剩余寿命(RUL)预测

Abstract:

Accurate estimation of state of charge (SOC), battery state of health (SOH) and prediction of battery remaining useful life (RUL) of lithium-ion battery are important contents of battery management. It is of great significance to prolong battery life and ensure the reliability of battery system. Researchers all over the world have done a lot of research on battery state evaluation and RUL prediction methods, and proposed a variety of methods. This paper first introduced the definition of SOC and SOH and the existing estimation methods and compared them. Then, the definition of RUL was introduced and the main methods were classified and compared. Finally, the challenges of lithium-ion battery state estimation and RUL prediction were summarized, and the future development direction was proposed.

Key words: lithium-ion battery, state of charge (SOC) estimation, state of health (SOH) estimation, remaining useful life (RUL) prediction

分类			描述	优点	缺点
外特性模型	等效电路模型	Rint模型	一个理想电压源与一个电阻串联	模型简单，参数测定容易	无法反映电池动态特性，精度较低，适用范围小
		Thevenin模型	n 阶Thevenin等效电路模型以Rint模型为基础，串联了 n 个RC回路表示电池极化现象	RC回路用于模拟电池动态特性， n 越大，精度越高	未考虑因负载电流随时间累计导致的开路电压变化以及自放电等问题； n 越大，计算量越大
		PNGV模型	在1阶Thevenin等效电路模型的基础上增加了电容 C p 来描述负载电流随时间累计导致的开路电压变化	计算量较低；相比于1阶Thevenin等效电路，模型精度更高	不能反映电池自放电问题
		GNL模型	集成了上述4种等效电路模型各自的优点，2个RC回路分别表示浓差极化和电化学极化，结构更接近电池内部特性	相比于PNGV模型考虑了负载电流随时间累计导致的开路电压变化问题及电池自放电问题；精度更高，适用性更广	相比于PNGV模型，计算更复杂，计算量更大
	开路电压-SOC 模型		利用开路电压与SOC的关系计算电池端电压	计算简单	模型部分参数不具有实际物理意义，精确度较低
内特性模型	P2D模型		将锂离子电池等效为由无数球型固相颗粒组成的电极(正负极)、隔膜及电解液组成的结构	精确度高，适用性较广	过于复杂，计算量大，且无法获得其解析解
	SP模型		采用2个球型颗粒分别表示锂离子电池的正极和负极	结构简单，计算量小	在大倍率充放电条件下，模型假设不成立，计算误差大，适用范围小
	简化P2D模型		对P2D模型的PDE进行简化	大大降低了P2D模型的计算量；比SP模型更精确，适用性更强	无法解决P2D固有问题，难以在线应用

表1 锂离子电池模型分类与对比

Tab. 1 Classification and comparison of models for lithium-ion battery

分类			描述	优点	缺点
外特性模型	等效电路模型	Rint模型	一个理想电压源与一个电阻串联	模型简单，参数测定容易	无法反映电池动态特性，精度较低，适用范围小
		Thevenin模型	n 阶Thevenin等效电路模型以Rint模型为基础，串联了 n 个RC回路表示电池极化现象	RC回路用于模拟电池动态特性， n 越大，精度越高	未考虑因负载电流随时间累计导致的开路电压变化以及自放电等问题； n 越大，计算量越大
		PNGV模型	在1阶Thevenin等效电路模型的基础上增加了电容 C p 来描述负载电流随时间累计导致的开路电压变化	计算量较低；相比于1阶Thevenin等效电路，模型精度更高	不能反映电池自放电问题
		GNL模型	集成了上述4种等效电路模型各自的优点，2个RC回路分别表示浓差极化和电化学极化，结构更接近电池内部特性	相比于PNGV模型考虑了负载电流随时间累计导致的开路电压变化问题及电池自放电问题；精度更高，适用性更广	相比于PNGV模型，计算更复杂，计算量更大
	开路电压-SOC 模型		利用开路电压与SOC的关系计算电池端电压	计算简单	模型部分参数不具有实际物理意义，精确度较低
内特性模型	P2D模型		将锂离子电池等效为由无数球型固相颗粒组成的电极(正负极)、隔膜及电解液组成的结构	精确度高，适用性较广	过于复杂，计算量大，且无法获得其解析解
	SP模型		采用2个球型颗粒分别表示锂离子电池的正极和负极	结构简单，计算量小	在大倍率充放电条件下，模型假设不成立，计算误差大，适用范围小
	简化P2D模型		对P2D模型的PDE进行简化	大大降低了P2D模型的计算量；比SP模型更精确，适用性更强	无法解决P2D固有问题，难以在线应用

Tab. 2 Comparison of advantages and disadvantages in common SOC estimation methods for lithium-ion batteries

方法	分类		优点	缺点
实验法	安时积分法		不需要考虑电池内部机理，操作简单	易产生累积误差，对初值、传感器精度要求高
	开路电压法		可用于各种电池，操作简单	不能在线实时计算SOC
模型法	基本模型	外特性模型	计算简单，实用性强	精确度较差
		内特性模型	能反映电池内部特性	模型复杂、计算量大
	状态估计方法	KF法	收敛速度快，对噪声的抑制能力强； 对初值敏感度较低	系统噪声不确定； 对模型精确度要求较高
		PF法	鲁棒性强，对模型精确度要求不高	容易出现粒子退化； 计算量大
数据驱动法	神经网络法		不依赖高精度电池模型	容易梯度消失、陷入局部最优； 计算时间长； 容易过拟合，泛化能力差
	回归分析法		在高维模式识别、非线性回归等问题中能取得较好效果	仅适用于规模较小的数据样本
融合法			估算结果的精度与可靠性较高	复杂性高，计算量大

表2 常见锂离子电池 SOC 估算方法的优缺点比较

Tab. 2 Comparison of advantages and disadvantages in common SOC estimation methods for lithium-ion batteries

方法	分类		优点	缺点
实验法	安时积分法		不需要考虑电池内部机理，操作简单	易产生累积误差，对初值、传感器精度要求高
	开路电压法		可用于各种电池，操作简单	不能在线实时计算SOC
模型法	基本模型	外特性模型	计算简单，实用性强	精确度较差
		内特性模型	能反映电池内部特性	模型复杂、计算量大
	状态估计方法	KF法	收敛速度快，对噪声的抑制能力强； 对初值敏感度较低	系统噪声不确定； 对模型精确度要求较高
		PF法	鲁棒性强，对模型精确度要求不高	容易出现粒子退化； 计算量大
数据驱动法	神经网络法		不依赖高精度电池模型	容易梯度消失、陷入局部最优； 计算时间长； 容易过拟合，泛化能力差
	回归分析法		在高维模式识别、非线性回归等问题中能取得较好效果	仅适用于规模较小的数据样本
融合法			估算结果的精度与可靠性较高	复杂性高，计算量大

表3 常见锂离子电池RUL预测方法的优缺点比较

Tab. 3 Comparison of advantages and disadvantages in common RUL prediction methods for lithium-ion batteries

方法	分类	优点	缺点
模型法	经验模型	计算简单	精度低，不能考虑运行工况、环境的影响
	半经验模型	能反映运行工况、环境的影响	工况复杂时不适用；精度低
	电化学模型	能反映电池内部复杂机理	参数过多，计算量大
数据驱动法	时序预测法	不依赖电池模型	易出现过拟合等问题；计算量大； RUL局部变化无法反映
	间接数据驱动法	与电池特性相关，RUL局部变化预测效果佳	计算量大
融合法		估算结果的精度与可靠性较高	复杂性高，计算量大

AHMED R， SAYED M E， ARASARATNAM I，et al ．Reduced-order electrochemical model parameters identification and state of charge estimation for healthy and aged Li-Ion batteries：part Ⅱ：aged battery model and state of charge estimation[J]．IEEE Journal of Emerging and Selected Topics in Power Electronics，2014，2(3)：678-690． doi: 10.1109/jestpe.2014.2331062 ZOU C， ZHANG L， HU X，et al ．A review of fractional-order techniques applied to lithium-ion batteries，lead-acid batteries，and supercapacitors[J]．Journal of Power Sources，2018，390：286-296． doi: 10.1016/j.jpowsour.2018.04.033 HUSSEIN A A ．Capacity fade estimation in electric vehicles Li-ion batteries using artificial neural networks[J]．IEEE Transactions on Industry Applications，2013，51(3)：677-681． MOURA S J， ARGOMEDO F B， KLEIN R，et al ．Battery state estimation for a single particle model with electrolyte dynamics[J]．IEEE Transactions on Control Systems Technology，2017，25(2)：453-468． doi: 10.1109/tcst.2016.2571663 SCHMIDT A P， BITZER M， IMRE Á W，et al ．Experiment-driven electrochemical modeling and systematic parameterization for a lithium-ion battery cell[J]．Journal of Power Sources，2010，195(15)：5071-5080． doi: 10.1016/j.jpowsour.2010.02.029 尹安东，张万兴，赵韩，等 ．基于神经网络的磷酸铁锂电池SOC预测研究[J]．电子测量与仪器学报，2011，25(5)：433-437． doi: 10.3724/sp.j.1187.2011.00433 王宁, 陈志强, 刘明义, 张鹏, 曹曦, 陆泽宇, 雷浩东, 曹传钊, 严晓, 周国鹏. 基于模糊综合评价的锂离子电池健康状态评估 [J]. 发电技术, 2022, 43(5): 784-791. 魏少鑫, 金鹰, 王瑾, 杨周飞, 崔超婕, 骞伟中. 电池型电容器技术发展趋势展望 [J]. 发电技术, 2022, 43(5): 748-759. 陈晓光, 杨秀媛, 王镇林, 王浩扬. 考虑多目标优化模型的风电场储能容量配置方案 [J]. 发电技术, 2022, 43(5): 718-730. 王泽旭, 李冰辰, 许瑶, 刘倩, 李凯璇, 巨星. 基于过冷相变材料热开关的锂离子电池热管理系统 [J]. 发电技术, 2022, 43(2): 328-340. 李沂洹, 李慷, 余渐. 锂离子电池荷电状态与健康状态估计方法 [J]. 发电技术, 2021, 42(5): 537-546. 刘倩, 石千磊, 李凯璇, 徐超, 廖志荣, 巨星. 锂离子电池结合棋盘拓扑分流结构的浸没冷却热管理研究 [J]. 发电技术, 2021, 42(2): 218-229. 网站版权 © 2018《发电技术》编辑部
地址：杭州市西湖科技经济园区西园一路10号
邮编：310030    电话：0571-85246691    邮箱：[email protected]
本系统由 北京玛格泰克科技发展有限公司 设计开发
浙ICP备10032613号-6