原文信息：
Enhancing battery durable operation：Multi-fault diagnosis and safety evaluation in series-connected lithium-ion battery systems
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924020154
Highlights
(1) 解决电池系统多重故障的诊断难题
(2) 最大限度地利用可直接测量的电池参数，提高适用性
(3) 开发从电池级到模块级的诊断方案
(4) 提出安全评估策略，识别故障类型并量化风险程度
(5) 通过云端实车数据验证诊断框架的实际可用性
Abstract
Precise fault identification and evaluation of battery systems are indispensably required to facilitate safe and durable operation for electric vehicles. With the core objective of addressing the challenges of inaccurate evaluation and misdiagnoses of multi-fault in existing methods, this paper proposes a deep-learning-powered diagnosis and evaluation scheme for series-connected battery systems. First, we conduct series-connected cycling experiments to simulate the two most common faults including capacity anomaly fault and short circuit fault happening concurrently to observe the failure phenomena of different faulty batteries and fault-free batteries. Then, the evolutional processes of various faults are analyzed and compared for a deeper understanding of the battery fault mechanism. In addition, we establish an elaborate deep-learning-based model, achieving satisfactory realizations on predicting the reference voltage (with the mean square error of 7.84×10-5 V) while categorizing the current fault state (with an accuracy of 98.2%). At last, a comprehensive fault identification and quantification strategy is constructed to minimize the misdiagnosis. All proposed methodologies demonstrate the advancement compared to other state-of-the-art algorithms. The results are thoroughly validated with two different experimental datasets and real-world cloud vehicle datasets, affirming the efficiency and practical applicability, contributing to enhancing the active safety capabilities of battery systems.
Keywords: Lithium-ion Batteries; Multi-Fault Diagnosis; Deep-Learning Technologies; Safety Evaluation Strategy
Graphics
图1 多故障诊断框架的总体工作流程
图 2. 多故障测试步骤示意图。
图 3. 各类故障类型的不同劣化机制。a. 多阶段恒流过程中的电压响应；b. 短路（SC）触发时电压下降的局部放大；c. 容量异常（CA）电池、短路（SC）电池与无故障（F-F）电池之间的电压差；d.串联电池系统中不同故障模式的充电容量变化
图4 分类器建模示意图
图5多故障识别和量化策略框架的总体工作流程
团队介绍
本研究由北京理工大学电动车辆国家工程研究中心、英国University of Leeds、北京汽车研究总院有限公司、以及欣旺达动力科技股份有限公司的研究人员共同完成。
通信作者简介：
王震坡，北京理工大学电动车辆国家工程研究中心教授，博导。长期从事新能源汽车领域的理论研究和工程技术攻关工作，围绕新能源汽车安全、高效、可靠应用主题，在运行管控、充电防控、分布式驱动协同控制等方面做出突出贡献。累计主持国家重点研发计划、国家自然科学基金重点等国家级科研项目十余项，近五年以第一作者或通讯作者发表SCI论文50余篇；以第一作者出版专(译)著11部；授权第一发明人发明专利59项；获国家、省部级奖励7项。目前担任“十三五”国家重点研发专项“综合交通运输与智能交通”总体组专家；“十四五”国家重点研发专项“新能源汽车”总体组专家等。
孙振宇，北京理工大学博士，目前就职于欣旺达动力科技股份有限公司。主要研究方向为新能源汽车大数据分析及动力电池安全预警，参与国家重点研发计划、北京市科技计划等5余项。以第一/通讯作者发表SCI期刊论文8篇（Top期刊7篇），EI论文9篇，h因子为10，被引480余次，国家发明专利授权10项。曾获《机械工程学报》评选为第七届高影响力论文、第十届“母亲河奖”绿色项目奖、“互联网+”（北京赛区）二等奖2次、“北京理工大学优秀毕业生”及北京理工机械与车辆学院“科研创新榜样”等荣誉称号。
第一作者简介：
赵艺雯，北京理工大学电动车辆国家工程研究中心2022级博士研究生，主要从事新能源汽车锂离子电池建模、性能评估及故障诊断与预测研究。在Applied Energy、IEEE T-PEL、IEEE T-TE等国际顶级期刊上发表SCI论文4篇（其中第一作者2篇），EI及会议论文3篇，受理国家发明专利1项。
关于Applied Energy
本期小编：魏长银；审核人：张俊涛
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
