基于数据驱动法的锂离子电池寿命预测关键技术综述

doi:10.16628/j.cnki.2095-8188.2021.09.002

摘要/Abstract

摘要：

近年来,电动汽车、电子产品和航天系统等领域的应用对锂离子电池的要求越来越高,将锂离子电池在寿命殆尽时对其进行及时更换,有利于合理地利用锂离子电池的有效性能。首先针对锂离子电池寿命预测的传统数据驱动方法进行了梳理,然后分析了锂离子电池寿命预测的现有方法,其次对锂离子电池寿命预测的传统和现有方法进行了对比,最后通过对比分析传统和现有锂离子电池寿命预测方法的优劣,使锂离子电池储能系统的管理和控制更加有效。

关键词: 数据驱动, 锂离子电池, 寿命预测, 传统方法, 现有方法

Abstract:

In recent years,applications in the fields of electric vehicles,electronic products and aerospace systems have placed higher and higher requirements on lithium-ion batteries.The timely replacement of lithium-ion batteries at the end of their life is conducive to the rational use of lithium-ion batteries.performance.This article first combs the traditional data-driven methods of lithium-ion battery life prediction,then analyzes the existing methods of lithium-ion battery life prediction,and then compares the traditional and existing methods of lithium-ion battery life prediction,and finally compares them.By analyzing the advantages and disadvantages of traditional and existing lithium-ion battery life prediction methods,the management and control of the lithium-ion battery energy storage system are more effective.

Key words: data-driver, lithium-ion battery, life prediction, traditional method, existing method

中图分类号:

TM912

李建林, 王哲, 许德智, 马福元, 孟高军. 基于数据驱动法的锂离子电池寿命预测关键技术综述[J]. 电器与能效管理技术, 2021, 0(9): 10-18.

LI Jianlin, WANG Zhe, XU Dezhi, MA Fuyuan, MENG Gaojun. Overview of Key Technologies for Lithium-ion Battery Life Prediction Based on Data-Driven Methods[J]. LOW VOLTAGE APPARATUS, 2021, 0(9): 10-18.

图/表 8

图1

图2

图3

图4

图5

表1

表2

典型控制理论改进方法

所用方法	主要涉及参数	主要研究内容	优缺点分析
基于双卡尔曼滤波的电池寿命预测^[41]	电流、电压、充放电倍率和衰减容量	利用无迹卡尔曼滤波估计电池SOC、扩展卡尔曼滤波估计电池SOH和循环寿命	误差小、自我调节能力强,可在线估计,但计算过程多、步骤繁琐
基于改进粒子滤波算法的电池寿命预测^[42]	电池剩余容量	利用改良权重和重采样策略的粒子滤波建立电池寿命预测模型	预测精度高、计算效率高,适用性强,但需要大量数据
基于改进粒子滤波算法的电池寿命预测^[43]	电池剩余容量	利用粒子滤波和指数平滑方法纠正参数后在退化模型中预测	样本多样、具有普适性,但只考虑了容量一种参数
基于凸优化平滑处理的电池寿命退化机理模型^[44]	电池实际容量、平均充电电压和平均放电截止电压	利用凸优化将数据预处理,建立设计的电池寿命退化模型	模型精度高、具有普适性,但实时性有待提高
基于扩展 $H ∞$ 粒子滤波的电池寿命预测^[45]	内阻、开路电压、SOC和SOH	利用无味粒子滤波算法建立电池的寿命预测模型	样本多样、预测精度高,但未能考虑温度变化问题
基于马尔科夫模型的电池寿命预测^[46]	开路电压和极化电压	利用马尔科夫链建立电池寿命模型	预测准确率上升,但未能考虑内阻和温度等参数对模型的影响

表2

表3

参考文献 58

[1]	王宁, 刘晓峰, 陈泽华. 锂离子电池寿命预测综述[J]. 电器与能效管理技术, 2018(11):1-13.
[2]	王冰, 王楠, 李娜, 等. 面向大规模新能源并网的电化学储能产业政策研究[J]. 电器与能效管理技术, 2021(4):1-5,23.
[3]	朱天怡, 艾芊, 李昭昱, 等. 一种数据驱动的用电行为分析模型研究[J]. 电器与能效管理技术, 2019(19):91-100.
[4]	贺兴, 林波, 缪文泉, 等. 磷酸铁锂正极锂离子电池安全性能影响因素[J/OL]. 电池:1-5 [2021-03-30]. https://kns-cnki-net.webvpn.ncepu.edu.cn/kcms/detail/43.1129.tm.20210329.1330.019.html .
[5]	任可美, 戴作强, 郑莉莉, 等. 锂离子电池热失效机理和致爆时间研究综述[J]. 电源学报, 2018, 16(6):186-193.
[6]	戴海峰, 张艳伟, 魏学哲, 等. 锂离子电池剩余寿命预测研究[J]. 电源技术, 2019, 43(12):2029-2035.
[7]	应何杰. 锂离子动力电池安全性评估方法研究[D]. 长沙:湖南大学, 2019.
[8]	焦自权, 范兴明, 张鑫, 等. 基于改进粒子滤波算法的锂离子电池状态跟踪与剩余使用寿命预测方法[J]. 电工技术学报, 2020, 35(18):3979-3993.
[9]	周亚鹏, 王盼盼. 锂离子动力电池剩余寿命预测研究综述[C]// 2020年未来汽车技术大会暨重庆汽车行业第33界年会, 2020.
[10]	田君, 高洪波, 张跃强, 等. 电动汽车动力锂离子电池寿命预测方法研究[J]. 电源技术, 2020, 44(5):767-770.
[11]	孙冬, 许爽. 梯次利用锂电池健康状态预测[J]. 电工技术学报, 2018, 33(9):2121-2129.
[12]	韦海燕, 陈静, 王惠民, 等. 新陈代谢灰色粒子滤波实现电池剩余寿命预测[J]. 电工技术学报, 2020, 35(6):1181-1188.
[13]	偡虹静. 锂离子动力电池剩余寿命预测与退役电池分选方法研究[D]. 长沙:湖南大学, 2019.
[14]	付春流, 郑文芳, 陈东洋, 等. 锂电池剩余放电时间预测方法研究[J]. 电子测量技术, 2020, 43(10):57-62.
[15]	田志华, 田丰庆, 张伟. 基于最小二乘法的蓄电池最优充电特性曲线研究[J]. 河南科技学院学报(自然科学版), 2012, 40(6):59-62.
[16]	沈稼丰, 董艳杰, 周美兰, 等. 铅蓄电池的容量测试和寿命预测[J]. 哈尔滨电工学院学报, 1996, 19(4):433-436.
[17]	王笑天, 杨志家, 王英男, 等. 双卡尔曼滤波算法在锂电池SOC估算中的应用[J]. 仪器仪表学报, 2013, 34(8):1732-1738.
[18]	魏克新, 陈峭岩. 基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计[J]. 电机工程技术学报, 2014, 34(3):445-452.
[19]	赵天意. 基于改进卡尔曼滤波的锂离子电池状态估计方法研究[D]. 哈尔滨:哈尔滨工业大学, 2016.
[20]	程艳青, 高明煜. 基于卡尔曼滤波的电动汽车剩余电量估计[J]. 杭州电子科技大学学报(自然科学版) 2009, 29(3):4-7.
[21]	范波, 田晓辉, 马建伟. 基于EKF的动力锂电池SOC状态预测[J]. 电源技术, 2010, 34(8):797-799.
[22]	吴红斌, 孙辉. 蓄电池荷电状态预测的改进新算法[J]. 电子测量与仪器学报, 2010, 24(11):993-998.
[23]	朱亮标. 基于数据驱动的锂离子电池剩余寿命预测模型及软件实现[D]. 广州:华南理工大学, 2014.
[24]	徐超, 李立伟, 杨玉新, 等. 基于改进粒子滤波的锂电池SOH预测[J]. 储能科学与技术, 2020, 9(6):1954-1960.
[25]	张吉宣, 贾建芳, 曾建潮. 电动汽车供电系统锂电池剩余寿命预测[J]. 电子测量与仪器学报, 2018, 32(3):60-66.
[26]	谢长君, 费亚龙, 曾春年, 等. 基于无迹粒子滤波的车载锂离子电池状态估计[J]. 电工技术学报, 2018, 33(17):3958-3964.
[27]	豆金昌. 锂离子电池健康评估及剩余使用寿命预测方法研究[D]. 南京:南京航空航天大学, 2013.
[28]	常海涛. 基于人工免疫粒子滤波的纯电动汽车锂电池SOC估计研究[D]. 北京:北京交通大学, 2013.
[29]	康燕琼. 纯电动汽车锂电池健康状态(SOH)的估计研究[D]. 北京:北京交通大学, 2015.
[30]	赵钢, 孙豪赛, 罗淑贞. 基于BP神经网络的动力电池SOC估算[J]. 电源技术, 2016, 40(4):818-819.
[31]	邓超, 史鹏飞. 基于神经网络的MH/Ni电池剩余容量预测[J]. 哈尔滨理工大学学报, 2000, 23(3):115-117.
[32]	李革臣, 江海, 王海英. 基于模糊神经网络的电池剩余电量计算模型[J]. 测试技术学报, 2007(5):405-409.
[33]	洪晟, 尉麒栋. 基于WNN的锂电池循环寿命预测[J]. 计算机测量与控制, 2013, 21(8):2146-2148.
[34]	张秀玲, 宋建军. 基于动态最近邻聚类算法的RBF神经网络及其在MH-Ni电池容量预测中的应用[J]. 电工技术学报, 2005, 20(11):84-87.
[35]	史永胜, 施梦琢, 丁恩松, 等. 基于多退化特征的锂离子电池剩余寿命预测[J]. 电源技术, 2020, 44(6):836-840.
[36]	周杰, 南东亮, 耿保华, 等. 基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测[J]. 电工技术, 2020(17):21-23,26.
[37]	李瑞津, 刘斌, 张学敏, 等. 基于改进LSTM的变电站铅酸电池寿命预测[J]. 电池, 2020, 50(6):560-564.
[38]	刘子英, 钱超, 朱琛磊. 基于IPSO-Elman的锂电池剩余寿命预测[J]. 现代电子技术, 2020, 43(12):100-105.
[39]	卢顺, 李英顺. 基于差分进化算法优化BP神经网络的镍镉电池寿命预测[J]. 广西科技大学学报, 2020, 31(2):93-98.
[40]	杨洋. 基于ARIMA和BP神经网络组合模型的锂电池寿命预测[D]. 海口:海南大学, 2020.
[41]	邹峰. 锂离子电池健康状态评估及剩余使用寿命预测技术研究[D]. 南京:南京航空航天大学, 2016.
[42]	焦自权, 范兴明, 张鑫, 等. 基于改进粒子滤波算法的锂离子电池状态跟踪与剩余使用寿命预测方法[J]. 电工技术学报, 2020, 35(18):3979-3993.
[43]	刘亚姣. 基于粒子滤波的锂离子电池剩余使用寿命预测[D]. 长春:吉林大学, 2018.
[44]	姜媛媛, 曾文文, 沈静静, 等. 基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测[J]. 电力系统及其自动化学报, 2019, 31(3):23-28.
[45]	马彦, 陈阳, 张帆, 等. 基于扩展H∞粒子滤波算法的动力电池寿命预测方法[J]. 机械工程学报, 2019, 55(20):36-43.
[46]	韦国歆, 李志鹏, 陆涛, 等. 基于马尔可夫模型的蓄电池寿命预测方法研究[J]. 自动化与仪器仪表, 2019(11):44-47.
[47]	李文峰, 许爱强, 冀全兴, 等. 基于集成ANN的锂电池粒子滤波RUL预测方法研究[J]. 电光与控制, 2016, 23(7):87-92.
[48]	徐波, 雷敏, 王钋. 基于TRNN和FA-PF融合的锂离子电池RUL预测[J/OL]. 电源学报:1-10 [2021-03-31]. https://kns-cnki-net.webvpn.ncepu.edu.cn/kcms/detail/12.1420.TM.20201218.1749.008.html .
[49]	JIAO R H, PENG K X, DONG J. Remaining useful life prediction of lithium-ion batteries based on conditional variational autoencoders-particle filter[J]. IEEE Transactions on Instrumentation and Measurement, 2020, pp(99):1-1.
[50]	刘月峰. 基于数据驱动的锂离子电池剩余寿命融合预测方法研究[D]. 哈尔滨:哈尔滨工业大学, 2020.
[51]	梅枭央. 基于融合算法的锂离子电池剩余使用寿命预测[D]. 武汉:华中科技大学, 2019.
[52]	王帅. 数据驱动的锂离子电池剩余寿命预测方法研究[D]. 哈尔滨:哈尔滨工业大学, 2017.
[53]	王若谷, 戴立森, 梁芷睿, 等. 基于不同种类储能电池的微电网综合储能系统性能对比[J]. 电力电容器与无功补偿, 2019, 40(1):166-171.
[54]	吴志明, 胡维, 杨天蒙, 等. 含高渗透率光伏发电/蓄电池的电力系统协调优化运行研究[J]. 电力需求侧管理, 2020, 22(2):21-27.
[55]	步传宇, 姜昆, 任军, 等. 基于改进型ASRCKF算法的锂离子电池荷电状态估计[J]. 广东电力, 2020, 33(10):16-25.
[56]	明彤彤, 王凯, 田冬冬, 等. 基于LSTM神经网络的锂离子电池荷电状态估算[J]. 广东电力, 2020, 30(3):26-33.
[57]	刘云, 彭远, 寇建秋. 基于灵活解析小波的蓄电池谐波抑制和无功补偿研究[J]. 电力电容器与无功补偿, 2019, 40(5):85-89.
[58]	康道新, 李立伟, 杨玉新, 等. 基于DAUKF的锂电池SOC值和SOH值的估算研究[J]. 广东电力, 2020, 30(4):9-16.

所用方法	主要涉及参数	主要研究内容	优缺点分析
自适应遗传算法优化Elman预测^[35]	平均温度、恒压和等压升充电时长和平均放电电压	利用自适应遗传算法对神经网络初始权重和阈值寻优	可解决非线性问题,误差控制在约1.5%,权重和阈值寻优速度较快,操作较为繁琐
基于改进飞蛾扑火算法的BP神经网络预测^[36]	蓄电池内阻和端电压	利用改进飞蛾扑火算法对神经网络初始权重和阈值寻优	摆脱BP神经网络陷入局部最优解问题,误差可控制在2%以下
基于改进长短期记忆神经网络预测^[37]	电池剩余容量	利用改进长短期记忆神经网络对网络参数进行调整	可适用于小样本模型训练
基于IPSO-Elman预测^[38]	电压、电流、温度和EIS数据	利用改进粒子群算法对神经网络初始权重和阈值寻优	解决了寻优速度慢的问题,由于优化过程需要反复迭代,使得计算步骤大大增加
基于差分进化算法优化BP神经网络预测^[39]	电池充放电截止电压和标称电压	利用差分进化算法对神经网络初始权重和阈值寻优	具有较强的优化能力,减少了迭代次数,误差在1%以内,但计算过程较繁琐
基于ARIMA和BP神经网络组合预测^[40]	电压、电流、温度和EIS数据	将数据进行平稳处理后将变量中误差进行回归	运算速度快,但仅适用于短期预测

所用方法	主要涉及参数	主要研究内容	优缺点分析
粒子滤波加人工神经网络预测电池寿命^[47]	电池剩余容量	以粒子滤波算法为核心,采用人工神经网络作为观测方程来预测电池的使用寿命	适应性强,预测精度高,但计算过程较为复杂
基于时间递归神经网络和粒子滤波的电池寿命预测^[48]	电池容量、充放电电流、充放电电压	利用时间递归神经网络构建电池特征参数和循环寿命关系,通过粒子滤波更新网络参数,从而实现寿命预测	适用范围广且适用于长时间预测,但存在粒子贫化导致预测精度不高
基于变分自编码器和粒子滤波的电池寿命预测^[49]	电池充放电电压、充放电电流和剩余容量	利用变分自编码器对粒子滤波权重优化,从而实现寿命预测	预测精度较高,适用于长期预测,但耗时且初始参数精度不能保证
基于贝叶斯模型平均的长短期记忆网络电池寿命预测^[50]	电压、电流、温度和剩余容量等	利用贝叶斯模型融合多个长短期记忆网络,从而预测电池寿命	精度很高、迭代次数少,解决了模型的不确定性问题
基于融合算法的锂离子电池剩余使用寿命预测^[51]	电池充放电截止电压和标称电压	利用径向基神经网络修正无迹卡尔曼的状态估计,从而预测电池寿命	预测精度高、适应性强,但预测过程过于复杂
基于多模型融合和无迹粒子滤波的电池寿命预测^[52]	电压、电流、温度和EIS数据等	考虑不同种电池衰减情况	普适性较强,但模型建立较为复杂