏置视为附加状态变量，并通过协方差矩阵表征测量噪声特性。最后，将Joint-MHE策略与扩展模型相结合，实现了在测量不确定性条件下的SOC在线估计。本文从三个典型不确定性场景——电流偏置、电流复合不确定性以及电流与电压联合不确定性——对所提方法的有效性进行了系统验证，并与传统MHE及联合扩展卡尔曼滤波（Joint-Extended Kalman Filter, Joint-EKF）进行了全面对比。结果表明，所提出的Joint-MHE方法能够有效抑制测量噪声影响，显著提升SOC估计的鲁棒性与准确性。与Joint-EKF相比，Joint-MHE在不同不确定性源下均表现出更快的收敛速度与更高的估计精度：在复合测量不确定性条件下，其SOC估计均方根误差（RMSE）仅为1.46%，远低于Joint-EKF的5.32%。本研究提出的Joint-MHE框架为解决电池测量不确定性问题提供了一种高精度、强鲁棒的优化思路，为ECM模型在商用电池管理系统（Battery Management System, BMS）中的可靠应用奠定了重要的理论与工程基础。

原文链接：https://www.sciencedirect.com/science/article/pii/S2352152X21010082

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法

发表于由

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法

2022年5月26日

         近日，课题组文章《基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法》在期刊《储能科学与技术》上发表。

         电化学阻抗谱（EIS）因蕴含电池内部材料特性与界面反应等丰富信息，被视为实现锂离子电池健康状态（SOH）精准估计的有效手段，然而现有方法面临双重挑战：等效电路模型难以完整表征老化过程的物化演变，可靠性受限；数据驱动方法虽避免复杂建模，但全频段EIS数据存在频点间强相关性，导致模型精度低；且全频扫描耗时过长（典型需240秒），严重制约在线应用。为此，本文创新提出基于特征选择与高斯过程回归（GPR）的融合框架：首先通过序贯前向搜索（SFS）策略结合交叉验证均方根误差（RMSE）指标，逐步筛选与SOH强相关的特征子集；进而引入水平图多目标可视化决策方法，综合权衡特征数量与模型精度（RMSE），实现特征子集的最优选择；最终基于优选特征构建GPR估计模型。所提方法在公开老化数据集上进行了验证。结果表明：所提方法将建模所需特征数从全频段120个压缩至18个，EIS的测试时间缩短72%，SOH估计的RMSE降低44%。所提方法可大幅降低测试时间成本，同时提升利用EIS数据估计SOH的精度，为EIS技术应用于电池系统在线SOH监测提供了可行的理论支撑，对推动电池智能管理具有重要意义。

原文链接：https://esst.cip.com.cn/CN/10.19799/j.cnki.2095-4239.2022.0150

锂离子电池功率状态估计的非线性优化策略 – 关键影响参数的系统不确定性分析

发表于由

锂离子电池功率状态估计的非线性优化策略 - 关键影响参数的系统不确定性分析

2021年9月10日

         近日，课题组文章《Nonlinear Optimization Strategy for State of Power Estimation of Lithium-Ion Batteries: A Systematical Uncertainty Analysis of Key Impact Parameters》在期刊《IEEE Transactions on Industrial Informatics》上发表。

         功率状态（State of Power, SOP）是锂离子电池在电动汽车与储能系统中实现功率分配与能量管理的关键指标。然而，由于锂离子电池的强非线性动态特性以及模型参数存在不确定性，SOP的精准与可靠估计始终面临巨大挑战。为此，本文提出了一种基于优化策略的SOP估计方法，在估计过程中同时考虑多重约束条件，并直接引入非线性等效电路模型（Equivalent Circuit Model, ECM）进行求解。基于该框架，系统分析了单参数不确定性与多参数不确定性对SOP估计结果的影响机制。研究结果表明，与传统方法相比，所提方法在整个运行范围内能够提供更可靠的SOP估计结果。此外，不同类型的不确定性不仅影响SOP估计值本身，还会改变约束区域的形态与边界，从而对系统的功率调度策略产生重要影响。值得指出的是，本文首次在SOP估计中直接引入ECM参数的非线性表达形式，并系统揭示了多源不确定性对SOP估计的综合影响规律。本研究提出的非线性ECM参数优化估计框架，不仅为实现锂离子电池SOP的高精度与高可靠估计提供了理论支撑，也为未来智能能量管理与电池安全运行控制奠定了重要的基础方法与工程参考。

原文链接：https://ieeexplore.ieee.org/document/9535293

从电压曲线的形状差异解析锂离子电池内部多维参数差异

发表于由

从电压曲线的形状差异解析锂离子电池内部多维参数差异

2023年6月1日

         近日，课题组文章《Discriminating Internal Multiparameter Difference From Shape Dissimilarity Between Voltage Curves of Lithium-Ion Batteries》在期刊《IEEE Transactions on Industrial Informatics》上发表。

         电芯间内部多参数差异的识别是电池筛选、故障诊断、一致性评估与安全预警的基础。然而，现有基于电压特征的分析方法通常只能识别一至两种参数差异来源，且往往依赖特定的工作条件，限制了其在复杂运行环境下的适用性。为此，本文提出了一种融合形状差异度概念的改进型多维尺度分析（Modified Multidimensional Scaling, MDS）框架，以实现电芯内部多参数差异的可视化识别。首先，利用导数动态时间规整（Derivative Dynamic Time Warping, DDTW）算法计算电压曲线间的形状差异度，以定量表征不同电芯的动态响应差异。随后，通过MDS方法将差异度信息映射为二维空间中的相对位置关系，从而实现特征的低维可视化表达。最后，结合DDTW-MDS与传统MDS结果的互补性，可在空间映射图上直观区分容量、荷电状态（State of Charge, SOC）与内阻等多源参数差异。所提方法在包含484个电芯的实验数据上进行了验证，这些电芯涵盖了三种内部参数组合（容量、SOC与内阻）及多种工作工况（恒流充电、恒流放电与动态工况）。结果表明，该方法能够在多条件下准确区分不同差异来源，具有良好的鲁棒性与通用性。本研究提出的DDTW-MDS多参数差异识别框架，为电池一致性评价与故障诊断提供了一种可视化、数据驱动的智能分析途径，也为构建高可靠性的电池筛选与健康管理体系提供了新的方法论基础。

原文链接：https://ieeexplore.ieee.org/abstract/document/10141879

基于多倍率放电的锂离子电池早期内部短路定量诊断

发表于由

基于多倍率放电的锂离子电池早期内部短路定量诊断

2025年3月21日

         近日，课题组文章《Quantitative Diagnosis of Early Internal Short Circuit for Lithium-Ion Batteries Based on Multirate Discharge》在期刊《IEEE Transactions on Instrumentation and Measurement》上发表。

         锂离子电池早期内部短路（Internal Short Circuit, ISC）的精准定量诊断对于热失控的提前预警具有重要意义。然而，在ISC早期阶段，电学与热学特征均不明显，传统的定量诊断方法通常依赖参考电池或状态估计算法以放大ISC对电池特性的影响，这在实际应用中存在一定局限性。为此，本文提出了一种无需参考电池及状态估计模型的全新定量ISC诊断方法。该方法通过多倍率放电测试策略放大ISC自放电对容量测量的影响，从而实现对早期ISC的灵敏识别。进一步地，对Peukert方程进行修正，以提取ISC条件下的电流-容量关系，并利用多倍率放电曲线反演识别内部短路电阻。此外，放电倍率与电压窗口的选取通过多目标优化进行设计，以在灵敏度与测试可行性之间实现最优平衡。该方法在不同老化状态与温度条件下的电池上进行了验证。实验结果表明，所提方法在ISC电阻范围为10~200 Ω时，最大估计误差小于5.5%，验证了其高精度与稳健性。本研究提出的多倍率定量诊断方法为锂离子电池早期内部短路的快速识别与安全预警提供了一种可行且高效的解决方案，也为下一代智能电池安全管理系统的构建奠定了坚实的理论与技术基础。

原文链接：https://ieeexplore.ieee.org/document/10937318

基于电热耦合模型的硅-碳负极锂离子电池快充策略多目标优化方法

发表于由

基于电热耦合模型的硅-碳负极锂离子电池快充策略多目标优化方法

2025年8月7日

         近日，课题组文章《Optimal fast charging of lithium-ion batteries with SiC anode: an electro-thermal coupling model based multi-objective optimization approach》在期刊《Journal of Energy Storage》上发表。

         硅碳负极因其具有极高的理论比容量，被广泛认为是下一代最具潜力的锂离子电池负极材料之一。然而，在快速充电过程中，硅碳负极电池面临显著的体积膨胀与温升问题，严重影响其循环寿命与安全性能。因此，针对硅碳负极电池的最优快速充电策略设计成为确保其可靠应用的关键研究方向。本文提出了一种基于电-热耦合模型的多目标充电优化方法，以提升硅碳负极锂离子电池的循环寿命。首先，设计并实施了多倍率恒流恒压及脉冲充电实验，以系统提取电池的动态充电特性。随后，建立了人工神经网络（Artificial Neural Network, ANN）辅助的等效电路-集总热耦合模型，实现对电化学与热行为的联合表征。在此基础上，构建了一个以最小化充电时间与最大温升为目标的双目标优化模型，并采用粒子群优化算法求解以获得最优充电策略。最后，开发了一套在线电池膨胀与温度监测系统，对优化策略的生命周期性能进行实验验证。结果表明，所提出的最优快速充电策略能有效降低温升与厚度膨胀，从而显著提升硅碳锂离子电池的循环寿命。经实验验证，采用最优快速充电策略，硅碳负极循环寿命可延长11.6%。本研究构建的基于模型的多目标优化框架，不仅为硅碳负极锂离子电池的快速充电管理提供了系统化、可扩展的解决思路，也为高比能电池的安全高效运行与产业化应用奠定了重要的理论与工程基础。

原文链接：https://www.sciencedirect.com/science/article/pii/S2352152X25026374

锂离子电池在线荷电状态估计：一种滚动时域估计方法

发表于由

锂离子电池在线荷电状态估计：一种滚动时域估计方法

2016年11月2日

          近日，课题组文章《Online state of charge estimation of lithium-ion batteries: A moving horizon estimation approach》在期刊《Chemical Engineering Science》上发表。

          锂离子电池（LIBs）的在线荷电状态（SOC）估计不仅依赖于高精度的电池模型，还取决于高效可靠的状态估计算法。为此，本文提出了一种基于非线性电池状态空间模型的移动窗估计（MHE）方法，用于在全SOC范围内实现精确估计。在建模阶段，采用多项式函数刻画电池模型中电路参数与SOC之间的非线性关系，从而更真实地反映电池的动态特性。在MHE问题的构建过程中，关键的到达代价项通过滤波方案进行近似，并利用扩展卡尔曼滤波（EKF）方法动态更新其协方差矩阵，以增强状态估计的自适应能力。实验部分首先通过混合脉冲功率特性（HPPC）测试指导模型结构构建与MHE参数整定，随后在恒流放电测试与动态应力测试（DST）中验证所提方法的适用性，并系统比较了MHE与EKF在SOC估计性能方面的差异。结果表明，与EKF相比，MHE方法对初始SOC误差不敏感，能更快速地收敛至真实SOC值，同时在动态工况下表现出更高的稳定性与精度。这充分验证了MHE在实现高精度、高鲁棒性和强适应性的SOC在线估计方面的潜力。本研究提出的基于非线性状态空间的MHE框架，不仅为锂离子电池的动态建模与状态监测提供了一种可扩展的新思路，也为智能电池管理系统（BMS）的自主感知与优化控制奠定了坚实的理论基础和工程应用价值。

原文链接：https://pubs.acs.org/doi/10.1021/ie5044049