【重庆大学_胡晓松_】2024年锂离子电池健康评估与故障诊断报告_12页_3mb

第九届全国储能科学与技术大会——先进表征技术在储能中的应用

核心内容概述

本报告围绕锂离子电池的健康评估与故障诊断展开，重点探讨了基于数据驱动和物理模型融合的先进表征技术在储能系统中的应用。研究旨在提升电池系统的安全性、经济性和智能化运维水平，以应对电化学储能系统日益增长的规模和复杂性。

主要观点

• 研究意义：电化学储能系统正在从兆瓦级向吉瓦级发展，电池健康管理与故障诊断技术成为保障系统安全经济运行的关键手段。
• 挑战：电池老化机理复杂、衰退路径差异大，导致现有健康状态估计（SOH）方法泛化能力差，难以实现早期预测和准确诊断。
• 健康评估：通过结合物理模型与数据驱动方法，构建了基于多维度特征提取和AI算法的健康评估系统，可实现高精度的SOH估计与寿命预测。
• 故障诊断：利用无监督学习、迁移学习、CUSUM算法等技术，实现了对电池系统中多种故障（如传感器故障、内短路、连接故障）的快速检测与分离。
• 安全预警：基于健康评分和无监督学习方法，构建了电池安全预警模型，可在BMS报警前数天实现预警，提高系统安全性。

关键信息

1. 电池健康评估

算法核心模块

• 异常电芯筛选：通过提取温度、电压等多维度特征并进行综合评分，筛选出健康状态较差的电芯。
• 机理模型：基于Pseudo-two-Dimensional (P2D) 全阶重构电化学模型，实现对电池内部参数和外部特性的高精度监控。
• 特征工程：结合物理特征（如负极嵌锂范围）与数据特征（如容量增量方差），构建融合特征，提高模型的鲁棒性和泛化能力。
• AI算法：采用高斯过程回归（GPR）和深度学习（如DCNN、LSTM）等算法，实现SOH估计与寿命预测，误差<2%。

数据支撑

• 单体电池老化数据：用于模型训练，积累大量实验和工程数据。
• 电池系统静态数据：包括电池种类、结构、标称容量等，用于特征提取。
• 云端大数据与离线测试数据：提供电流、电压、温度等多源数据，用于健康评估与寿命预测。

实际应用案例

• 基于公开数据集的健康评分：综合评分与电池寿命具有较强相关性，可实现无监督学习的健康状态评估。
• 基于储能数据集的健康评分：在工程数据中识别出异常模组，提前数月实现异常电池筛选。

2. 电池故障诊断

算法核心模块

• 模型故障诊断：基于电池模型，通过状态估计和参数辨识检测故障。
• 数据驱动故障诊断：从测量数据中提取有效特征，利用信号处理和机器学习算法检测故障。
• 多故障诊断：结合结构分析理论与残差特性，建立多故障诊断算法框架及规则库。
• 内短路诊断：基于IC曲线与LOF算法，实现内短路电芯的识别。
• 安全预警：通过健康评分与无监督学习，设定安全边界进行预警，提前几天发现潜在故障。

数据支撑

• 云端大数据：包括电流、总电压、单体电压、单体/探针温度、充电信息等，用于特征提取和故障诊断。
• 线下短时数据：用于状态估计、特征提取和故障诊断。

实际应用案例

• 多故障检测与分离：在实际工况数据中，实现对传感器故障、内短路、连接故障等的快速识别与分离。
• 三辆事故车案例分析：通过健康评分识别出不同类型的故障，并分析其提前预警时间。

总结

本研究通过融合物理模型与数据驱动方法，构建了先进的电池健康评估与故障诊断系统，实现了对电池系统中多种故障的快速检测与分离，以及基于无监督学习的安全预警。该方法不仅提高了电池管理的智能化水平，也为储能系统的安全运行提供了有效保障。