动力锂电池形变参数测量与健康评估

0引言

动力锂电池以其体积小、重量轻、能量密度高等特点,在新能源汽车等领域发挥着至关重要的作用,是推动相关行业发展和技术创新的关键部件^[1]。

随着技术的进步和市场需求的增长,动力锂电池产业迅速扩张,然而其应用依然受安全、环保、续航等因素制约^[2—3]。科研人员正积极开展动力锂电池相关研究工作,力图寻找解决上述问题的技术路径,以促进动力锂电池更加广泛深入地应用。作为一个研究热点,电池健康状态(SOH)评估即通过了解电池当前的状态,准确地预测和评估电池的性能^[4],为电池的设计、制造、使用、维护等提供科学依据,以提高电池的安全性、可靠性、经济性、环保性,推动电池技术的持续发展^[5]。

目前常见的电池SOH评估方法有实验法、模型法、数据驱动法等^[6],这些评估方法各有优缺点,总的来说,SOH估计在可靠性、精度等方面还有许多问题亟待深入研究。本文提出了一种基于形变分析的锂电池健康评估方法,该方法具有非接触、免约束等特点,为动力锂电池健康评估提供了新的技术解决方案。

1 动力锂电池的形变规律

如图1所示,动力锂电池由正极、隔膜、负极、电解液、集流体等部分组成,通过锂离子的迁移和电子的流动,实现能量的存储和释放^[7]。

在锂电池的充放电循环使用过程中,正负极之间的锂离子嵌入与脱嵌会引起电池内部材料膨胀和收缩^[8],这一由内部因素产生的形变是可逆的、弹性的、不可避免的。此外,高温会改变电池的化学成分,挤压、撞击等会导致电池内部应力积累,过充、过放会加大正负极材料的膨胀和收缩,温度、机械应力、过充、过放等外部因素相互耦合,也会导致锂电池形变,加快电池的劣化失效。一般来说,这些由外部因素产生的电池形变是不可逆的,危害性极大,应采取必要措施极力避免。

电池形变与健康状态的耦合关系十分复杂。图2为某型锂电池在不同荷电状态(SOC)的可逆形变测量曲线,该图表明:随着SOC的增加,电池在同一水平面上的形变量也呈现出相应的增大趋势,电池可逆形变与SOC密切相关^[9]。

图3为某型锂电池不同老化程度下的厚度变化 曲线[10],该图表明:随着电池循环老化的加深,电池剩余容量逐渐衰减,同时其可逆形变(即膨胀与收缩的能力)也减弱,表现为厚度变化的最大值逐渐缩小。这表明电池的容量衰减与其可逆形变量之间存在负相关关系,即电池容量的减少会导致其可逆形变量降低。

2基于线激光的形变参数提取方法

本文设计了如图4所示的动力锂电池形变测量系统,完成锂电池形变信息的实时采集与分析,为后续锂电池健康评估提供精准、可靠的评价参数。

如图4所示,系统主要由线激光传感器、测试分析计算机、形变测量平台、被测电池等组成。其中,线激光传感器是测量系统的核心,负责锂电池变形几何信息的高精度坐标采集;测试计算机上运行专用测量分析软件,负责测量模式设置、测量方法优化和结果处理与分析;形变测量平台由一块基准底板和十字调整支架组成,负责线激光传感器与被测电池之间位置关系调整,以建立测量坐标系。

如图5所示,LS—100CN线激光传感器,基于二维激光投射技术,通过成像元件接收被测物表面反射的光条图像,并应用投影变换算法解析出测量轮廓,进而获取高度X与宽度Y的二维坐标数据。该传感器工作距离为100 mm,测量范围±25 mm,全量程线性精度±0.1%,其内置的图像处理算法能够自动补偿轮廓,具有非接触性、高精度、高效率、宽动态范围等优势,极为适用于电池形变的在线测量与分析。

3 基于GWO—GPR的健康评估方法

首先进行数据准备与预处理,利用电池形变测量系统采集电池电参数以及形变几何信息,并对数据进行处理,选择反映电池健康状况的特征HF(Health Feature)与电池健康状况SOH构建数据集,将数据集划分为训练集与测试集。

接着,初始化灰狼优化算法(GWO),包括设置种群大小、最大迭代次数和超参数取值范围等参数,并在超参数取值范围内随机生成一组灰狼个体,每个个体对应一组GPR(高斯过程回归)超参数。

然后,选择合适的核函数,构建GPR模型,这里选择ARD平方指数核,数学公式为:

式中:σ²_f为信号方差;li为第i个特征的长度尺度;d为输入特征的维度;xi和xi'为输入向量x和x'的第i个特征。

并利用随机生成的灰狼个体对应的超参数构建GPR模型:

式中:m(x)为均值;k(x,x')为方差。

随后,通过灰狼优化算法进行迭代与模型训练,计算每个灰狼个体对应的GPR模型的预测误差作为适应度值:

式中:y_i为真实值;μ_ij为第i只狼对应的GPR模型对j个数据点的预测值;n为样本数量。

并基于适应度值更新灰狼个体位置:

式中:X*为当前最优解;Xi为第i个灰狼个体的位置;A和C为系数向量,其计算公式分别为:

式中:α为收敛因子,随着迭代次数从2线性减小到0;r₁和r₂为随机数。

直到满足预设的终止条件,结束迭代。迭代结束后,选择适应度值最小的灰狼个体作为最优解,使用这组最优超参数构建最终的GWO—GPR模型,并使用测试数据集对模型进行评估,以衡量其预测性能。

最后,将待预测的电池数据输入到训练好的 GWO—GPR模型中,利用模型进行预测,得到电池的健康状况预测结果。算法流程如图6所示。

4 实验与分析

为验证技术方法的有效性,在图7所示的动力锂电池形变测量分析系统中进行了实验研究。系统主要由激光测量系统和充放电控制系统组成,其中充放电控制系统负责锂电池的充放电管理和电参数监测,激光测量系统负责锂电池形变信息的实时采集与分析。系统涉及的关键仪器如表1所示。

4.1测量位置优选

研究表明,锂电池循环充放电过程中,不同测量位置的绝对形变量具有不一致性,选择形变显著的测量位置有利于提高测量结果的准确性和可靠性。如图8所示,本文选择上、中、下三个典型位置进行了可逆形变测量,测量数据如表2所示。结果表明,在锂电池充放电过程中,三处位置的可逆形变变化趋势相同,但形变绝对量值各不相同,锂电池中心处(pc)形变量最大,可以作为评估锂电池可逆形变特性的理想位置。

4.2形变测量实验

对某型锂电池进行了形变几何信息采集,得到形变测量曲线如图9所示。

结果表明:线激光测量方法可以有效提取锂电池在一个充电过程中的形变信息,随着SOC增大,曲线总体趋势伴随着波动不断上移,采用数学方法求解曲线上移量,可以用来表征电池形变的大小,进而为电池健康评估提供可靠的评价参数。

图9锂电池形变测量原始曲线

4.3健康评估分析

基于锂电池形变测量数据和GWO—GPR算法建立形变—健康评估模型,得到锂电池SOH估算结果如图10所示,估算误差曲线如图11所示。实验结果表明,本方法切实有效,SOH综合估算误差小于2%。

5结论

本文研究了一种基于动力锂离子电池形变特性的SOH估算方法。该方法通过整合动力锂离子电池的形变数据与SOH指标,构建用于模型训练与验证的训练集与测试集。在此基础上,引入了多种优化算法,旨在提高模型对SOH预测的准确性。实验结果表明,该基于形变特征的动力锂离子电池SOH估算方法展现出了良好的性能,能够有效对锂离子电池的 SOH进行预测,为锂离子电池的健康管理与维护提供了有力支持。

[参考文献]

[1]邱细妹,王燕,吕海明,等.“双碳”背景下新能源材料技术发展策略——以松山湖材料实验室为例[J].中国科学院院刊,2022,37(3):375—383.

[2]蔡雨思,李泽文,刘萍,等.基于间接健康特征优化与多模型融合的锂电池SOH—RUL联合预测[J].电工技术学报,2024,39(18):5883—5898.

[3] 李存璞,唐晓霞,魏子栋.锂离子电池的热失控与预防[J].科技导报,2024,42(12):178—192.

[4]柯学,洪华伟,郑鹏,等.基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计[J].储能科学与技术,2024,13(9):3059—3071.

[5]周洪,辛竹琳,付豪,等.基于专利数据挖掘的固态锂电池关键材料分析 [J].储能科学与技术 ,2024,13 (7):2386—2398.

[6]柳杰.基于机器学习的锂离子电池健康状态参数估计研究[D].西安:西京学院,2023.

[7]徐俊,郭喆晨,谢延敏,等.储能锂电池系统综合管理研究进展[J].西安交通大学学报,2024,58(10):1—23.

[8]林春景,李丹华,温浩然,等.动力电池在充电过程中的膨胀力特性[J].储能科学与技术,2022,11(5):1627—1633.

[9] OH KY,EpUREANUB I,SIEGEL J B,etal.phenomenological force and swelling models for rechargeable lithium—ion battery cells [J].Journal of power Sources,2016,310:118—129.

[10]GRIMSMANN F,BRAUCHLE F,GERBERT T,etal.Impact of different aging mechanisms on the thickness change and the quick—charge capability of lithiumion cells[J].Journal of Energy Storage,2017,14:158—162.

2025年第3期第8篇