《储能科学与技术》推荐|基于EIS和神经网络的退役电池SOH快速估计
作者:耿萌萌, 范茂松, 杨凯, 赵光金, 谭震, 高飞, 张明杰
单位:中国电力科学研究院有限公司,国网河南省电力公司电力科学研究院
DOI:10.19799/j.cnki.2095-4239.2021.0503
引用本文: 耿萌萌,范茂松,杨凯等.基于EIS和神经网络的退役电池SOH快速估计[J].储能科学与技术,2022,11(02):673-678.
GENG Mengmeng, FAN Maosong, YANG Kai, et al. Fast estimation method for state-of-health of retired batteries based on electrochemical impedance spectroscopy and neural network[J]. Energy Storage Science and Technology,2022,11(02):673-678.
摘 要 为了提高退役电池健康状态估计的速度和精度,针对某电动大巴车退役的方形磷酸铁锂电池,选取其中8只电池继续进行循环老化实验,并在不同循环周期后进行电化学阻抗测试。根据锂离子电池阻抗特性,提取300 Hz、60 Hz以及1 Hz下的实部、虚部和模值为特征参量,将测试时间由十几分钟缩短至几秒钟。以特征参量为输入参数,结合BP神经网络算法,搭建了基于电化学阻抗和BP神经网络的退役电池健康状态快速估计模型,采用19组未参与模型训练的数据对模型进行验证,验证样本的健康状态估计值的平均绝对百分误差(MAPE)为1.46%,均方根误差(RMSE)为1.60%,结果表明整体误差较低。该方法估测精度高,测试时间短,实现了退役电池健康状态快速估计,更有利于实际应用。关键词 交流阻抗谱;BP神经网络;退役电池;健康状态1 实验
1.1 样品
从某电动大巴车退役的方形磷酸铁锂(LiFePO4)电池,出厂额定容量为65 A·h。1.2 循环实验
将退役磷酸铁锂电池单体置于25 ℃恒温箱中,利用深圳Neware公司的CT-3008W电池测试系统以0.5 C倍率对其进行恒流充放电循环,充放电截止电压为2.5~3.65 V,每循环200次计为1个周期,标定容量。1.3 电化学阻抗测试
利用电化学工作站(VMP3B,法国Bio-logic公司)进行8只退役电池的电化学阻抗谱测试。8支退役电池在循环之前测试电化学阻抗,之后每循环一个周期测试一次50% SOC下电化学阻抗,频率范围为10 kHz~10 mHz,激励电流为3 A。2 特征参量选取
SOH=Qaged/Qnew×100% | (1) |
图1为8只退役磷酸铁锂电池在退役后的衰退曲线,从图中可以看到,随着循环周期的进行,放电容量基本呈线性衰减,经过11个循环周期后,8只电池的放电容量在53~54 A·h之间。
在不同的循环周期对8只电池进行电化学阻抗测试,为了更加清晰地展示EIS随退役电池循环老化产生的变化,选取1#电池的第1、5、10周期的50% SOC时的交流阻抗谱图进行对比,如图2所示,随着循环的进行,阻抗谱图沿着实轴(Z′轴)向右移动,说明EIS随电池SOH的不同是有规律性变化的,可用于电池SOH评估。
由图2可以看出,锂离子电池的EIS由高频区的一条垂直于实轴的直线、中频区的半圆以及低频区的一条与实轴45°夹角的直线构成,高频区的直线代表电感,主要由电池和电线里金属元素造成;与实轴相交的部分为欧姆阻抗,主要是正极材料、电解液、隔膜等阻抗之和;中频区的半圆主要是电极的双电层电阻和电荷转移电阻;低频区的直线代表在电极材料中的扩散电阻。通过分析锂离子电池的EIS可知电池的内部反应,利用EIS进行电池的SOH评估,可达到无损、准确的目的。
表1 特征参量
(2) |
(3) |
(4) |
(5) |
(6) |
3 模型训练和SOH估计
本文建立的BP神经网络模型包括一个输入层、一个隐含层、一个输出层,隐含层包括9个节点,隐含层激活函数选择tansig函数,输出层的激活函数选择purelin函数,损失函数选择MSE,学习速率为0.01,目标误差为5.0×10-5,最大迭代次数为1000。3.1 数据预处理
对1#~8#不同循环周期下的交流阻抗谱数据进行预处理,筛选出300 Hz、60 Hz、1 Hz三个频率下实部、虚部、模值,对8只电池的不同循环周期的标定数据进行筛选,提取放电容量作为SOH的指标,之后为了加快学习速率,对所有提取的数据进行归一化处理,得到共96组数据。通常情况下,数据量较大,训练样本和验证样本的比例大约为5∶5,而对于数据量较少的情况,训练样本和验证样本的比例一般在8∶2或9∶1,以使得模型训练精度更高。不同循环周期下交流阻抗谱数据量较少,所以按照8∶2分配数据,选择77组数据用于训练,19组数据用于模型验证,归一化公式见式(7)。(7) |
3.2 模型训练和验证
模型训练过程如图4所示,归一化后的77组输入和输出参量及初始的权值和阈值,正向计算输出值误差,如果误差满足要求,则结束训练,模型即可进行SOH估计,如果正向计算输出值误差不满足误差要求,则反向调整权值和阈值,直至满足优化条件为止。(8) |
(9) |
4 结论
本文基于电化学交流阻抗谱和BP神经网络,建立了一种退役电池健康状态快速估计模型,综合了两种方法的优势,克服了电化学阻抗谱扫频全谱速度慢、解析复杂和BP神经网络重数据不重机理的缺点,以电化学阻抗谱中300 Hz、60 Hz、1 Hz下的实部、虚部及模值为特征参量输入到搭建的BP神经网络模型中,输出估计SOH,并利用MAPE和RMSE对退役电池健康状态快速估计模型的精确度进行评价,验证样本的MAPE为1.46%,RMSE为1.60%,和模型训练误差(MAPE为1.36%,RMSE为1.57%)相当,说明模型未出现过拟合现象的同时,整体误差较低,估测精度较高。综上,基于EIS和神经网络的退役电池SOH快速估计方法测试时间短,估计结果精确度高,更有利于实际应用。第一作者:耿萌萌(1989—),女,硕士,工程师,主要研究方向为储能技术,E-mail:gengmengmeng@epri.sgcc.com.cn;
通讯作者:杨凯,博士,教授级高工,主要研究方向为储能技术,E-mail:ykbit@126.com。