01 研究概述
锂离子电池健康状态（State of health, SOH）评估对于实现有效的电池安全管理和优化控制至关重要。为解决用户充电策略的随机性、工况及环境温度的不确定性和复杂性对健康状态SOH评估带来的重大挑战，本文创新性地提出一种宽温度域动态放电条件下锂离子电池在线健康快速预测方法。
本研究创新性地采用了工况特征和老化特征的融合，以提取适用于估计不同工况下锂离子电池SOH的健康指标。融合的指标被用作高斯过程回归模型的输入，以建立精确的容量估计模型。为了考虑温度对电池SOH的影响，提出了一种在宽温度范围内提取健康指标的方法。该方法实现了高精度的电池SOH估计，并且可以推广到不同的工况、宽温度范围和各种电池材料系统。它提供了一种在动态工况下评估电池SOH的新方法，并具有潜在的实际应用。
02 研究方法
本研究整体框架图如图1所示。具体地，从锂离子电池的动态放电测试获得的电压和电流数据中提取老化特征和工况特征。提出将放电电压积分与平均电流、放电时间与平均电流、净放电电能与放电量比重融合为三个健康指标F1、F2、F3，这三个健康指标与电池容量高度相关。融合的指标被用作高斯过程回归模型的输入，以建立精确的容量估计模型。
在此基础上，提出了一种在宽温度范围内提取健康指标的方法。在确定了用于拟合初始循环老化特征和工况特征之间的关系的温度基准之后，发现健康指标和容量之间的关系不受温度的影响。随后构建了不同温度下的健康指标与电池容量之间的高斯过程回归模型，实现了高精度的电池SOH估计。
图1 本研究整体框架图
03 结果和讨论
（1）单一温度下电池容量的估算
三个融合特征F1、F2和F3提取自磷酸铁锂电池在25℃时的动态放电曲线。这些特征用作高斯过程回归模型的输入，电池的放电容量用作输出。使用该方法构建锂电池容量估计模型，并且在四种不同动态条件下的估计结果如图2(a)所示。计算容量估计结果的误差值，ME、MAE和RMSE分别为0.9625%、0.3578%和0.4125%。表明该模型表现出高精度，并且所提出的特征可以有效地估计电池的容量，从而精确地确定电池的SOH。
为了进一步说明当使用三个特征作为输入时与使用单个特征作为输入相比在模型精度上的差异，图2(b)呈现了在前述条件下模型的误差。比较显示，当三个特征用作输入时，模型的所有三个误差度量都降低。以MAE为例，与使用单一特征作为输入相比，当使用三个特征作为输入时，模型的准确率分别提高了24.90%、19.72%和11.55%。因此，利用多个特征作为输入可以有效地提高模型精度。
图2 (a)LFP电池容量的估算结果 (b)多输入和单输入之间的估计误差比较
（2）未知工况下电池容量的估算
恒流(CC)工况作为一种特殊的“动态工况”，在整个放电过程中保持恒定的电流大小。为了验证所提出的健康指标在未知工况下的有效性，从DST和CC(即容量测试)中提取三个融合特征。随后，提取的融合特征被输入到使用四个动态工况建立的电池容量估计模型中，估计误差在图3(a)中示出。该模型在两种未知工况下也表现出良好的准确性。
图3 (a)DST和CC的估计误差 (b)NMC电池四个温度样本的估计误
（3）不同材料体系下电池容量的估算
为了进一步验证所提出的特征对于不同材料体系的锂离子电池的通用性，利用NMC电池Cell01和Cell04的动态工况测试数据建立电池容量估计模型。对来自NMC电池的四个数据样本进行验证，包括10°C和20°C下Cell 01的动态工况测试数据，以及30°C和40°C下Cell 04的动态工况测试数据。提取的融合特征用作GPR的输入，电池放电容量作为输出。GPR模型在四个数据样本下的估计误差如图3(b)所示。总的来说，比较四个数据样本的估计结果，容量估计模型在所有四个数据样本上表现出良好的准确性。因此，提出的健康指标同样适用于NMC电池。
（4）宽温度范围下电池容量的估算
a. NMC电池Cell 01/Cell 04的容量估算
Cell 04在30°C初始循环时的老化特特征和工况特征之间的拟合关系作为参考基准。从Cell01和Cell04在四个温度(10°C、20°C、30°C和40°C)下的动态工况条件获得的三个融合特征用作GPR模型的输入，相应的电池容量作为输出。模型的估计结果如图4(a)所示。图4(b)示出了模型中所有四个温度下的估计误差，证明了在每个温度下都有很好的估计精度。因此，所提出的方法能够在较宽的温度范围内估计电池容量。
图4 (a)Cell 01和Cell04的容量估计结果 (b)容量估计误差 (c)不同温度基准下的模型误差 (d)Cell 03的容量估计误差
通过拟合不同温度基准下初始循环的老化特征与工况特征之间的关系方程，分析了容量估算模型的估算精度。图4(c)中示出了估计误差。容量估计模型在四种温度基准下表现出几乎相同的精度。无论选择哪个温度关系方程作为基准，该模型都实现了高水平的估计精度。换言之，模型的估计精度与所选的温度基准无关。
b. NMC电池Cell03的容量估算
使用Cell03在30°C/40°C下的动态工况测试数据验证宽温度范围电池容量估计模型。鉴于基于不同温度基准的容量估算模型之间的精度差异可以忽略不计，因此选择使用Cell04在30°C基准温度下建立的模型来验证Cell03在宽温度范围内的容量估算。在每个老化点提取Cell03的融合特征，然后将这三个融合特征输入到已构建的GPR模型中。图4(d)示出了容量估计误差。Cell03在30°C/40°C条件下的出色估计结果进一步证明了所提出的方法在使用动态放电工况解决电池SOH估计方面的有效性。
论文引用
S. Liu, Y. Nie, A. Tang, J. Li, Q. Yu, C. Wang. Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range. eTransportation 2023;18:100296.
https://doi.org/10.1016/j.etran.2023.100296.
论文作者
刘世卓：哈尔滨工业大学威海校区汽车工程学院2021级硕士研究生，2023年进入比亚迪汽车工业有限公司汽车工程研究院工作。主要开展实车大数据下的电池系统健康状态快速评估研究。
聂玉威：哈尔滨工业大学威海校区汽车工程学院2022级硕士研究生。主要开展实车大数据下的电池系统健康状态快速评估研究，以第二作者（导师第一作者）先后在Applied Energy和Journal of Power Sources发表2篇论文。
国际交通电动化杂志
eTransportation
文章类型
文章类型涵盖：
研究（Research）
综述（Review
短通讯（Short Communication）
观点（ Perspective）
评述（Commentary）
论坛（Forum）
其他（Data paper, conference等）。
论文投稿
https://www.editorialmanager.com/etran
论文下载
https://www.sciencedirect.com/journal/etransportation
扫码阅读更多文章
eTransportation | 交通电动化
欢迎投稿
eTransportation | 交通电动化
联系我们
如有任何学术问题研讨、投稿咨询、编委申请，以及论文全文获取等请与我们联系。
Email:dujiuyu@tsinghua.edu.cn
etransport@tsinghua.edu.cn
微信联系
交通电动化，有你更美好！
