The capacity and internal resistance are important indicators to estimate the state of health (SOH) and predict remaining useful life (RUL) of lithium⁃ion batteries. However,the capacity and internal resistance of lithium⁃ion batteries are difficult to be directly measured online. In this paper,two health indicators are extracted after analyzing the characteristics of charging current and voltage changes during the charging process of lithium⁃ion batteries. Through analysis,it is concluded that the indicators are highly correlated with the battery capacity,and a two⁃indicators linear regression model is established to estimate the battery capacity. On this basis,BP neural network and particle swarm optimization are combined to design the SOH estimation algorithm of lithium⁃ion batteries. Considering that there is a certain mapping relationship between SOH and RUL of lithium batteries,the RUL prediction algorithm of lithium⁃ion batteries is designed by using the health indicators and the SOH estimation results. The experimental results show that the proposed indicators can accurately estimate the battery capacity and can be applied to online SOH estimation and RUL prediction of lithium⁃ion batteries.
Keywords:lithium⁃ion batteries
;
linear regression model
;
remaining useful life
;
state of health
Feng Hailin, Zhang Xuan. State of health estimation and remaining using life prediction of lithium⁃ion batteries based on new health indicators. Journal of nanjing University[J], 2021, 57(4): 660-670 doi:10.13232/j.cnki.jnju.2021.04.015
锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4].
电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用.
另外值得注意的问题是模型输入的选取和SOH估计与RUL预测之间的关系.Yanget al [16]利用充电数据提取出四个间接健康因子用于预测模型的输入.与选择循环数作为模型输入相比,这样的做法更加具有广泛的用途和意义,但不足之处是他们只进行了SOH估计而没有考虑到SOH与RUL之间的内在联系.Jiaet al [17]虽然将SOH和RUL关联起来,但实验中依旧涉及电池容量并且基于放电过程,这使得在线进行SOH估计和RUL预测依旧困难.
A novel prediction method based on the support vector regression for the remaining useful life of lithium?ion batteries
1
2018
... 锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4]. ...
A review of lithium ion battery failure mechanisms and fire prevention strategies
1
2019
... 锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4]. ...
Battery Management Systems in Electric and Hybrid Vehicles
1
2011
... 锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4]. ...
故障预测与健康管理技术综述
1
2010
... 锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4]. ...
故障预测与健康管理技术综述
1
2010
... 锂离子电池因其可循环使用和寿命长等优点,在电动汽车行业中得到大量应用.但是,锂离子电池发生故障可能会造成一些灾难性事故,如电动汽车电池的爆炸起火等[1-2],因此有效的电池管理对于监控电池状态以保障其安全使用尤为重要[3],其中电池的健康状态(state of health,SOH)估计和剩余使用寿命(remaining useful life,RUL)预测是电池管理中的核心问题[4]. ...
Remaining useful life prediction and state of health diagnosis for lithium?ion batteries using particle filter and support vector regression
1
2018
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
Machinery health prognostics:A systematic review from data acquisition to RUL prediction
1
2018
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
Satellite lithium?ion battery remaining cycle life prediction with novel indirect health indicator extraction
1
2013
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
Satellite lithium?ion battery remaining cycle life prediction with novel indirect health indicator extraction
1
2013
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
A lithium?ion battery RUL prognosis method using temperature changing rate
1
2016
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
A novel health indicator for on?line lithium?ion batteries remaining useful life prediction
2
2016
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
Intelligent prognostics for battery health monitoring based on sample entropy
1
2011
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
基于充电电流数据的锂电池容量估计
1
2018
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
基于充电电流数据的锂电池容量估计
1
2018
... 电池的容量和内阻通常被称为直接健康因子,用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难[5-6].因此近年来,研究者更关注在电压、电流和温度等容易在线监测的参数中寻找出一些新的健康因子替代容量或内阻.在锂电池的放电过程中,Liuet al [7]通过分析电池放电电压的变化趋势,使用等放电电压差的时间间隔(TIEDVD)作为锂电池的健康因子表征电池健康状态;Yanget al [8]基于放电温度变化率提取出新的健康因子;Zhou et al [9]提取出平均电压衰减(MVF)作为健康因子描述电池的退化过程;Widodoet al [10]基于放电电压样本熵特性来评估电池的健康状态.这些研究结果均基于放电信息获得,但是放电数据存在数据不稳定情况,如电池因使用环境的干扰而测量不够准确,同时实际应用中也很少存在电池电量一次性耗费完的情况[11].相比于放电过程,电池的充电过程大多是静态的,受外部因素的影响较小,并且往往是充满电后再使用电池,所以在充电过程中测量的数据会更准确,从充电数据中提取健康因子更符合实际应用. ...
A novel Gaussian process regression model for state?of?health estimation of lithium?ion battery using charging curve
1
2018
... 另外值得注意的问题是模型输入的选取和SOH估计与RUL预测之间的关系.Yanget al [16]利用充电数据提取出四个间接健康因子用于预测模型的输入.与选择循环数作为模型输入相比,这样的做法更加具有广泛的用途和意义,但不足之处是他们只进行了SOH估计而没有考虑到SOH与RUL之间的内在联系.Jiaet al [17]虽然将SOH和RUL关联起来,但实验中依旧涉及电池容量并且基于放电过程,这使得在线进行SOH估计和RUL预测依旧困难. ...
SOH and RUL prediction of lithium?ion batteries based on Gaussian process regression with indirect health indicators
1
2020
... 另外值得注意的问题是模型输入的选取和SOH估计与RUL预测之间的关系.Yanget al [16]利用充电数据提取出四个间接健康因子用于预测模型的输入.与选择循环数作为模型输入相比,这样的做法更加具有广泛的用途和意义,但不足之处是他们只进行了SOH估计而没有考虑到SOH与RUL之间的内在联系.Jiaet al [17]虽然将SOH和RUL关联起来,但实验中依旧涉及电池容量并且基于放电过程,这使得在线进行SOH估计和RUL预测依旧困难. ...
PSO–ANN?based prediction of cobalt leaching rate from waste lithium?ion batteries