Feb, 2024

从耗尽到赋能：利用实验、数据分析和健康估计改造二次利用电池

PDF
TL;DR这篇研究论文主要讨论了回收利用报废的电动车电池用于电网能量存储的策略，重点研究了用于电网存储应用的报废电池的健康监测算法，并通过机器学习模型和初始容量开发和比较了四种健康估计模型，其中选定的模型在测试数据上实现了低于 2.3% 的平均绝对百分比误差（MAPE）。此外，该论文还提出了一种自适应在线健康估计算法，通过集成基于聚类的方法，限制了在线部署过程中的估计误差。这些结果初步证明了报废电池再利用于第二生命应用的可行性，根据获得的数据和代表性功率需求，这些报废电池在特定条件下具有十余年的电网能量存储使用潜力。
retired electric vehicle batterieshealth monitoring algorithmssecond-life batteriesmachine learning-based health estimation modelsgrid energy storage
发现论文，激发创造
  • 采用数据分析和等值电路建模技术对老化锂离子电池进行健康诊断和恢复

    通过 62 个商用高能型磷酸铁锂（LFP）电池的老化和重整实验，该论文使用机器学习模型预测电池寿命，并识别可恢复能力的重要指标，还发现了侧向锂非均匀性对可恢复容量损失的贡献，并通过等效电路模型和实验证明了锂非均匀性如何积累并导致可恢复容量损失，SHapley Additive exPlanations（SHAP）分析揭示了电池操作历史对容量恢复的显著影响。

    Sep, 2023

  • 基于机器学习的电动汽车电池建模数字孪生

    通过数据驱动的模型和数字孪生结构，提高电动汽车电池的能量密度和运行效率，并有效地监视电池的状态和健康状况，以应对现有电池在容量衰退和性能衰减方面的局限性。

    Jun, 2022

  • 锂离子电池剩余使用寿命及状态健康度评估（适用于电动汽车）

    提出一种基于机器学习技术的方法，利用电压、电流和温度等各种电池性能参数，训练一个预测模型以准确预测锂离子电池的剩余使用寿命，并在一组锂离子电池循环数据集上评估了该方法的性能，取得了显著的效果

    May, 2023

  • 铅酸电池剩余寿命估计的机器学习方法映射研究

    本文介绍了机器学习方法在估计铅酸电池 State of Health 和 Remaining Useful Life 方面的研究现状，并分析了测量铅酸电池性能的传感器组合。

    Jul, 2023

  • 用变压器预测多变量电池性能和健康状态

    通过使用深度转换网络，我们展示了对 28 个电池健康描述符进行预测的第一步，使用两组循环数据集代表了六种锂离子阴极化学组成（LFP，NMC111，NMC532，NMC622，HE5050 和 5Vspinel），多种电解质 / 阳极组成和不同的充放电方案。这些预测与电池寿命相比的准确性（对于一个 LFP 快充数据集预测终点寿命的绝对平均误差为 19 个循环）展示了深度学习在提供更深入理解和控制电池健康方面的潜力。

    Sep, 2023

  • 通过捕捉电池老化的当前状态和演化速率来提高现场寿命预测和分类性能

    通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量 - 电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的 74 个电池单元的老化数据上进行了验证。实验结果显示，仅使用 3-12 分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了 67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于 90%，实现了退役电池的高效重新分组。

    Aug, 2023

  • 基于早期老化数据预测不同使用条件下电池寿命

    提出一种基于先期容量电压特征数据的电池寿命预测方法，在广泛不同充 / 放电速率和深度下，使用不超过 15% 的数据即可实现 15.1% 的平均绝对百分比误差，通过建立贝叶斯回归模型还可实现对超额样本的预测，文章同时提供了一个电池老化过程公共数据集，在电池的预防性维护、保修和电池设计制造方面具有重要意义。

    Jul, 2023

  • GPT4Battery：基于 LLM 的自适应状态估计原始锂离子电池的框架

    利用大规模语言模型提出了一种适用于不同电池的适应性健康状态估计框架，通过测试时间训练技术保证了估计准确性，并在 62 个电池的四个公认数据集上达到了最先进的准确度。

    Jan, 2024

  • 基于驾驶行为的机器学习电动车电池健康监测

    开发了一种考虑驾驶行为的特征提取方法，通过评估在真实驾驶情况下特征的获取概率，实现了可靠的电池健康监测，并突出了在开发面向特征的电池健康监测算法时平衡性能和实用性的重要性。

    Sep, 2023

  • 利用部分放电循环数据实时估计锂离子电池健康状态的数字孪生技术

    通过数字孪生框架对锂离子电池进行实时健康状况估计，实现了不需要完成完整放电循环的实时 SOH 估计，并提出了能够处理可变训练数据、探索不同训练时间重要性以及在线实现的解决方案。

    Dec, 2022