《Journal of Energy Storage》:State-of-health assessment and grading of retired lithium-ion batteries via multi-state-of-charge mid-frequency electrochemical impedance spectroscopy
编辑推荐:
摘要从电动汽车中回收的锂离子电池通常仍保留着初始容量的70–80%,因此具有再次使用的潜力。由于电池的降解情况各异,且阻抗数据维度很高,准确评估其健康状态仍然面临挑战。本研究提出了一种基于物理原理的框架,将多电量状态的电化学阻抗谱分析技术与能够感知电量状态的多种模式门控循环单元以
摘要
从电动汽车中回收的锂离子电池通常仍保留着初始容量的70–80%,因此具有再次使用的潜力。由于电池的降解情况各异,且阻抗数据维度很高,准确评估其健康状态仍然面临挑战。本研究提出了一种基于物理原理的框架,将多电量状态的电化学阻抗谱分析技术与能够感知电量状态的多种模式门控循环单元以及随机森林分类器相结合,用于健康状态评估和分层等级划分。通过萨维茨基-戈莱滤波和基于显著度的识别方法,从四个电量状态(25%、50%、75%、100%)下提取出能反映电荷转移降解特征的中频(10 Hz–1 kHz)峰值特征,从而将完整频谱压缩为24个可解释的特征,维度降低了90%以上。SAM-GRU模型采用有序特征与标量特征的双路径融合方式,并结合电量状态感知的损失加权以及单调性后处理约束。随后,随机森林分类器利用这些64维的潜在特征进行四级等级划分,从而区分出容量相似但降解路径不同的电池。在288组数据上进行的留一法交叉验证显示,整体均方根误差为4.24%(R2 = 0.969),而在全部数据集上的这一数值则下降到2.57%(R2 = 0.989)。该分级系统在“需要更换”等级的评估中准确率为97.22%,召回率为98.6%,证明了其作为实验室工具用于评估回收锂离子电池健康状态的可行性。在另一个包含19节棱柱形NMC/石墨电池的独立数据集(380组数据,健康状态为63.3–100.0%)上的外部验证显示,均方根误差为3.14%。同等样本量的不同电量状态对比实验表明,多电量状态配置始终能得到最低的均方根误差,在FEMTO-ST数据集的所有单电量状态对比中以及Khan/Nuvoton数据集的四种单电量状态对比中的三种中,该配置都展现出显著的优化效果。
引言
随着电动汽车行业的快速发展,需要处理的回收锂离子电池数量急剧增加,预计到2030年这一数字将达到约350万公吨[1]。这类回收电池通常仍保留着初始容量的70–80%[2],因此很适合用于二次利用。然而,要准确评估和分级这些电池却存在诸多难题。由于成千上万的电池在降解程度、使用历史以及电化学特性方面存在差异,因此必须可靠地评估其健康状态[3]、[4]、[5]。
现有的健康状态评估方法大致可分为电化学表征方法和数据驱动方法两类[6]、[7]、[8]、[9]、[10]。传统的容量测试需要6–12小时才能完成一个完整的充放电循环[11]、[12];内阻测量对环境控制条件极为敏感[13];而脉冲功率特性分析则需要专门的设备以及严格的安全措施[14]。尽管这些方法在小型实验室测试中已经得到广泛应用[15]、[16]、[17],但在工业应用方面却面临诸多障碍。具体而言,每次评估必须在10秒以内完成[18],到2030年系统每天的处理量需达到数千节电池[19],而且传统方法的各项时间与环境要求也不适合在现场操作[20]、[21]、[22]。为缩短电池分级和二次利用筛选的测试时间,人们提出了基于部分放电阶段的快速容量估算方法[23],但这些方法仍然需要进行直接的电化学循环测试。
与时域方法不同,电化学阻抗谱分析是通过小幅度的频域扰动来表征电池特性的[24]、[25]、[26],能够在几分钟内捕捉不同时间尺度上的电化学过程。其中,由电极与电解质界面处的电荷转移动力学所主导的中频阻抗(10 Hz–1 kHz)被认为蕴含着丰富的健康状态信息[27]、[28]、[29]、[30]、[31]、[32]、[33]。数据驱动方法则运用了包括高斯过程回归[34]和神经网络[35]在内的机器学习技术来分析电化学阻抗谱数据,取得了大规模验证的成功结果[36],也有部分方法被应用于生产线中[37]。最近,在线阻抗采集技术[38]、短周期正弦波电化学阻抗谱激励技术[39]以及基于循环网络的电池降解建模技术[40]的发展,进一步提升了电化学阻抗谱分析在实地诊断中的应用潜力。不过,目前大多数研究仍集中在受控实验室条件下的方法研究上,对于工业应用中的各种工程限制考虑得较少[41]、[42]、[43]、[44](见表1)。
近期有一些研究推动了基于电化学阻抗谱的健康状态评估技术的发展,但仍有不少不足之处。全频段分析方法生成的特征向量维度在50–200之间,这就需要要么采用类似Obregon等人所用的卷积自编码器之类的黑箱压缩方法[43],但其潜在特征维度与电化学现象并无对应关系;要么对每一节电池进行等效电路拟合[5],而这种方法在处理不同类型的回收电池时很难实现自动化。像Zhang等人提出的那种基于统计特征的方法[47],虽然能从阻抗频带中提取出汇总特征,但却忽略了奈奎斯特弧线的空间形态特征。有研究表明,多电量状态下的测量有助于提高容量预测精度[46],但以往的研究都是直接使用全频段数据,没有进行有针对性的特征工程,也没有系统地研究不同电量状态对预测的影响。更普遍的问题是,现有方法在不同制造商生产的、化学成分不同的电池之间的通用性较差[45]、[47]、[48]、[49]、[50]、[51]、[52]、[53]、[54]、[55]、[56],而且缺乏对测量噪声和温度变化的有效处理方法[57]、[58]、[59],同时大多只关注单一维度的健康状态预测,而没有考虑到回收电池处理过程中所需的多级健康分级需求[60]、[61](见表2)。
本研究证明,仅需24个中频电化学阻抗谱特征即可实现回收电池的高精度健康状态评估与分级,为使用较少的频谱特征进行高效筛选提供了参考。通过将特征提取限制在以电荷转移为主的频段(10 Hz–1 kHz),并将奈奎斯特弧线分解为17个点构成的标准化空间轮廓以及7个几何尺度参数,所提出的方法能够将电化学阻抗谱压缩为24维的特征集合(维度降低了90%以上),而且其中的每个特征都与电荷转移速率的变化、固体电解质界面的生长情况、锂元素含量的变化以及活性材料的降解过程有着明确的对应关系(见表3)。与自编码器的潜在特征不同[43],这些特征无需经过端到端的训练,只需通过几何运算即可直接计算得出。与基于标量统计的特征不同[47],这种有序的轮廓结构有助于保持弧线的空间特征,从而便于后续的循环编码处理。该表示方法的有效性已在两个独立的NMC/石墨电池数据集上得到了验证——分别是FEMTO-ST数据集[62],包含3节圆柱形电池;以及Khan/Nuvoton数据集[63],包含19节棱柱形电池——通过健康状态评估(均方根误差为3.25 ± 0.34%)以及潜在空间中的健康分级测试(“需要更换”等级的召回率为98.6%,而固定阈值分级方法的召回率仅为94.4%)。此外,本研究还进行了系统性的不同电量状态对比实验,这是以往多电量状态研究中所没有的[46],通过实验明确了在不同电量状态配置下精度与速度之间的平衡关系。
具体而言,本研究做出了三项贡献:第一,提出了一种24维的中频峰值形态表示方法,该方法包括17个点构成的标准化弧线轮廓以及7个几何尺度参数,每一个参数都与特定的电化学现象相对应(见表3),这些特征是通过一套自动化的处理流程提取出来的,该流程涵盖了萨维茨基-戈莱平滑处理、基于显著度的峰值检测以及林-克拉默斯-克罗尼格数据质量检验等功能;第二,提出了一种多电量状态测量方案,通过在两个独立数据集上进行的同等样本量对比实验验证了该方案的有效性,结果表明,相比单一电量状态测量,采用四种电量状态进行数据采集可使均方根误差降低29–56%;第三,提出了一种基于GRU与随机森林的潜在空间分级方法,该方法的“需要更换”等级召回率为98.6%,优于固定阈值分级方法94.4%的召回率。
章节节选
方法与框架
我们开发了一种基于多电量状态电化学阻抗谱分析的回收锂离子电池健康状态评估框架(见图1)。该框架由四个模块组成:第一,带有林-克拉默斯-克罗尼格一致性检验的多电量状态数据采集模块;第二,基于中频峰值的特征提取模块;第三,基于物理原理的SAM-GRU建模模块;第四,基于GRU模型输出特征的随机森林分类模块。与单一电量状态的分析方案相比,所提出的多电量状态分析方案能够获取更为全面的阻抗信息
结果
实验验证是在两个独立的数据集上进行的:一个是FEMTO-ST数据集,包含3组NMC/石墨电池,共18,650节电池,有288组测量数据,用于模型的开发与初步评估;另一个是Khan/Nuvoton数据集,包含19节NMC111/石墨棱柱形电池,有380组测量数据,用于评估模型在不同数据集上的泛化能力。这两个数据集虽然都采用NMC/石墨电池体系,但在电池形状、容量、样本数量、老化温度以及老化试验条件等方面存在差异,这些差异为评估模型的通用性提供了有力的补充依据
结论
在本研究中,我们提出了一种基于多电量状态中频电化学阻抗谱分析、SAM-GRU建模以及潜在空间随机森林分类的回收锂离子电池健康状态评估与分级方法。通过从10 Hz – 1 kHz的电荷转移频段中提取24个基于物理原理的特征,经留一法交叉验证后,发现该方法的整体均方根误差为4.24%(R2 = 0.969),这说明该模型能够适用于未被测试过的电池;而在全部数据集上的均方根误差则下降到了2.57%(R2
CRediT作者贡献说明
浦洪涛:论文撰写——初稿撰写,概念构思。 王亚楠:论文撰写——审阅与编辑,概念构思。 宗立新:方法设计。 张大鹏:软件相关工作。 韩学兵:方法设计。 魏敏:资源协调、项目管理、资金筹措。 杨金鑫:软件相关工作。 王硕峰:验证工作。 季长伟:论文撰写——审阅与编辑,项目监督。
关于写作过程中生成式人工智能及人工智能辅助技术的声明
我们仅使用语言编辑软件来优化文本的语法和风格,没有借助任何自动内容生成工具来创建文本、图表或结果。所有内容的审核与编辑工作均由作者亲自完成,我们对论文的内容负完全责任。
资助情况
本研究得到了以下项目的支持:中国国家重点研发计划(项目编号:2023YFC3009900)、广西科技重大专项(项目编号:Guike AA23062087)、智能绿色车辆与移动出行国家重点实验室开放基金项目(项目编号:KFY260101)、先进内燃机国家重点实验室开放研究项目(项目编号:K2026-10)、国家自然科学基金(项目编号:62103220)等
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
Hongtao Pu|Yanan Wang|Limingxin Zong|Dapeng Zhang|Xuebing Han|Min Wei|Jinxin Yang|Shuofeng Wang|Changwei Ji
北京工业大学机械与能源工程学院,中国北京,100124