一种用于串联锂离子电池组健康状态估计的方法:从窄区间估计到精确点匹配

《Journal of Energy Storage》:A state of health estimation method for series-connected lithium-ion battery packs: From narrow interval estimation to exact point matching

【字体: 大 中 小 】 时间:2026年05月18日 来源:Journal of Energy Storage 9.8

编辑推荐:

  杜宇航|宋宇辰|刘大同 摘要 串联锂离子电池组是电力和储能系统中的关键能量单元,准确的健康状态(SOH)估计对于安全运行和容量管理至关重要。然而,在运行条件变化和不一致性演变的共同影响下,点估计模型容易出现不匹配。区间估计可以描述这种不确定性,但现有方法往往产生过宽的区间或偏倚

  杜宇航|宋宇辰|刘大同

摘要
串联锂离子电池组是电力和储能系统中的关键能量单元,准确的健康状态(SOH)估计对于安全运行和容量管理至关重要。然而,在运行条件变化和不一致性演变的共同影响下,点估计模型容易出现不匹配。区间估计可以描述这种不确定性,但现有方法往往产生过宽的区间或偏倚的区间中心。此外,单一维度的健康指标(HIs)通常不足以表征电池组的复杂退化行为。为了解决这些问题,本文提出了一种针对串联锂离子电池组的SOH估计方法,该方法结合了多维度HIs构建与区间优化。首先,使用具有多距离自适应融合的图神经网络来量化多个尺度上的不一致性,并通过结合与不一致性相关的特征、增量容量特征和电压响应特征来构建多维度HIs。其次,使用贝叶斯神经网络生成SOH置信区间,并使用多核高斯过程回归模型建立从SOH到HIs的逆映射。在估计区间内,通过联合统计一致性迭代优化候选SOH值,从而同时实现区间压缩和区间中心校正。在测量电池组数据上的实验结果表明,与基线方法相比,所提出的方法平均绝对误差低于1.57%,区间宽度减少了75.21%。这些结果表明,所提出的方法可以有效缓解模型不匹配并提高电池组级别的SOH估计性能。

引言
用于电动汽车、储能站和卫星的锂离子电池系统通常需要满足一定的电压水平[1],[2]。因此,电池单元通常以串联方式排列,在实际系统中也可能将并联电池组纳入串联结构[3]。在长期的充放电循环过程中,电池组的性能不会保持不变,而是逐渐减弱[4]。这种退化通常通过健康状态(SOH)来描述,在电池研究中,SOH通常表示为当前最大可用容量与初始最大可用容量的比率[5]。SOH的变化与可用容量、安全运行和维护调度密切相关。因此,准确的SOH估计在电池组管理中非常重要。
SOH的含义在电池单元级别和电池组级别是不同的。对于单个电池单元,SOH描述了该单元的退化状态。对于电池组,SOH反映了在电池组级别结构约束下的整个系统的退化状态。对于串联电池组来说,这种区别更为重要[6]。尽管电池组中的所有电池单元都承载相同的电流,但在长期运行过程中,它们的老化行为并不完全相同[7]。电池单元之间的退化状态、退化速率和电压响应的差异会逐渐累积。在这项工作中,这些逐渐出现的电池单元之间的差异被称为不一致性,它描述了电池组内电池单元之间的性能和退化演变的变化[8],[9]。同时,电池组的可用容量受到充电和放电过程中电池单元电压限制的影响。在这种情况下,电池组的SOH不能简单地视为电池单元SOH值的平均值。它应该被理解为一个受电池单元间差异、不一致性演变和运行约束影响的系统级量。
在实际应用中,SOH通常不能直接在线测量[10]。而是从电池运行过程中可获得的可观察信号中推断出来。现有的SOH估计方法通常可以分为基于模型的方法和数据驱动的方法[11],[12],[13]。基于模型的方法使用物理或电化学模型来描述电池行为,但其实施往往受到模型复杂性的限制,并且在变化的操作条件下的适应性降低[14],[15]。相比之下,数据驱动的方法通常首先从监测数据中提取或构建健康指标(HIs),然后建立从HIs到SOH的映射[16],[17]。这种框架更直接基于测量信号,因此在实际应用中更容易部署[18],[19]。然而,对于电池组级别的SOH估计,当退化过程中不一致性持续演变时,这一过程变得更加困难。在这种情况下,在线信号反映的退化信息可能会随循环而变化。结果,提取的HIs的表征能力和HI-SOH映射关系在整个老化过程中可能会变得不稳定。这增加了模型不匹配的风险,并降低了SOH估计的可靠性。
现有的用于电池SOH估计的HI构建方法主要依赖于与不一致性相关的特征[20],[21],[22]、增量容量特征[23]、电压响应特征[24],[25]以及其他信号衍生特征。基于不一致性的指标可以反映电池组内的电池单元间差异。例如增量容量分析(ICA)和电压曲线分析等方法可以从电化学响应和电压演变中提供有用的退化信息。最近的一些研究尝试通过结合多个HIs或使用更复杂的特征学习框架(如IC2ML[26]、QCNN[27]和iMOE[28])来改进退化表示。这些研究表明了多源信息对电池SOH估计的价值,但仍存在一些局限性。许多现有方法仍然不能充分描述电池组不一致性的多尺度特性,特别是整体变化和极端电池单元偏差的联合效应。此外,尽管可能结合了多个HIs,但不同指标的作用并不总是明确协调,以表征电池组的退化。因此,提取的退化信息可能对电池组的代表性不足。
在电池组级别的SOH估计中,当运行条件变化时,观察信号与电池组退化之间的关系并不完全稳定。随着电池单元间不一致性的持续演变,这个问题变得更加复杂[29],[30]。因此,引入了一些数据驱动的方法,包括自适应更新方法[31],[32]、半监督学习方法[33],[34]以及具有更复杂结构的非线性模型[35],[36]。这些方法可能是有效的,但它们的性能往往取决于测试数据与训练数据的接近程度。区间估计也被研究作为一种处理这种不确定性的方法[37]。它的优点是不仅提供了一个点结果,还给出了预测SOH的范围,这在退化过程不完全稳定的情况下非常有用。Zhou等人[38]使用在不一致性约束下的相关向量回归来获得SOH区间。Buchanan等人[18]结合卷积神经网络和高斯过程回归来生成概率SOH输出。这些研究表明,区间估计可以改善不确定性描述。然而,这并没有完全解决估计问题。当测试数据偏离训练分布时,为了保持覆盖范围,预测的区间可能会变得过宽。此外,如果退化趋势没有得到很好的捕捉,区间中心仍可能偏离真实的SOH值。因此,仅凭区间输出并不能完全解决不匹配问题。
基于上述讨论,对于串联电池组的电池组级别SOH估计,两个问题仍然至关重要。首先,当整体不一致性演变和极端电池单元偏差共存时,单个维度指标无法充分表征电池组的退化。其次,传统的区间估计可以量化不确定性,但在模型不匹配的情况下,它不一定提供狭窄的区间或准确的点估计。
为了解决这些问题,本文提出了一种结合多维度HIs构建与区间优化的电池组级别SOH估计方法。主要贡献如下:
(1)开发了一种用于串联电池组的多维度HIs构建方法。使用具有多距离自适应融合的图神经网络来提取不一致性信息。这种提取考虑了整体变化和极端电池单元偏差。然后将得到的与不一致性相关的特征与ICA和电压响应特征结合。通过这种方式,可以改进退化表示。
(2)开发了一种区间约束的SOH优化方法。使用贝叶斯神经网络生成SOH置信区间。进一步使用多核高斯过程回归模型从反向建立SOH-HI关系。在预测的区间内,候选SOH值在联合统计一致性下进行迭代筛选和优化。因此,可以同时实现区间压缩和区间中心精细化。
本文的其余部分组织如下。第2节介绍并分析了本文使用的数据。第3节详细介绍了所提出的方法。第4节描述了实验验证。第5节总结了本文并概述了未来工作的方向。

电池组测试设置和退化分析
本研究中使用的电池单元是基于NCM的18650圆柱形锂离子电池单元,额定最大放电容量为2200 mAh,工作电压范围为2.75–4.20 V。基于这些电池单元,为本研究组装了四个电池组,每个电池组由四个串联连接的电池单元组成。在电池组测试之前,对电池单元进行了筛选,以减少初始不一致性的影响。共测试了90个新鲜电池单元,选择了初始最大SOH最接近的电池单元。

当运行条件变化和电池单元间的不一致性在电池老化过程中共同演变时,电池组级别的SOH估计变得困难。为了解决这个问题,本节介绍了所提出的SOH估计方法,该方法结合了多维度HIs构建与区间优化。整体框架如图4所示。
如图4所示,所提出的方法包括两个主要组成部分。
第一部分为串联电池组构建多维度HIs。

三个案例研究用于验证所提出的方法的有效性
进行了三种类型的针对性实验来评估所提出方法的有效性。
(1)健康指标有效性测试:本文构建的不一致性表征参数与高斯混合模型方法[39]和样本熵方法[42]进行了比较。同时,验证了等电荷电压上升时间间隔和ICA主峰值的有效性。
(2)SOH估计消融实验:所提出的SOH估计方法

结论
在运行条件变化和不一致性演变的共同影响下,串联锂离子电池组的SOH估计仍然具有挑战性。这些因素会削弱退化表征,并使区间估计更难以优化。为了解决这些问题,所提出的方法从两个方面改进了电池组SOH估计。首先,在健康指标构建方面,开发了多维度HIs来表征电池组的退化。

作者贡献声明
杜宇航:撰写——原始草稿、方法论、数据整理。
宋宇辰:撰写——审阅与编辑、资金获取、正式分析。
刘大同:撰写——审阅与编辑、监督。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系,这些利益或关系可能会影响本文报告的工作。

致谢
本工作部分得到了黑龙江省自然科学基金(项目编号YQ2023F006)、国家自然科学基金(项目编号62371168和62201177)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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