一种基于数据的方法,用于研究两种类型退役商用高能量镍锰钴(NMC)电池的老化过程
Md Sazzad Hosen,
Amir Farbod Samadi,
Kashif Raza,
Maitane Berecibar
《World Electric Vehicle Journal》:A Data-Driven Approach to Map the Aging of Two Types of Dismantled Commercial High-Energy NMC Cells
Md Sazzad Hosen,
Amir Farbod Samadi,
Kashif Raza and
Maitane Berecibar
【字体:
大
中
小
】
时间:2026年05月03日
来源:World Electric Vehicle Journal 2.6
编辑推荐:
摘要:随着未来十年内数百万个电池系统、模块或单体进入市场,车辆电池的二次利用问题受到了越来越多的关注。无论是否了解电池在车辆中的使用历史,其性能的不确定性都是一个令人担忧的问题。此外,关于二次利用电池单体行为的详细研究仍然很少,因此需要进一步加深理解以便于再利用或重新设计。在这项
摘要:随着未来十年内数百万个电池系统、模块或单体进入市场,车辆电池的二次利用问题受到了越来越多的关注。无论是否了解电池在车辆中的使用历史,其性能的不确定性都是一个令人担忧的问题。此外,关于二次利用电池单体行为的详细研究仍然很少,因此需要进一步加深理解以便于再利用或重新设计。在这项研究中,拆解了两个二次利用电池组,并对提取出的棱柱形和袋装镍锰钴(NMC)电池单体进行了深入研究,其容量分别为141 Ah和65 Ah,以了解其二次利用过程中的性能退化行为。为期一年半的测试活动采用了专门的静态测试方案,生成了宝贵的数据集。然后通过皮尔逊相关性分析(PCA)筛选出最具相关性的特征,并用这些特征训练不同的机器学习算法,最终棱柱形和袋装电池单体的均方根误差(RMSE)分别为0.065和0.109,其中表现最佳的ElasticNet模型经过实际静态测试数据的验证。所开发的框架适用于边缘计算环境,在这种环境中可以在线评估电池的健康状态(SoH),从而实现基于状态的性能优化和寿命延长。
1. 引言
车辆使用后的电池二次利用已经受到重视,并且已经从再利用和重新设计的角度渗透到市场中[1]。然而,对于NMC电池单体的健康状态(SoH)的估计是评估电池性能和寿命的关键因素,尤其是在它们被重新利用的情况下[2,3,4,5]。近几十年来销售的数百万辆电动汽车将在未来几十年内报废,而且这一数字还会继续增加。这些车辆电池可以很容易地被重新利用或重新设计用于其他应用,而这些应用的市场需求相对较低[6,7,8]。然而,在获取、分析、分类、再制造、调试和监控这些电池的过程中存在许多挑战。除此之外,诸如缺乏关于电池首次使用情况的信息、数据记录以及包装可能带来的机械影响等技术问题,进一步增加了电池在二次利用中的不确定性。电池的性能、老化和安全性取决于许多关键因素,如充放电深度(DoD)、温度、C率等,如果没有这些信息,特别是对于电池再利用/重新设计的老化路径的预测,将会充满不确定性和风险[9,10,11]。
当车辆电池组从主车辆上断开后,虽然可以获取到各个模块,但仍然需要关注模块内部电池单体的状态[12]。因此,采用自上而下的方法提取电池单体并进行单独性能检测是非常重要的。在这项研究中,对从商用车辆电池组中拆解出的二次利用电池单体进行了深入研究,以开发出准确的SoH估计模型[13]。所使用的NMC 141 Ah棱柱形和65 Ah袋装电池单体由知名制造商生产,在进行长期应用研究之前都经过了详细的预检查。
在SoH建模领域,文献中有许多估算方法,可以分为经验法[14]、电化学法[15]和数据驱动法[16]。近年来,数据驱动法因多种算法的发展而受到关注,尤其是那些经常能够在电池时间序列数据集上成功训练的机器学习算法。此外,这种方法不需要预先了解电池的历史信息或复杂的侵入式表征过程,因此更适合用于老化预测。然而,大多数现有的数据驱动方法都是基于在受控实验室实验条件下收集的首次使用数据集开发的[17,18]。尽管有一些研究解决了二次利用老化估算的挑战[13,19,20],但在首次使用历史未知的情况下对二次利用电池单体进行建模的研究较为罕见。这种缺乏历史使用信息的情况使得数据驱动建模变得具有挑战性。因此,从二次利用电池的长期实验活动中生成的数据集非常宝贵;此外,在实验室环境中对数据驱动算法进行训练和测试也是文献中的独特之处。在本研究中,通过从真实世界车辆电池单体生成两个二次利用老化数据集,并评估不同训练算法在实验室和实际规模测试中的表现,发现ElasticNet模型是两种电池单体类型中表现最佳的。最终的模型验证是在未包含在训练集中的电池单体上进行的,这些电池单体按照实际使用情况进行了循环测试,以展示模型的鲁棒性。本文的后续部分将在第2节描述测试方案,第3节分析结果,第4节报告模型开发工作(包括特征工程和验证结果),第5节总结结论并展望未来工作。
2. 实验设置
本研究共收集了36个电池单体(每种类型18个)。测试活动旨在通过一系列检查和维护测试来表征二次利用电池单体的老化情况,从而生成高质量的数据集。NMC类型的测试活动并行进行了近18个月。棱柱形和袋装电池类型分别被分配了8种操作条件,如表1和表2所示。图1展示了正在测试的样本电池单体,这是一种棱柱形NMC/C锂离子电池,标称容量为141 Ah,标称电压为3.7 V,重量为2.14 kg,体积为795 cm3。而袋装电池的单体标称容量为65 Ah,标称电压为3.65 V,重量为0.9 kg,体积为425.88 cm3。表1列出了二次利用测试活动的测试条件,表2列出了袋装65 Ah电池的测试条件。图1显示了研究流程图。二次利用老化测试活动首先对电池单体进行了物理预检查和预处理,然后进行最终设置。物理检查包括目视检查是否有损坏、裂纹、部件断裂、腐蚀、膨胀、开路电压(OCV)等问题。之后,电池单体被放置在测试台上,首先进行三次连续的满充放电循环,C率按照推荐值进行,温度保持在室温。老化条件根据表1和表2中的场景预先选定。测试程序包括首次使用结束(BoL/EoFL)时的标准表征,然后按照定义的条件进行循环测试,频率为100次满等效循环,直到实际容量降至标称容量的60%以下[21]。一次满等效循环定义为一次等于标称容量的完整充电事件。我们之前的工作已经报道了部分测试程序和袋装电池单体的电化学阻抗谱数据[13]。
表征过程通常在电池首次使用结束(BoL)、结束使用(EoL)以及100次满等效循环(FEC)的中间频率下进行,包括标准容量测试、混合脉冲功率表征(HPPC)和开路电压(OCV)测试。这种实验流程是电池模型开发研究中的标准操作[13]。容量测试采用C/3的速率进行三次完全放电循环,其中C表示电池的标称容量。HPPC测试用于在不同SoC百分比(80%、50%、20%)下计算内阻(IR),每次循环使用0.33C的充放电脉冲。慢速准OCV测试在室温下进行,采用C/20的充放电循环。因此,进行了一种所谓的动态测试,该测试针对特定类型的电池单体进行了优化,以了解非静态循环下的电池特性。动态循环测试在室温下进行,循环范围在35% SoC到90% SoC之间。FEC尺度上的次数相当于每次循环15次。EIS测试也是测试的一部分,但由于不在本研究范围内,因此未纳入分析。
3. 结果
拆解出的电池单体显示出与新鲜电池几乎相同的SoH水平,表明它们在电池组中的平衡状态良好且老化过程相似。对于NMC 141 Ah电池单体,SoH水平也表明其使用频率较低。对于这两种情况,都没有关于首次使用的信息,因此以二次利用开始的时刻作为参考点,除了从电池数据表中获取的标称容量值。由于无法确定首次使用时的内阻增长情况,NMC 65 Ah电池(NMC 141 Ah电池几乎为新鲜状态)的内阻增长计算存在缺陷,因此以二次利用开始时的内阻值作为参考。在老化过程中,通过表征测试跟踪了电池容量的衰减、内阻变化和OCV的变化。图2和图3显示了研究电池单体的容量衰减情况,其中高DoD和高温条件下的容量衰减更为明显[22]。类似的结果也出现在内阻增长中[23],如图4和图5以及OCV曲线所示。图2显示了18个NMC 141 Ah电池单体的容量衰减结果,纵轴表示SoH百分比,横轴表示循环次数。图3显示了18个NMC 65 Ah电池单体的容量衰减结果。图4显示了16个NMC 141 Ah电池单体的内阻增长结果。图5显示了16个NMC 65 Ah电池单体的内阻增长结果。NMC 65 Ah电池的容量衰减行为遵循典型的老化路径,即在较高和较低温度下,随着循环次数的增加,容量下降更为明显[2]。在这种情况下,高DoD条件下的循环导致容量下降更快,尤其是在低温条件下,电池老化更为严重。另外,有一些电池在室温循环条件下已经失效,其内阻增长显著。更老化的电池单体显示出较高的内阻增长。
几乎全新的NMC 141 Ah电池在相同条件下进行了循环测试,表现出相似的特性。高DoD条件下的循环导致更快的容量衰减,再加上低温,电池老化最为严重。然而,这些电池的内阻增长处于较低至中等水平。在室温下进行的慢速C率(0.33C)循环显示出的老化速率较低。到测试结束时,NMC 141 Ah电池完成了最多1600次循环,SoH下降了16%;NMC 65 Ah电池最多完成了1500次循环,SoH下降了50%。NMC 141 Ah电池的最大内阻增长达到了26%,NMC 65 Ah电池的内阻增长也达到了500%,其中有一个电池达到了使用结束(EoL)状态。这种细胞异常生长以及少数其他细胞的相对较快生长可能是由于细胞在其首次使用过程中受到内部损伤,这种损伤在第二次使用过程中加速了。基于容量的设计寿命(EoL)限制被设定为60%的剩余容量(SoH);然而,没有NMC 141 Ah电池达到这一限制,而有四个电池在达到第二次使用的EoL时被断开连接。SoH是通过将实际测量的容量值与数据表中的标称容量值进行比较并转换为百分位数来计算的,而内阻(IR)的计算方法类似,但仅用于比较与初始寿命(BoL)时的内阻值。请注意,图2、图3、图4和图5指的是表1和表2中的条件,其中两个连续编号的电池对应于连续的条件。除了容量和内阻值之外,还对检查中获得的开路电压(OCV)曲线进行了更多分析,如增量容量分析、等电压降、充电时间等,以更好地理解老化行为并为模型开发创建更明显的特征。图6显示了NMC 65 Ah电池在寿命测试期间的一个样本CC电压曲线。图6展示了随着循环次数的增加,循环充电曲线(直至CV)的变化情况。
4. 机器学习建模
4.1. 特征工程
SoH估计的一个挑战是找到合适的特征来捕捉电池内部的变化,并将其与容量衰减相关联。电池电流、电压和温度数据是在电池运行过程中最常可测量的信号,可以提供有关电池状态的有用信息。然而,这些信号受到各种因素的影响,如运行条件、测量噪声和电池老化机制,因此它们并不直接与电池的SoH相关。
在这项工作中,使用不同的技术(如皮尔逊系数、主成分分析等)来选择关键特征,以防止模型过拟合。如图7所示,皮尔逊系数被用来确定NMC类型的正确特征。主成分分析(PCA)虽然方差大于0.8,但只产生了八个组件,这些组件无法产生令人满意的训练-测试性能。因此,皮尔逊系数被用来识别最重要的特征。例如,在总共43个特征中,有24个特征被选为NMC 141 Ah的训练集特征,因为它们的得分超过了0.8。0.8的阈值是基于仔细选择的与电池健康状况退化相关的特征。这些特征要么直接从测试过程中提取(即容量值),要么通过分析提取(即增量容量曲线)。图7提供了变量之间相互关系的全面视图,指导模型中独立和相关特征的选择。一些与SoH密切相关的关键特征包括OCV测试中的CC时间值、ICA峰值、充放电过程中的中间SoC电压范围等。然而,由于相关矩阵分析与皮尔逊系数方法类似(只是表示方式不同),这种方法并未直接用于保留重要分析。在这个项目中,选择了皮尔逊系数,因为它与其他方法相比表现出更高的性能[24,25]。
4.2. 算法训练
机器学习(ML)技术已被广泛应用于估计锂离子电池的SoH。在训练和测试了不同的算法(如高斯过程回归[26]、ElasticNet[27]、随机森林回归[28]等)之后,发现表现最好的算法是ElasticNet回归,该算法被用于验证动态循环的数据集。建模框架如图8所示。ElasticNet结合了Lasso(L1)和Ridge(L2)正则化的惩罚项,通过线性组合这两种惩罚项来进行变量选择和正则化,防止过拟合[29]。
训练过程在以下规格的系统上运行:
处理器:Intel Core i7-6820HQ @ 2.70 GHz,8核;
内存:32 GB DDR4;
GPU:NVIDIA GeForce Quadro M2200(4 GB GDDR5);
操作系统:Windows 11 Pro;
软件环境:Python 3.9、Scikit-learn 1.0.2和TensorFlow 2.6.0,用于模型开发和训练。
这些系统规格确保了数据集的高效处理,并加快了训练过程,特别是对于计算密集型模型(如梯度提升和高斯过程回归)。
4.3. 评估指标和验证
使用组装的数据集对训练好的模型进行验证,以预测SoH。将预测的SoH值与实际SoH值进行比较以计算误差。最后一步是对误差进行分析,并进行超参数调整。
使用评估指标(如公式(2)来比较不同模型的性能。
RMSE(均方根误差):
预测的SoH值与实际SoH值进行比较以计算误差。在整个计算过程中,SoH值的范围是(0–1),但在显示的图表中以百分位数表示。对于两种不同类型的电池,动态循环的NMC 141 Ah和NMC 65 Ah电池,最佳的RMSE得分分别为0.065和0.109,这可以认为是非常好的。实际和模拟曲线分别显示在图9和图10中。ElasticNet对这两种电池类型都显示出有希望的性能。此外,考虑到NMC 141 Ah电池几乎处于全新状态,而NMC 65 Ah电池的SoH相对于标称值平均下降了6.5%,并且没有历史使用数据,模型的性能非常显著。整个过程——包括数据处理、特征提取和相关性分析、模型训练和测试以及最终验证——展示了一个有前景的工作流程,可以在线实现实时数据收集和电池状态估计。一个连接到云的网络可以促进基于SoH的快速充电优化、电池平衡等,在电池管理系统(BMS)中本地计算,从而提高性能并延长电池寿命。
5. 结论
在这项研究中,对第二寿命的NMC 141 Ah和NMC 65 Ah电池进行了为期一年半的特性分析,测试矩阵符合二次应用的要求。棱柱形NMC 141 Ah电池的SoH几乎与其全新状态相同,约为100%,而袋装NMC 65 Ah电池的SoH根据额定容量在92.9%到94.1%之间。这意味着NMC 141 Ah电池在车辆中的使用时间较长,而NMC 65 Ah电池的退化程度适中。在这两种情况下,使用历史都是未知的。在它们的第二次使用寿命中,电池在相同的条件下进行了循环测试。高放电深度(DoD)循环会导致更快的退化,加上低温,电池经历了最严重的老化。
当在不同的ML算法上训练生成的数据集时,发现ElasticNet对于这两种电池类型都是表现最好的模型,并且通过在未知数据集上动态循环电池来进行验证任务。从验证中获得的RMSE值分别为棱柱形电池0.065和袋装电池0.109。如果有了更多的数据,通过重新训练还可以提高模型的鲁棒性。包含首次使用的老化信息也可以提高预测准确性。未来的工作计划是解释这些特征,以识别相关的老化机制,这可以通过事后活动来支持。在建模方法方面,未来的工作可以评估如何将这样的训练模型重新应用于完全新的锂离子技术数据集,例如LFP,从而促进迁移学习。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号