基于失效边界与在线参数辨识的退役锂电池梯次利用故障行为诊断方法

本综述针对退役磷酸铁锂(LFP)电池在梯次利用中的安全隐患，提出一种融合简化电化学模型(SP+)与双自适应扩展卡尔曼滤波(AEKF)的在线故障诊断框架。通过构建动态失效边界实现实时异常检测（准确率94.1%），并结合扫描电镜(SEM)和X射线光电子能谱(XPS)等破坏性分析技术验证诊断可靠性，为二次利用电池的安全管理提供从建模到实验的完整证据链。

　　

Section snippets

Overall research framework

本研究提出的在线故障诊断框架是一个融合电化学建模、在线参数辨识、失效边界构建与多尺度验证的完整技术路线。整体研究流程如图1所示，主要包括以下四个阶段：

(1) 模型构建与参数辨识：基于SP+模型，开发了一套离线和在线协同参数辨识策略，其核心是通过双自适应扩展卡尔曼滤波(DAEKF)算法实现模型参数和电池状态的同步估计。

Aging experiments for secondary utilization

本研究采用8?Ah的LFP方形电池进行梯次利用场景下的老化实验。为模拟电池 repurposing 前后的运行差异，在早期和深度老化阶段分别采用不同的C倍率测试。由于室温下LFP电池的退化较为缓慢，与二次寿命场景不符，因此引入了低温加速老化测试。所选温度条件为室温（约25?°C）和恒定的0?°C。

Verification of online parameter identification accuracy

本研究通过两种互补方法评估在线参数辨识的准确性：在线与离线辨识参数的一致性验证，以及使用在线参数模拟端电压与实验测量值的精度对比。为说明双AEKF算法的有效性，分别采用传统EKF算法和双AEKF算法进行SOC估计。图10展示了SOC估计结果，表明双AEKF在收敛速度和鲁棒性方面显著优于传统方法。电压预测的MAE低于20?mV，RMSE低于26?mV，均处于可接受阈值内。

Conclusion

失效机制的复杂性、可测信息的局限性以及性能退化的不确定性，对退役锂离子电池在二次寿命应用中的安全评估构成了重大挑战。本研究开发了简化电化学模型框架，提出了离线参数辨识策略和双AEKF协同在线辨识方法，实现了电池全生命周期参数的高精度跟踪。