电气工程学报, 2022, 17(3): 40-57 doi: 10.11985/2022.03.006

特邀专栏：储能(储氢)材料、技术、装置及新能源综合应用

先进感知技术在电池状态估计中的应用与启示*

徐茂舒,1,2, 沈旖3,4, 王晟1,2, 张娥1,2, 李浩秒1,2, 周敏1,2, 王玮3,4, 王康丽1,2, 蒋凯,1,2,5

1.华中科技大学电气与电子工程学院 武汉 430074

2.华中科技大学强电磁工程与新技术国家重点实验室 武汉 430074

3.华中科技大学材料科学与工程学院 武汉 430074

4.华中科技大学材料成型与模具技术国家重点实验室 武汉 430074

5.电力安全与高效利用教育部工程研究中心 武汉 430074

Application and Enlightenment of Advanced Sensing Technology in Battery State Estimation

XU Maoshu,1,2, SHEN Yi3,4, WANG Sheng1,2, ZHANG E1,2, LI Haomiao1,2, ZHOU Min1,2, WANG Wei3,4, WANG Kangli1,2, JIANG Kai,1,2,5

1. School of Electrical and Electronic Engineering, Huazhong University of Science and Technology, Wuhan 430074

2. State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Huazhong University of Science and Technology, Wuhan 430074

3. College of Materials Science and Technologies, Huazhong University of Science and Technology, Wuhan 430074

4. State Key Laboratory of Materials Processing and Die & Mould Technology, Huazhong University of Science and Technology, Wuhan 430074

5. Engineering Research Center of Power Safety and Efficiency (Ministry of Education), Wuhan 430074

通讯作者: 蒋凯,男,1976年生,博士,教授。主要研究方向为新能源材料和新型储能技术。E-mail：kjiang@hust.edu.cn

收稿日期: 2022-04-30   修回日期: 2022-08-12  

基金资助: *国家自然科学基金.  51977097
国家电网公司总部科技.  5419-202199552A-0-5-ZN

Received: 2022-04-30   Revised: 2022-08-12  

作者简介 About authors

徐茂舒,男,1999年生,硕士研究生。主要研究方向为基于超声传感的电池状态估计技术。E-mail： msxu@hust.edu.cn

摘要

实时精准的电池状态估计对锂离子电池高效安全运行尤为重要。以先进感知技术对电池内部特征进行原位在线感知,可为电池应用提供丰富的数据支撑,是电池状态估计方法发展的关键。以基于电气测量特征的、基于模型的和基于数据驱动与机器学习的电池状态估计方法作为对比,辨析基于光纤感知技术、电化学阻抗谱感知技术、机械应变感知技术、声学感知技术的先进智能感知技术原理、应用和优势缺陷,构建未来智能电池与智能电池管理系统。

关键词： 电池管理系统 ; 荷电状态 ; 健康状态 ; 光纤感知 ; 电化学阻抗谱感知 ; 机械应变感知 ; 声学感知

Abstract

To guarantee the safe and high-efficiency running of Lithium-ion battery, it’s vitally important to make battery state estimation timelier and more accurate. The key parameters inside the battery perceived by using advanced sensing technology in situ provide abundant data and theoretical support for battery state estimation, which has great significance of battery state estimation. Taking the general battery state estimation methods: character-based methods, model-based methods and data-driven machine learning methods as references and comparisons, the principles, applications, advantages and disadvantages of advanced sensing technology including optical fiber sensing technology, electrochemical impedance spectroscopy sensing technology, mechanical strain sensing technology and acoustic sensing technology are analyzed. Finally, the future smart battery and smart battery management system is built.

Keywords： Battery management system ; state of charge ; state of health ; optical fiber sensing ; electrochemical impedance spectroscopy sensing ; mechanical strain sensing ; acoustic sensing

PDF (674KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

徐茂舒, 沈旖, 王晟, 张娥, 李浩秒, 周敏, 王玮, 王康丽, 蒋凯. 先进感知技术在电池状态估计中的应用与启示*. 电气工程学报[J], 2022, 17(3): 40-57 doi:10.11985/2022.03.006

XU Maoshu, SHEN Yi, WANG Sheng, ZHANG E, LI Haomiao, ZHOU Min, WANG Wei, WANG Kangli, JIANG Kai. Application and Enlightenment of Advanced Sensing Technology in Battery State Estimation. Chinese Journal of Electrical Engineering[J], 2022, 17(3): 40-57 doi:10.11985/2022.03.006

1 引言

自2020年“碳达峰、碳中和”目标提出以来,我国能源结构调整持续推进,逐步扩大风、光、水等可再生能源开发利用规模,着力构建稳定可控、智能高效、多元清洁的能源生产供应体系[1-2]。而新能源固有的间歇性、随机性和波动性显著制约了新能源电站的并网规模,若处理不当,甚至会对电力系统的稳定性造成巨大威胁[3-4]。推动储能与可再生能源互补协调发展,利用储能系统削峰填谷、平稳功率,促进可再生能源的并网消纳,有效保障电网可靠稳定运行,在新型电力系统的建设中具有重要战略意义[5-6]。以锂离子电池为代表的电化学储能技术配置灵活、商业化应用范围广等优势得到电力行业广泛共识,是目前最有望应用于规模化电力储能的技术之一。

然而2011—2021年,全球电池储能项目火灾或爆炸事故频发,据不完全统计,全球共发生32起储能电站起火爆炸事故。国内外运行经验表明,海量储能电池成组时的热失控、起火、爆炸等安全隐患是制约其在大规模储能中应用的关键因素。为保证储能电池系统的安全运行与长效服役,必须对电池管理系统(Battery management system,BMS)的状态监控、运行管理功能提出更高的要求[7]。2021年,国家能源局印发《新型储能项目管理规范(暂行)》,要求BMS必须实时保证对电池荷电状态(State of charge,SOC)、电池健康状态(State of health,SOH)等电池状态参数准确监控,着力发展电池热管理、电池失效预测与安全预警功能并进行定期维护和安全评估[8]。

常用的电池状态估计方法(下文简称为一般性方法),采集电池电流、电压、温度等信息,利用基于电气测量特征、基于模型或基于大数据驱动的机器学习的三类方法实现电池状态的间接估计。基于电气测量特征常采用查表的方法,精确度与鲁棒性较低且泛化能力差,基于模型的方法依赖于准确的电池建模,而基于大数据驱动的机器学习方法所需海量优质数据来源困难,训练时间成本较高。究其原因,一般性方法的数据来源大多局限于电流、电压或温度测量,缺失电池循环时内部变化的关键信息,对影响电池状态的关键因素没有跟踪监控,电池信息的数量与种类匮乏。

由此可见,获取实时精准的电池状态与寿命估计的关键在于多源的电池内部特征信息获取。欧盟“Battery 2030+”计划将智能感知(Smart sensing,SS) 技术[9],包括光纤感知[10⇓⇓-13]、电化学阻抗谱感知[14⇓-16]、声学感知[17⇓-19]、机械应变感知[20⇓-22]等为主的先进传感器技术注入电池,高灵敏度检测电池内部不同时空的温度、应力等参数和界面动力学、电解液分解、枝晶生长、金属溶解、材料结构变化等相关现象。这些多源的电池内部特征数据可以辅助电池建模,更为机器学习方法提供与电池机理高度相关的海量数据来源,从根本上解决了电池信息来源匮乏、种类不足的问题,以构建新型智能BMS[23]。

目前,智能感知技术尚在起步阶段,为辨析先进智能感知技术在电池管理中的应用前景与方向,本文首先简要介绍了目前常用的电池状态估计的一般性方法及其优势和局限,然后着重介绍了近年来基于先进感知技术的电池状态估计领域优秀研究成果,梳理其原理与应用方法。最终通过多种方法互相比较,分析现阶段先进感知技术在电池状态估计应用中的缺陷与不足,并进一步提出未来智能电池与智能BMS构造。

2 电池状态估计的一般性方法

一般性电池状态估计方法分为基于电气测量特征的方法、基于模型的方法和基于数据驱动的机器学习方法三类,如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   一般性电池状态估计方法


2.1 基于电气测量特征的方法

基于电气测量特征的方法广泛利用开路电压(Open-circuit voltage,OCV)查表法[24]、阻抗查表法[25]等,将OCV或阻抗特征直接与电池状态进行对应。OCV指的是电池经过长时间的静置去极化之后的正负极两端电压,用于估计应用时也需要将当前电池充分静置[26],研究人员常在实验室将多种温度结合起来制成“OCV-SOC-Temperature”图表。阻抗查表法[27]通过向电池施加特定频率的电流后以非线性拟合或参数识别算法绘制阻抗特征与SOC的关系图表。这些图表不仅依赖于实验室高精度的长时间测量,并且随电极材料、电解液、电池内部结构等变化有较大差异,缺少泛化能力,在不同工况下鲁棒性较差[28]。

为减少静置电池带来的试验时间,文献[29]发现,充电时电池端电压变化曲线随着充电电流大小有明显变化,从而使用卡洛南-洛伊(Karhunen-Loeve,KL)变换和线性回归方法直接从端电压得到OCV从而在线估计SOC。

2.2 基于模型的方法

为了准确描述电池参数的内在联系,精准的电池建模必不可少。越精准、结构越简单、计算量越小的电池模型,在基于模型的电池状态估计算法的构建与应用过程中越具有优势。基于模型的电池SOC估计方法一般如图2所示：输入电流、先验预估SOC和温度等参数,通过电池模型估计终端电压U0,并计算U0和测量终端电压U之差ΔU送入估计算法得到后验SOC修正误差,从而形成闭环反馈控制保证估计的精准性和鲁棒性。其中的估计算法可以是各种递归为主的滤波算法。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   基于模型的SOC估计方法流程图


2.2.1 电化学模型方法

伪二维(Pseudo-two-dimensional,P2D)模型是具有通用性和可扩展性的电化学模型[30],由集流体、多孔电极、隔膜组成。P2D模型基于多孔电极和浓溶液理论,利用多组偏微分方程或代数方程组从液相锂离子浓度、固相锂离子浓度、液相欧姆定律、固相欧姆定律、电荷守恒方程、Butler-Volmer动力学方程、输出端电压等物理或电化学角度描述电池特性。P2D模型能够较为直接地仿真电池内部特性的微观演变过程,但其偏微分方程难以求解,常采用有限元法、有限差分法和有限体积法等数值计算方法,计算量大,需要在模型复杂度和准确率中做出权衡。

简化模型常采用降阶方法,单粒子模型(Single particle model,SPM)将电极近似为单个球形粒子,且忽略部分电解质变化[31]。文献[32]对SPM模型的固相用帕德逼近方法近似固相浓度的偏微分方程,在液相用有限差分法将液相浓度的偏微分方程简化为常微分方程,从而有效降低模型阶数。简化后的模型计算时间为1.4 s,仅为原来的0.52%,相比于简化前模型的方均根误差30.8 mV,简化后的模型方均根误差为30.6 mV,说明简化模型精度没有受到较大影响。最终用自适应无迹卡尔曼滤波器结合简化模型对库仑计数方法的SOC估计进行修正,无迹卡尔曼滤波器在非线性问题上具有比扩展卡尔曼滤波更小的计算量,并加入自适应噪声方差更新,达到不超过±3%的最大误差和1.14%的方均根误差。文献[33]将SPM简化成两个常微分方程和多个代数方程,利用模型输出电压作为反馈,修正对于阳极表面浓度的估计,并将阳极表面浓度作为指标估计SOC和SOH,估计误差分别为1.5%和1.9%。

2.2.2 等效电路模型方法

等效电路模型(Equalization circuit model,ECM)将电池简化为由恒压源、电容和电阻组成的电路拓扑结构,模糊了电池中的电化学过程。由于电气元件的组合较为自由,用基尔霍夫公式可以比电化学模型更容易得到参数关系,显著降低模型复杂度的同时保持了较高的精确度,广泛用于基于模型的电池状态估计中。常见的ECM模型主要有以下四种：内阻(又称Rint)模型、Thevenin模型、PNGV模型和双极化模型[34]。采用单一ECM模型难以准确描述不同工况、全生命周期等条件下的电池状态,因此研究人员提出了多种等效电路结合或者不同阶段切换的建模方法[35]。

文献[36]利用扩展卡尔曼滤波得到较为精确的SOC估计,加入自适应模型,在初始SOC误差较大的情况下也能快速收敛到真实值;文献[37]利用粒子滤波方法实现了锂离子电池SOC和剩余放电时间在线估计。

2.3 基于数据驱动的机器学习方法

有别于基于模型的估计方法思路,基于数据驱动的机器学习方法,无需建立电池物理模型,而是基于大量的电池真实状态数据,通过机器学习算法直接建立测量参数与电池状态的对应联系,是典型的黑箱问题。其训练的一般过程如图3所示：获取并处理数据、建立并训练模型,调整超参数并再次训练模型,直到模型精度达到要求。该方法的准确率高度依赖海量电池数据的训练分析,测试周期长、成本较高、泛化能力一般。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   基于数据驱动的机器学习方法流程图


目前广泛应用的机器学习方法[38]有以下几种。

(1) 神经网络(Neural network,NN),利用其出色的非线性映射能力对电池内部非线性动态过程进行模拟。反向传播神经网络、长短期记忆网络和卷积神经网络等模型广泛应用于SOC[39⇓⇓⇓-43]、SOH[44]和剩余使用寿命(Remaining useful life,RUL)[45]等电池状态估计。

(2) 支持向量机(Support vector machine,SVM),是一种可以逼近非线性多元函数的机器学习方法,可以将非线性可分问题通过核函数映射到一个高维甚至无限高维空间后得到解决[46]。文献[47]利用最小二乘支持向量机结合无迹卡尔曼滤波器,提高了电池状态的在线估计精度[47]。

(3) 遗传算法是一种高效并行的自适应全局优化概率搜索算法,常用于电池模型参数的识别[48],文献[49]利用遗传算法结合灰度算法,为SOC估计带来了更高的精确度和泛化能力。

2.4 一般性方法的局限性

为评价和比较不同估计方法的性能,在调研并参考相关文献的描述指标的基础上,图4由小到大划分了5个指标区间,总结了一般性电池状态估计方法及其各自的特点与缺陷,如实时性、准确性、泛化能力和算法难度。可以看到,基于电气测量特征的方法算法难度低,但仅适用于粗略估计;基于模型的方法的实时性提升,但是算法难度较高;基于数据驱动的机器学习方法能够进一步提高估计的准确性,但是算法难度高,且实时性较低。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   一般性电池状态估计方法性能对比图


造成这些局限性的原因主要是电信号等外部信号无法直接提供电池内部物理和化学状态信息,进行电池建模和状态估计的信息来源单一,缺乏数据支撑,增大状态估计难度与精度。

3 基于感知技术的电池状态估计方法

近年来,无需拆解破坏、可原位在线检测和无需电池历史状态数据的先进感知技术正在蓬勃发展,为电池状态估计提供了更广阔的平台。该方法不仅能够实时获得电池内部特征信号,还能为电池模型驱动提供丰富的数据,辅助电池建模,从而实时精确地对电池状态进行估计,值得深入研究。本文下面着重介绍光纤感知、电化学阻抗谱感知、机械应变感知和声学感知技术在电池状态估计中的原理、发展和应用情况,并比较不同技术的优势与挑战。

3.1 基于光纤的电池状态感知

光导纤维简称光纤,是一种特殊结构的光学纤维。光纤传感器以结构多变、能够适应电磁干扰、快速测量多个参数、与电池互不干扰等优点,广泛应用于测量电池温度和应力。

在温度测量方面,常规热电偶、热敏电阻、热成像仪和红外成像等方法只能测量电池表面温度,而光纤可以嵌入电池监测电池内部温度,精度和空间分辨率具有明显优势。在应变测量方面,常规应力计和测压元件精度有限,X射线光电子能谱和X射线衍射方法无法实现原位测量,而光纤可以保持高精度原位在线监测。但是光纤材料质地脆,机械强度差,受强振动和强剪切力断裂,维护较为困难。

近年来,光纤感知技术已经成为了除电气外特性测量以外在电池中研究运用最广泛的感知技术[10]。

3.1.1 光纤基本原理

由于结构和材料的选择,光在光纤内部发生全反射,沿着光纤的方向传递。温度、应力、位移、振动、电场等外界信号将会影响光的强度、波长、频率、相位、偏振态等性质。解调得到的光纤信号可以辅助BMS对电池状态进行间接或直接的估计。在电池状态估计中运用较为成熟的光纤有光纤布拉格光栅(Fiber Bragg grating,FBG)传感器和光纤倏逝波传感器(Fiber-optic evanescent wave sensor,FOEWS)。

FBG是一种典型的波长调制的光纤感知器件,原理结构如图5所示。其常见感知参数为中心波长λB,如式(1)所示

$ \lambda_{B}=2 n_{e f f} \Lambda$

式中,neff为纤芯的有效折射率;$\Lambda $为光栅周期。受温度或应力变化的影响,光栅周期和有效折射率会发生变化,从而中心波长发生变化。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   FBG原理性结构图示[10]


FBG的应变模型可以由式(2)描述

$\Delta \lambda_{B}=2 n_{e f f} \Delta \Lambda+2 \Delta n_{e f f} \Lambda $

式中,$\Delta \Lambda $为光栅的应力变形;$\Delta n_{e f f}$为弹光效应。

其温度模型可以由式(3)描述

$\begin{array}{c} \Delta \lambda_{B}=2 n_{e f f} \Delta \Lambda+2 \Delta n_{e f f} \Lambda= \\ 2\left[\frac{\partial n_{e f f}}{\partial T} \Delta T+\left(\Delta n_{e f f}\right)_{e p}+\frac{\partial n_{e f f}}{\partial a} \Delta a\right] \Lambda+2 n_{e f f} \frac{\partial \Lambda}{\partial T} \Delta T \end{array}$

式中,$\partial n$eff/$\partial T $为光纤光栅折射率系数;($\Delta n $eff )ep为热膨胀下的弹光效应;$\partial n_{e f f}$ /$\partial a $为波导效应;$\frac{\partial \Lambda}{\partial T}$为线性热膨胀系数。

FOEWs是将光纤部分包层剥去,包层中的倏逝场对周围环境进行感知,利用透射光谱的改变反馈信息。原理结构如图6所示,以宽光带作为输入,传感区中的倏逝波经待测介质吸收后,在传感器输出端获得光谱强度的变化从而反映待测介质的吸收特性[50]。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   FOEWs原理性结构图示[50]


目前,基于FBG与FOEWs的光纤感知技术在电池领域的应用情况如图7所示。光纤不仅用于电池内外部宏观参数测量,同时寻找波长偏移、透射率等参数与电池状态的联系,广泛利用一般性方法中的线性拟合、卡尔曼滤波或机器学习等方法进行电池状态估计。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   光纤感知技术发展方向及趋势


3.1.2 光纤感知技术在电池状态估计中的应用

将光纤贴合在电池表面进行监测,对电池包装改动很小,避免了传感器嵌入导致电池损坏,是一种新颖、具有成本效益和安全性的电池状态估计方法。2015年,文献[51]联合使用两个FBG传感器对软包锂电池表面进行温度和应变变化测试,由于光纤信号会被温度、应变等多个因素复合影响,采用一个FBG传感器固定在电池表面,而另一个未固定、排除应变影响、只对温度敏感的FBG传感器作为参考传感器用于补偿前一个传感器的温度影响。补偿温度影响后的光纤光栅波长偏移量与SOC或放电深度(Deep of discharge,DOD)有单调变化关系,证明了光纤可以用于电池状态的直接估计。文献[52]将3组FBG贴合在18650电池表面,利用动态时间扭曲(Dynamic time warping,DTW)机器学习算法来拟合光纤的应变数据估计SOC,在不同温度和动态电流充放电的条件下具有1%的SOC分辨率。

非嵌入式光纤只能估计电池外部温度,而电池内外温差较高[53]。文献[54]将FBG传感器植入电池内部监测温度并与外部测量进行对比发现在5C的充电速率下,内部传感检测到4 ℃的温度变化,而外部传感器仅检测到1.5 ℃的变化,这说明内部温度监测更能体现电池内部热行为。为了获得更精确的感知信息,需要在尽可能不影响电池寿命和容量的前提下,考虑将光纤嵌入电池内部。文献[55]将光纤嵌入到阳极层以监控其循环过程中的温度和应变,该电池密封良好,容量保持率高,循环寿命超过1 000圈,且成本与电动汽车的电气测量传感器相当,意味着利用嵌入式光纤进行电池温度、应变、SOC和SOH估计具有实用化应用前景。利用该嵌入式光纤电池,文献[56]构建了代表应变的波长偏移信号、温度与电池SOC之间的关系,并基于卡尔曼滤波方法进行SOC估计,误差小于2.5%,可以提前10圈循环实现高准确率的电池失效预警。

除了FBG,FOEWs还常被用来感知锂离子电池状态。文献[57]发现石墨负极在充放电过程中嵌锂状态和材料性质的改变会导致其电学、磁性、热学和光学性质的变化。对在石墨负极附近嵌入光纤的世伟洛克电池进行研究,相对于可见光谱,在75~900 nm的近红外波段石墨负极的反射率随SOC的变化有显著变化,因此FOEWs的透射率是SOC的函数。但是嵌入式光纤的世伟洛克电池寿命衰减显著影响性能,文献[58]将光纤嵌入软包电池负极与隔膜之间将首圈循环效率相比世伟洛克电池从72%提升到89%,并在嵌入式光纤软包电池循环中同样找到了FOEWs的透射率与SOC的关系。但从结果来看,SOC增长到50%后信号变化不明显,有较大平台期,将影响SOC实际估计应用精度。但在充电过程中FOEWs透射率的信号斜率有三个波峰,不同循环圈数的三个峰的趋势变化将可以体现容量的衰减[59],证明了FOEWs在电池SOC与SOH估计中的可能性。

文献[60]采用集成FOEWs同时探究正负电极处光纤透射率与SOC的关系。加入随着电压降低而透明度降低的电致变色标记添加剂增强磷酸铁锂正极处FOEWs透射率信号的变化,发现放电时正负极透射光信号强度均减弱,而充电时信号强度均增强,且负极的信号变化更加明显。利用正负极光纤的透射光信号可不依靠电气测量信息直接估计SOC,但是昂贵的变色标记物会导致检测成本的增加。

3.2 基于电化学阻抗谱的电池状态感知

电化学阻抗谱(Electrochemical impedance spectroscopy,EIS)是一种经典的稳态测试技术,广泛应用于电池内部界面结构、电极微观反应过程等相关研究。EIS感知技术发展较为成熟,理论研究较为深入,测量精度高,数据丰富,对于电池内部电化学及动力学过程研究充分,是涉及电池内部演变较为成熟的感知技术。

3.2.1 EIS感知技术基本原理

通过向被测电池施加不同频率的小振幅交流电压(或电流)激励,使得电极系统产生类似线性关系的电流或电压响应,从而测量电池在某一频率范围的电池内部阻抗的方法称为电化学阻抗谱测试。如式(4)所示

$Z=\frac{u(t)}{i(t)}=\frac{U \cdot \sin (w t)}{I \cdot \cos (w t-\phi)}=|Z| \cdot \frac{\sin (w t)}{\cos (w t-\phi)}$

式中,Z代表阻抗;u(t)和i(t)分别代表交流电压与交流电流;U和I分别代表电压、电流幅值;w是测试角频率;φ是相位差。利用式(5)分解阻抗,用实部表征极化电阻,虚部表征极化过程的容性或感性行为。若在复平面上绘制如图8所示的阻抗谱图,则可以通过分析谱图的几何特征来确定电池的极化特性。

$\left\{\begin{array}{l} Z^{\prime}=|Z| \cdot \cos \phi \\ Z^{\prime \prime}=|Z| \cdot \sin \phi \\ Z=\sqrt{Z^{\prime 2}+Z^{\prime \prime 2}} \end{array}\right.$

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   典型的锂离子电池电化学阻抗谱图(Nyquist图)[61]


根据谱图特征,图8按照频率从高到低的顺序可以分为5个部分,分别对应着不同的电极动力学过程[62]。

(1) 由于电池材料多孔特性和导线互感的存在,电池在高频下表现出的感应特征。

(2) 阻抗谱和实轴的交点代表了电池的欧姆内阻Rb,包括电解液、活性物质、集流体和隔膜等的内阻。

(3) 第一个半圆与SEI膜的形成相关,SEI膜的存在会阻碍锂离子传输,增大电池内阻,常采用电阻并联恒定相位元件(Constant phase element,CPE)的电路结构,由RSEI和CPESEI并联表示。

(4) 第二个半圆代表双电层效应和电荷转移过程,由Rct和CPEelectrode并联表示。

(5) 低频部分的斜向上45°直线代表浓差扩散过程,理想情况下由Warburg阻抗表征。

结合阻抗谱图的5个部分特性,建立对应的等效电路模型如图9所示,通过等效电路模型对阻抗谱图的拟合进行参数识别。因其中CPE元件和Warburg元件均为分数阶元件,所以阻抗模型通常为分数阶等效电路模型。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   典型锂离子电池的EIS阻抗等效电路图


不仅可以利用电化学工作站测试EIS,研究人员也开发各种EIS快速测量方法。EIS感知技术在电池状态感知中的应用发展方向及趋势如图10所示,常用于分数阶等效电路的基于模型的方法或直接利用频谱参数分析进行电池状态估计。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   EIS感知技术发展方向及趋势


3.2.2 EIS在电池状态感知中的应用

通过EIS实现电池状态感知主要包含两种途径：一是在建立电池阻抗模型和完成参数辨识后,研究特定电路参数和电池状态之间的相关性,然后采用基于模型的算法估计电池状态;二是研究EIS谱图特征或特定频率下的阻抗随电池状态的变化规律,通过两者的相关性来实现状态估计。

文献[61]表明,温度对EIS的影响远大于SOC,仅在SOC小于30%时,EIS才会发生较为明显的变化。文献[63]测试了不同温度、SOC、工作电流和SOH下的EIS,比较了不同工作电流下的电池阻抗变化,并定性地提出了电池阻抗随SOH的变化规律。此外,研究表明在阻抗谱第二个半圆末尾的电池阻抗rd与SOC有关,但随着SOC变化并非单调变化。文献[64]发现不同频率下的阻抗分别表征不同电池状态的变化,如低于10 Hz的低频阻抗受SOC的影响较大,而在79.4 Hz附近的阻抗则可以用于估计电池内部温度变化,将两者结合,可以实现SOH估计。文献[65]测量了锂离子电池在不同SOH下的EIS,认为欧姆电阻的增加是电池老化和失效的宏观表现,可用于估计电池的SOH。文献[66]提出,与欧姆电阻相比,表征SEI膜生长的阻抗与SOH的相关性更强,且在用于电池容量预测时,预测结果不受倍率影响,可以减小误差和提高鲁棒性。

文献[67]提出了一种分数阶简化阻抗模型,并用分数阶卡尔曼滤波实现了锂离子电池的SOC估计,在初始SOC未知时,仍可保证快速稳定的收敛,且估计误差在1%以内。但是宽频域的EIS测量仍然需要消耗大量时间,从而影响状态估计的时效性。因此,研究快速阻抗谱测量方法[68],权衡阻抗模型的复杂度和精确性,是基于EIS的状态感知技术未来的重要发展方向。

在EIS测量的硬件电路设计上,已提出了通过基于双向DC-DC[69]升降压变换器的电池阻抗测量方法,并在三电极体系中实现了EIS的原位测量[68,70],从而使基于EIS的在线SOC估计具有了实现的可能性。

在EIS测量的方法简化上,通过结合阶跃信号、多正弦信号或伪随机信号[71-72]等具有宽频谱特征的激励信号和傅里叶分析等时频变换方法,可以实现EIS的快速测量[73]。与基于单正弦信号的逐点测量方法相比,宽频信号允许在一个周期内测量多个频率的阻抗,从而可以大幅度缩短测量时间[74]。

近年来,众多具有低功耗、高紧凑性、高分辨率等优点的EIS测量模块开始集成在BMS中[75],实现EIS的实时获取,并通过查表法[64,76]、多项式回归[77]或机器学习等方法对电池状态进行估计。

3.3 基于机械应变的电池状态感知

3.3.1 机械应变感知技术基本原理

在电池循环过程中,电池应变通常可以通过电极的尺寸变化或电极、电池的表面压力变化来反映[10],主要体现在锂离子嵌入/脱出负极会使负极体积相应地增加/减小,这种变化与SOC直接相关,使得机械应变感知方法应用于电池状态估计领域理论可行。

文献[78]通过厚度计和应力计测量了电池应变,研究了应变随电池循环圈数或SOC的变化。相比于OCV方法,该方法易极化效应影响小,但需要精心设计厚度计或应力计在电池的位置,否则会极大影响测量的准确度。

机械应变感知技术主要是测量电池体积变化的机械感知技术,在电池循环工作过程中,将电池应变与同时刻电池状态一一对应分析。基本测试单元如图11所示,其中主要有：固定并分隔电池与传感器的隔板,以均匀电池的表面应力,避免仅测量单个点带来的误差;调节并固定初始应力的紧固件;单个或若干电池及其电气连接;应力测量仪,一般为弹性式压力传感器或压阻式压力传感器[79]。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   电池单点机械应变测试的结构示意图[80]


机械应变感知技术发展方向及趋势如图12所示,机械应变感知技术结构简单,对组装的工艺要求相比嵌入型光纤更加容易,同时比超声、光纤设备价格低廉。为分析电池不同部位的应变,多用多点分布式应力测量仪同时测量。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   机械应变感知技术发展方向及趋势


3.3.2 机械应变感知技术在电池状态估计中的应用

文献[79]首先利用厚度测试仪在小型软包电池中观测充放电过程中的电池厚度变化,在首圈低倍率充电时,发现SEI的生长会导致4%电池厚度的不可逆增大。之后电池随着充放电的进行,应变呈现出可逆变化,在100%SOC的时候应变最大,为电池厚度的6%。

文献[81]利用类似图11中的结构测量了电池充放电和容量衰减时由应变产生的应力变化。应力测量的信噪比是电压测量的4倍,在增量容量分析方法中采用应力参数代替电压参数。在长期循环过程中,采用此方法得到的电池当前容量估计最大误差为2.5%。

文献[82]结合5个均匀分布的多点应力传感器,研究了商用5 A·h方壳锂电池膨胀与SOC和充电倍率的关系(图13),发现电池应变与热膨胀和SOC有关,且在不同位置膨胀不均匀。在可以忽略热膨胀的低倍率充电下,锂离子嵌入引起的电池中心膨胀率为1.5%。在此试验基础上,文献[83]对比了两个串联电池的电压、应变下的应力和电压应力结合测量下的SOC估计精度,发现应力参数将改善串联电池SOC的估计效果。利用该机械应变测量结构,文献[84]提出了一种新的热膨胀模型,阐述了等效热膨胀系数对SOC的依赖性,准确地预测电池循环期间的各种充放电下的热膨胀,以用于电池管理延长电池和电池组的寿命。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13   多点机械应变感知测试结构图[82]


文献[85]指出电池充放电过程中的应变由静态应变和动态应变组成。静态应变,即在充分静置后的平衡状态下测量的应变,与SOC紧密相关,为基于应变的SOC估计提供了便利。另一方面,动态应变受电荷转移、当前充放电策略和电池老化等多种因素的影响。静态应变的测量要求电池在不同SOC下充分静置,影响SOC估计实时性。为了实时计算静态应变,建立了考虑SOC、电池老化等多种影响因素的应变恢复模型。同时实现了静态应变与SOC的数学拟合。通过应变恢复模型和实时直接测量的总应变,计算出静态应变估计SOC。结果表明,基于应变测量的SOC估计具有较好的精度和实时性,试验中的估计误差均小于4%,并讨论了温度和老化状态对此SOC估计方法的影响。

3.4 基于声学的电池状态感知

弹性波是机械振动在弹性介质中的传播形式,也称机械波。可听声波是一种频率在20 Hz到20 kHz的机械波,将超过20 kHz频率的声波称为超声波。超声波按照不同的传播过程质点振动方向,一般分为四种形式：纵波、横波、表面波和板波。四种超声波的特点与常用领域如表1所示。

表1   不同声波应用特点

波的类型质点振动特点感知应用领域
纵波
横波
表面波
板波		方向平行波的传播方向
方向垂直于波传播方向
质点做椭圆运动
上下表面椭圆运动		金属或非金属器件
机械构件
板、管探伤
薄板、薄壁钢管

新窗口打开| 下载CSV


声学感知技术的发展方向及趋势如图14所示,遍及材料检测、半电池检测、电池失效分析、电池状态估计应用。在声发射检测领域,人们更多关注发射声波的频率和幅值;在超声检测领域,更多分析纵波、导波的传播特性,结合线性拟合、查表、自适应滤波、机器学习等方法进行原位检测并估计电池状态。

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14   声学感知技术发展方向及趋势


3.4.1 声学测量基本原理

声学感知技术主要按照被动接受超声波感知或主动激发超声波感知被分为声发射(Acoustic emission,AE)和超声检测(Ultrasonic test,UT)两种形式。

由材料局部变形而产生的瞬时弹性波释放被称为声发射。研究人员通过实时声波传感器捕捉声发射信号,并将信号送入滤波器、放大器、信号转换单元,最终分析显示的电池检测过程称为声发射监测[86],如图15所示。声发射检测可用于电池材料的无损在线监测、老化降解机制研究,并在全生命周期感知电池内部结构变化[80]。

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15   声发射检测设备组成


以锂离子电池为例,锂离子的嵌入/脱出导致石墨负极膨胀/收缩,电极体积变化导致各种应力诱发的老化、SEI膜的产生和生长、产气等副反应都将影响声波的产生和释放。文献[87]通过具体频率来区分不同来源的声发射信号,Sn负极锂离子电池中电解液分解产生气体的现象体现在低频段(20~100 kHz)的声发射信号,而较高频率(100~300 kHz)的声发射信号则由电极裂纹产生,证明利用AE感知可以解耦监控电池产气和电极状态。

超声检测是采用主动探测的声学感知技术,通过主动激发超声波进行电池检测,穿透能力更强,具有聚束、定向等优势。超声检测可以主动选择检测对象,检测精度高、速度快,且对被测对象影响小,在工业上广泛用于密度测量、工件探伤等领域。

超声检测设备一般包含一个超声发射探头和一个接收探头。检测时,通常在探头表面涂上耦合剂,并将其贴合在电池表面,利用探头表面的压电晶片激发超声波。超声检测设备共有三种工作方式：反射、透射和一发一收模式。如图16a所示,反射模式只有一个探头复合发射和接收两用,接收反射超声波进行分析。如图16b所示,透射模式发射和接收探头分别列于材料两侧,接收透射超声波进行分析。如图16c所示,一发一收模式中两个探头列于材料同侧,通过反射超声波或表面波进行分析。

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16   三种超声探测工作方式[86]


超声波波速是影响超声波特性的重要参数,电池内部介质的不同属性会影响超声波的波速。其中,纵波声速cL在无限大固体介质中声速为

$c_{L}=\sqrt{\frac{E}{\rho} \frac{1-\sigma}{(1+\sigma)(1-2 \sigma)}}$

式中,E为材料弹性模量;ρ为材料密度;σ为材料泊松比;纵波在无限大液体或气体介质中声速为

$c_{L}=\sqrt{\frac{K}{\rho}} $

式中,Κ为体积弹性模量;横波在无限大固体介质中声速为

$c_{T}=\sqrt{\frac{E}{2 \rho(1+\sigma)}}$

式(6)~(8)表明,超声波在固体中的声速主要与材料本身弹性模量E、密度ρ、泊松比σ有关;纵波在液体中的声速主要与体积弹性模量Κ和密度ρ有关。由于上述介质本征特性的不同,超声波从一种介质传播到另一种介质时的超声波声速会发生变化,同时会在界面上分解出透射波和反射波。并且,超声波在介质中会出现扩散、散射、吸收等能量衰减效应。为求得反射和透射系数,定义声阻抗为密度ρ与声速cL的乘积

$Z=\rho c_{L}$

则从Z1介质到Z2介质的反射系数γ和透射系数τ 可得

$\gamma=\frac{Z_{2}-Z_{1}}{Z_{2}+Z_{1}}$
$\tau=\frac{2 Z_{2}}{Z_{2}+Z_{1}}$

对于电池这样的类似流体饱和多孔固体介质,超声波在其中经过如式(10)、(11)定义的多次反射、透射等,最终由接收端探头捕获与电池内部状态相关的超声波。一般可从捕获的超声波中提取两个重要特征参量[88],一是飞行时间(Time-of-flight,TOF),即超声波信号从发射到被接收到的时间,定义为式(12),其中L为路径距离,C为声速。

$\mathrm{TOF}=\frac{L}{C}$

二是声波幅值或称相对强度,一般经过放大器增益处理或定义为式(13)的波形幅值积分。

$A=\int_{t_{i}}^{t_{f}}|f(t)| \mathrm{d} t$

式中,f(t)是波形;tf~ti是观测窗口时间段。这两个参量与电池内部弹性模量和声阻抗参数高度相关,因此常用来联系估计SOC等电池状态。

3.4.2 声发射技术在电池状态估计中的应用

文献[89]在锂离子电池整个充放电过程中捕捉到低幅值和窄频带的连续声发射信号,并在某些瞬时捕捉到高幅值和宽频带的脉冲式声发射信号。这些信号的幅值与电流、循环圈速有关,放电过程中,60 kHz和88 kHz处的声发射信号幅值随着循环圈数的增加而降低,且随着放电倍率的提高幅值降低速度加快。此外,随着电池寿命的衰减,脉冲波数量显著增加,说明声发射感知技术有望应用于电池SOH估计。将收集到的声发射信号进行如短时傅里叶变换、连续小波变换分析的信号处理,可以进一步获得细节特征,从而建立使用寿命和声波能量的关系[90],如式(14)所示

$ L T=m_{1}+F \cdot m_{2}^{m_{3}}+F^{m_{4}}+F^{m_{5}}+\frac{1}{1+\exp \left(m_{6}\right)}$

式中,LT是使用寿命;F为声波能量;m1~m6是待定系数,最终预测误差不超过3%。该预测方法无需其他电气测量。

3.4.3 超声探测技术在电池状态估计中的应用

近年来,超声检测在电池的材料研发、故障诊断等领域的应用受到了广泛关注[91]。文献[92]通过研究超声回波成像,可以对微小尺度的缺陷和电极材料演化进行分析,并采用相控阵超声检测方法对电池进行二维成像扫描进一步定位老化或缺陷位置。在安全预警方面,文献[93]发现与基于温度的电池失效预测模型相比,基于超声波预测电池失效的方法能够更早的对电池灾难性故障进行判断,留给操作人员更多的预防时间。

2013年,文献[94]在锂离子软包电池0.5C倍率循环下采用透射超声检测方法进行试验。试验结果显示,电池首圈循环时具有强的脉冲响应,而循环76圈后脉冲响应显著减弱,脉冲信号的减弱可能是由于电池材料的体积膨胀。文献[95]研究了软包电池和18650电池连续充放电过程中的透射和反射响应。研究结果表明不同SOC下的超声波呈现周期性变化规律,且随着循环圈数增加,超声波幅值曲线的畸变单调变化,表明利用超声信号有望实现全生命周期的SOC和SOH估计。文献[96]首次将超声检测方法用于全钒氧化还原液流电池(Vanadium redox flow battery,VRFB)的SOC估计。VRFB的SOC由正极电解质溶液中的V5+或者是负极电解质溶液的V2+浓度决定,离子浓度的变化将引起电解质溶液超声波声速变化。通过对VRFB的正负电解质溶液进行超声波速测量后对获得的温度-波速-SOC的3D数据进行经验方程拟合,以不同工作温度的超声声速实时估计SOC能够在10%~90%SOC范围内达到±2%的精度。

文献[97]对锂离子软包电池采用超声透射方法进行定量分析,利用Biot原理分析了超声波在电池中的传播行为,经过电池内部传播后入射体波变为两个纵波和一个横波[98],发现SOC与第二个纵波的信号强度和延时都存在线性关系,利用线性函数拟合的误差为3.5%,体现利用超声信号进行SOC精准估计的可能性。

文献[99]利用一种简化TOF偏移分析方法,发现充电时TOF偏移量减少,放电时TOF偏移量增加,并且随着循环圈数增加(SOH的衰减),TOF偏移量整体增加。同样地,声波幅值也是SOC和SOH的函数,这一点在其他研究中也被进一步证实[100]。文献[99]首次结合支持向量回归方法的机器学习方法,以前两个电池的循环圈数、波形幅值、TOF偏移值、总幅值和电压等参数作为输入,SOC作为输出的训练集进行训练,用第三个电池的超声波形和其他参数进行预测,SOC估计精度显著提高,平均误差1%。此外,利用100%SOC下的超声波形和TOF偏移、幅值、电压参数等训练模型,预测电池SOH的误差在0.5%~1.9%之间。机器学习方法在超声电池状态估计方面可以更全面地融合多个参量进行拟合分析,更广泛利用超声波形特征,获得更加精准的状态估计效果。

但是利用超声体波检测对电池进行感知需要大体积的超声探头和设备,不利于电池原位在线监控。为了开发可以嵌入BMS的设备,文献[101]设计了可以用在电池表面的小型化超声设备,这种超声设备利用一种新的表面波波形：导波[102],同样对于电池状态有极强的相关性且其超声探头更为小巧。

文献[103]将导波探头附着在锂离子电池表面,如图17所示,关注导波在时域中的希尔伯特包络面幅值和飞行时间。随着SOC的增加,TOF变小,而包络面振幅变大;随着SOC的减少,TOF变大,而包络面振幅变小;随着SOH的减小,TOF变小,而包络面振幅变大。并结合TOF和包络面幅值特征,利用广义可加模型(Generalized additive models,GAMs)用作状态估计进行SOC和SOH预测。文献[104]除了获得TOF和包络面幅值两个指标,还从声波曲线中利用基于Gabor字典的匹配追踪(Matching pursuit,MP)技术提取特征因子结合扩展卡尔曼滤波,进一步增强系统的鲁棒性和精准度[104]。

图17

新窗口打开| 下载原图ZIP| 生成PPT

图17   导波超声检测技术在电池状态估计中的应用图示[102]


4 总结与展望

尽管先进传感技术在电池状态估计领域的理论研究和应用有一定突破,但是仍难以获得同时满足价格、准确性、实现难度、设备体积、实时性的高性能估计方法。从几种电池状态估计方法的多角度对比,可以得出未来先进感知技术方法的优化策略。

4.1 电池状态估计方法对比

通过调研和对比相关文献的评价指标和评价描述,以及文献使用设备的市场价格和体积,将先进感知技术与一般性估计方法对比如图18所示,先进感知技术在估计准确性上有较大提升,但是由于技术普遍不够成熟,在价格、实现难度、体积和技术成熟度上均呈现劣势。

图18

新窗口打开| 下载原图ZIP| 生成PPT

图18   一般性方法与先进感知技术方法对比


四种先进感知技术各有优势与缺陷,四种技术之间的实时性、准确性、价格、硬件实现难度、算法实现难度、技术成熟度、设备体积对比如图19所示。目前电池成组感知技术实现难度较高,较高的价格和较大的设备体积使得嵌入BMS中实现比较困难。声学感知技术和光纤感知技术的实时性和准确性来源于其高频率、小波长探测信号对电池层间尺度具有较好的分辨率,但其价格昂贵、实现难度高。而EIS感知技术需要长时间的测量,对实时性的影响较大,但技术较为成熟。机械应变感知技术的精确性取决于测量仪器分辨率和仪器的排布位置以及电池工况,但其价格较低,实现难度较低。

图19

新窗口打开| 下载原图ZIP| 生成PPT

图19   四种先进感知技术方法对比


4.2 先进感知技术方法的优化策略

现阶段先进感知技术方法正处于高速发展期,为解决上述缺陷,需要以下几方面策略对其在电池状态估计应用领域的应用进行优化。

(1) 减少甚至排除传感器对电池服役状态的影响。由于电池的正常运行对内部环境较为敏感,在嵌入先进传感设备后可能造成对电池充放电容量和使用寿命的影响。所以,嵌入式光纤电池的制作不能影响电池本身的工作和破环电池内部主要结构。目前嵌入式光纤电池的容量还是小容量电池,需要在减少循环寿命影响的基础上增大容量,并与不含光纤的电池有较好的一致性。

(2) 做好相斥指标之间的权衡选择。特别是实时性与精确性、设备精度与价格等。实验室用超声体波感知技术设备价格高昂,可以大力发展设计简单且可替代的超声导波设备。另外,EIS感知技术测试较为复杂耗时,可以从发射信号的频谱设计、信号处理方法和硬件设计中改善实时性。

(3) 减小设备体积。通过传感器分布式设计和硬件结构优化,减少设备占用空间,使得嵌入BMS应用成为可能。

(4) 扩展可应用电池种类。目前先进感知技术在电池状态估计中大多数采用软包电池,缺少广泛性验证。特别是对于18650电池、方形硬壳电池或锂电体系以外电池缺乏研究,限制了技术的发展与推广。

(5) 加强对感知信号的处理与分析。目前大多数电池状态估计应用对于所获信号分析缺乏经验。未来可以从电化学、电池老化过程等多方面现象出发结合信号时域、频域、时频域全面分析论证。

4.3 智能电池以及智能电池管理系统

先进感知技术暂未广泛成为商用方法嵌入BMS中,但是在可以预见的未来将广泛结合一般性方法成为状态估计的新方向,构建起智能电池及智能BMS,具体表现为以下发展历程。

(1) 解决先进感知技术均停留在利用单一先进传感信息层面,没有将多源的传感信息结合起来的问题。通过融合多源信息、利用多物理场的模型估计电池状态与预测电池寿命,其结果的准确性与可靠性可以保障电池的安全运行与长效服役。

(2) 未来的智能BMS将融合多种先进感知技术,充分利用各种感知技术与人工智能的优势。如图20所示,将先进感知技术所用的传感器布置到串联电池组的所有电池中,但是该方法数据量大幅度增加,成本和体积巨大,难以实用化,从而需要如图21所示的分布式布局结构。图21中,将先进智能传感器分布式布置减少成本与体积,与电气、温度测量相结合,通过路由器和5G网络将海量数据上传到云端,与带有智能算法的计算主机进行数据交互,解决异地数据存储问题,方便应用。关联电池内外特征的多源数据通过物联网[105]和人工智能的方式进行海量的数据处理并实现更精准的状态估计[9]。云平台使得数据存储难度和设备体积大规模减小,5G通信的成熟也使得数据传输更为快捷,增强了估计方法的实时性。最终多维数据可视化会帮助优化设计电池和监控电池失效,并结合智能算法运用于电池服役特性调控,延长电池使用寿命。从而真正将电池应用带入智能感知时代。

图20

新窗口打开| 下载原图ZIP| 生成PPT

图20   串联电池组全传感器设想示意图


图21

新窗口打开| 下载原图ZIP| 生成PPT

图21   未来智能BMS构架示意图


5 结论

一般性电池状态估计方法的日渐成熟,但与电池内部信息联系不紧密,估计结果实时性和准确性较低的问题突出,妨碍电池智能高效设计、生产、服役利用。先进智能感知技术的出现为电池状态估计提供了新的思路与方法。本文介绍了包括光纤感知技术、电化学阻抗谱分析感知技术、机械应变感知技术、声学感知技术在内的四种先进感知技术在电池状态估计领域的原理与应用。先进感知技术弥补了一般性电池状态估计方法对电池内部特性变化探究不明晰、难以测量的缺陷,有望进一步完善或替代一般性估计方法。先进智能感知技术的精确性及实时性,将在未来电池原位监测方法与在线状态估计技术中发挥重要作用。本文对先进感知技术在电池状态估计中的优势与缺陷进行总结,分析了智能感知技术在电池状态估计领域未来发展中的挑战,并对未来电池管理系统的构造进行展望,为未来智能电池和智能电池管理系统的研究打下基础。

参考文献

彭鹏, 胡振恺, 李毓烜, 等.

储能参与电网辅助调频的协调控制策略研究

[J]. 电气工程学报, 2021, 16(3):106-114.

[本文引用: 1]

PENG Peng, HU Zhenkai, LI Yuxuan, et al.

Research on coordination control strategy of frequency regulation in grid with energy storage

[J]. Journal of Electrical Engineering, 2021, 16(3):106-114.

[本文引用: 1]

刘鑫, 原熙博, 韩东旭, 等.

一种基于矩阵变换器的海上风力机中压电能变换系统

[J]. 电气工程学报, 2021, 16(1):127-133.

[本文引用: 1]

LIU Xin, YUAN Xibo, HAN Dongxu, et al.

A medium voltage power conversion system for offshore wind turbine based on matrix converter

[J]. Journal of Electrical Engineering, 2021, 16(1):127-133.

[本文引用: 1]

符杨, 魏钰柠, 贾锋, 等.

分布式风电机组电压波动特性分析及平抑控制策略

[J]. 中国电机工程学报, 2020, 40(14):4496-4505.

[本文引用: 1]

FU Yang, WEI Yuning, JIA Feng, et al.

The voltage fluctuation characteristic of distributed wind generators and its smoothing control strategy

[J]. Proceedings of the CSEE, 2020, 40(14):4496-4505.

[本文引用: 1]

SUKUMAR S, MARSADEK M, AGILESWARI K R, et al.

Ramp-rate control smoothing methods to control output power fluctuations from solar photovoltaic(PV) sources:A review

[J]. Journal of Energy Storage, 2018, 20:218-229.

DOI:10.1016/j.est.2018.09.013      URL     [本文引用: 1]

CHEN T, JIN Y, LV H, et al.

Applications of lithium-ion batteries in grid-scale energy storage systems

[J]. Transactions of Tianjin University, 2020, 26(3):208-217.

DOI:10.1007/s12209-020-00236-w      URL     [本文引用: 1]

FAN X, LIU B, LIU J, et al.

Battery technologies for grid-level large-scale electrical energy storage

[J]. Transactions of Tianjin University, 2020, 26(2):92-103.

DOI:10.1007/s12209-019-00231-w      URL     [本文引用: 1]

杨瑞鑫, 熊瑞, 孙逢春.

锂离子动力电池外部短路测试平台开发与试验分析

[J]. 电气工程学报, 2021, 16(1):103-118.

[本文引用: 1]

YANG Ruixin, XIONG Rui, SUN Fengchun, et al.

Experimental platform development and characteristics analysis of external short circuit in lithium-ion batteries

[J]. Journal of Electrical Engineering, 2021, 16(1):103-118.

[本文引用: 1]

FINEGAN D P, ZHU J, FENG X, et al.

The application of data-driven methods and physics-based learning for improving battery safety

[J]. Joule, 2021, 5(2):316-329.

DOI:10.1016/j.joule.2020.11.018      URL     [本文引用: 1]

DAI H, JIANG B, HU X, et al.

Advanced battery management strategies for a sustainable energy future:Multilayer design concepts and research trends

[J]. Renewable and Sustainable Energy Reviews, 2021, 138:110480.

[本文引用: 2]

HAN G, YAN J, GUO Z, et al.

A review on various optical fibre sensing methods for batteries

[J]. Renewable and Sustainable Energy Reviews, 2021, 150:111514.

[本文引用: 4]

MEYER J, NEDJALKOV A, DOERING A, et al. Fiber optical sensors for enhanced battery safety[C]//Fiber Optic Sensors and Applications XII. Baltimore,MD,USA: International Society for Optics and Photonics, 2015, 9480:94800Z.

[本文引用: 1]

CAO-PAZ A M, MARCOS-ACEVEDO J, RÍO-VÁZQUEZ D, et al.

A multi-point sensor based on optical fiber for the measurement of electrolyte density in lead-acid batteries

[J]. Sensors, 2010, 10(4):2587-2608.

DOI:10.3390/s100402587      URL     [本文引用: 1]

LI H, WEI F, LI Y, et al.

Optical fiber sensor based on upconversion nanoparticles for internal temperature monitoring of Li-ion batteries

[J]. Journal of Materials Chemistry C, 2021, 9(41):14757-14765.

DOI:10.1039/D1TC03701C      URL     [本文引用: 1]

EDDAHECH A, BRIAT O, BERTRAND N, et al.

Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks

[J]. International Journal of Electrical Power & Energy Systems, 2012, 42(1):487-494.

DOI:10.1016/j.ijepes.2012.04.050      URL     [本文引用: 1]

DENG Z, ZHANG Z, LAI Y, et al.

Electrochemical impedance spectroscopy study of a lithium/sulfur battery:Modeling and analysis of capacity fading

[J]. Journal of The Electrochemical Society, 2013, 160(4):A553.

DOI:10.1149/2.026304jes      URL     [本文引用: 1]

CHOI W, SHIN H C, KIM J M, et al.

Modeling and applications of electrochemical impedance spectroscopy (EIS) for lithium-ion batteries

[J]. Journal of Electrochemical Science and Technology, 2020, 11(1):1-13.

DOI:10.33961/jecst.2019.00528      URL     [本文引用: 1]

BARAI P, MUKHERJEE P P.

Mechano-electrochemical model for acoustic emission characterization in intercalation electrodes

[J]. Journal of The Electrochemical Society, 2014, 161(11):F3123.

[本文引用: 1]

KOMAGATA S, KUWATA N, BASKARAN R, et al.

Detection of degradation of lithium-ion batteries with acoustic emission technique

[J]. ECS Transactions, 2010, 25(33):163.

[本文引用: 1]

GALOS J, KHATIBI A A, MOURITZ A P.

Vibration and acoustic properties of composites with embedded lithium-ion polymer batteries

[J]. Composite Structures, 2019, 220:677-686.

DOI:10.1016/j.compstruct.2019.04.013      URL     [本文引用: 1]

BAUER M, WACHTLER M, STÖWE H, et al.

Understanding the dilation and dilation relaxation behavior of graphite-based lithium-ion cells

[J]. Journal of Power Sources, 2016, 317:93-102.

DOI:10.1016/j.jpowsour.2016.03.078      URL     [本文引用: 1]

BITZER B, GRUHLE A.

A new method for detecting lithium plating by measuring the cell thickness

[J]. Journal of Power Sources, 2014, 262:297-302.

DOI:10.1016/j.jpowsour.2014.03.142      URL     [本文引用: 1]

FU R, XIAO M, CHOE S Y.

Modeling,validation and analysis of mechanical stress generation and dimension changes of a pouch type high power Li-ion battery

[J]. Journal of Power Sources, 2013, 224:211-224.

DOI:10.1016/j.jpowsour.2012.09.096      URL     [本文引用: 1]

KOMSIYSKA L, BUCHBERGER T, DIEHL S, et al.

Critical review of intelligent battery systems:Challenges,implementation,and potential for electric vehicles

[J]. Energies, 2021, 14(18):5989.

DOI:10.3390/en14185989      URL     [本文引用: 1]

XING Y, HE W, PECHT M, et al.

State of charge estimation of lithium-ion batteries using the open-circuit voltage at various ambient temperatures

[J]. Applied Energy, 2014, 113:106-115.

DOI:10.1016/j.apenergy.2013.07.008      URL     [本文引用: 1]

BAO Y, DONG W, WANG D.

Online internal resistance measurement application in lithium ion battery capacity and state of charge estimation

[J]. Energies, 2018, 11(5):1073.

DOI:10.3390/en11051073      URL     [本文引用: 1]

POP V, BERGVELD H J, HET VELD J H G O, et al.

Modeling battery behavior for accurate state-of-charge indication

[J]. Journal of The Electrochemical Society, 2006, 153(11): A2013.

[本文引用: 1]

ZHENG L, ZHANG L, ZHU J, et al.

Co-estimation of state-of-charge,capacity and resistance for lithium-ion batteries based on a high-fidelity electrochemical model

[J]. Applied Energy, 2016, 180:424-434.

DOI:10.1016/j.apenergy.2016.08.016      URL     [本文引用: 1]

ALI M U, ZAFAR A, NENGROO S H, et al.

Towards a smarter battery management system for electric vehicle applications:A critical review of lithium-ion battery state of charge estimation

[J]. Energies, 2019, 12(3):446.

DOI:10.3390/en12030446      URL     [本文引用: 1]

SNIHIR I, REY W, VERBITSKIY E, et al.

Battery open-circuit voltage estimation by a method of statistical analysis

[J]. Journal of Power Sources, 2006, 159(2):1484-1487.

DOI:10.1016/j.jpowsour.2005.11.090      URL     [本文引用: 1]

JOKAR A, RAJABLOO B, DÉSILETS M, et al.

Review of simplified Pseudo-two-dimensional models of lithium-ion batteries

[J]. Journal of Power Sources, 2016, 327:44-55.

DOI:10.1016/j.jpowsour.2016.07.036      URL     [本文引用: 1]

ZHANG D, POPOV B N, WHITE R E.

Modeling lithium intercalation of a single spinel particle under potentiodynamic control

[J]. Journal of The Electrochemical Society, 2000, 147(3):831.

DOI:10.1149/1.1393279      URL     [本文引用: 1]

LI W, FAN Y, RINGBECK F, et al.

Electrochemical model-based state estimation for lithium-ion batteries with adaptive unscented Kalman filter

[J]. Journal of Power Sources, 2020, 476:228534.

DOI:10.1016/j.jpowsour.2020.228534      URL     [本文引用: 1]

CEN Z, KUBIAK P.

Lithium-ion battery SOC/SOH adaptive estimation via simplified single particle model

[J]. International Journal of Energy Research, 2020, 44(15):12444-12459.

DOI:10.1002/er.5374      URL     [本文引用: 1]

高铭琨, 徐海亮, 吴明铂.

基于等效电路模型的动力电池SOC估计方法综述

[J]. 电气工程学报, 2021, 16(1):90-102.

[本文引用: 1]

GAO Mingkun, XU Hailiang, WU Mingbo.

Review of SOC estimation methods for power battery based on equivalent circuit model

[J]. Journal of Electrical Engineering, 2021, 16(1):90-102.

[本文引用: 1]

MENG J, LUO G, RICCO M, et al.

Overview of lithium-ion battery modeling methods for state-of-charge estimation in electrical vehicles

[J]. Applied Sciences, 2018, 8(5):659.

DOI:10.3390/app8050659      URL     [本文引用: 1]

YUAN S, WU H, YIN C.

State of charge estimation using the extended Kalman filter for battery management systems based on the ARX battery model

[J]. Energies, 2013, 6(1):444-470.

DOI:10.3390/en6010444      URL     [本文引用: 1]

CHEN Z, SUN H, DONG G, et al.

Particle filter-based state-of-charge estimation and remaining-dischargeable-time prediction method for lithium-ion batteries

[J]. Journal of Power Sources, 2019, 414:158-166.

DOI:10.1016/j.jpowsour.2019.01.012      URL     [本文引用: 1]

HOW D N T, HANNAN M A, LIPU M S H, et al.

State of charge estimation for lithium-ion batteries using model-based and data-driven methods:A review

[J]. IEEE Access, 2019, 7:136116-136136.

[本文引用: 1]

CHEMALI E, KOLLMEYER P J, PREINDL M, et al.

Long short-term memory networks for accurate state-of-charge estimation of Li-ion batteries

[J]. IEEE Transactions on Industrial Electronics, 2017, 65(8):6730-6739.

DOI:10.1109/TIE.2017.2787586      URL     [本文引用: 1]

YANG F, SONG X, XU F, et al.

State-of-charge estimation of lithium-ion batteries via long short-term memory network

[J]. IEEE Access, 2019, 7:53792-53799.

DOI:10.1109/ACCESS.2019.2912803      URL     [本文引用: 1]

DANG X, YAN L, XU K, et al.

Open-circuit voltage-based state of charge estimation of lithium-ion battery using dual neural network fusion battery model

[J]. Electrochimica Acta, 2016, 188:356-366.

DOI:10.1016/j.electacta.2015.12.001      URL     [本文引用: 1]

HOSSAIN L M S, HANNAN M A, HUSSAIN A, et al.

Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with PCA feature selection

[J]. Journal of Renewable and Sustainable Energy, 2017, 9(6):064102.

[本文引用: 1]

LI I H, WANG W Y, SU S F, et al.

A merged fuzzy neural network and its applications in battery state-of-charge estimation

[J]. IEEE Transactions on Energy Conversion, 2007, 22(3):697-708.

DOI:10.1109/TEC.2007.895457      URL     [本文引用: 1]

DAI H, ZHAO G, LIN M, et al.

A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain

[J]. IEEE Transactions on Industrial Electronics, 2018, 66(10):7706-7716.

DOI:10.1109/TIE.2018.2880703      URL     [本文引用: 1]

TANG X, LIU K, WANG X, et al.

Model migration neural network for predicting battery aging trajectories

[J]. IEEE Transactions on Transportation Electrification, 2020, 6(2):363-374.

DOI:10.1109/TTE.2020.2979547      URL     [本文引用: 1]

HU J N, HU J J, LIN H B, et al.

State-of-charge estimation for battery management system using optimized support vector machine for regression

[J]. Journal of Power Sources, 2014, 269:682-693.

DOI:10.1016/j.jpowsour.2014.07.016      URL     [本文引用: 1]

MENG J, LUO G, GAO F.

Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine

[J]. IEEE Transactions on Power Electronics, 2015, 31(3):2226-2238.

DOI:10.1109/TPEL.2015.2439578      URL     [本文引用: 2]

TING T O, MAN K L, LIM E G, et al.

Tuning of Kalman filter parameters via genetic algorithm for state-of-charge estimation in battery management system

[J]. The Scientific World Journal, 2014, 2014:176052.

[本文引用: 1]

CHEN L, WANG Z, LÜ Z, et al.

A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms

[J]. IEEE Transactions on Power Electronics, 2017, 33(10):8797-8807.

DOI:10.1109/TPEL.2017.2782721      URL     [本文引用: 1]

曹李华. 光纤倏逝波谱传感系统及应用研究[D]. 重庆: 重庆理工大学, 2014.

[本文引用: 2]

CAO Lihua. Reserch on fiber optical evanescent wave spectrum sensing systems and applications[D]. Chongqing: Chongqing University of Technology, 2014.

[本文引用: 2]

SOMMER L W, RAGHAVAN A, KIESEL P, et al.

Monitoring of intercalation stages in lithium-ion cells over charge-discharge cycles with fiber optic sensors

[J]. Journal of The Electrochemical Society, 2015, 162(14):A2664.

DOI:10.1149/2.0361514jes      URL     [本文引用: 1]

RENTE B, FABIAN M, VIDAKOVIC M, et al.

Lithium-ion battery state-of-charge estimator based on FBG-based strain sensor and employing machine learning

[J]. IEEE Sensors Journal, 2020, 21(2):1453-1460.

DOI:10.1109/JSEN.2020.3016080      URL     [本文引用: 1]

BANDHAUER T M, GARIMELLA S, FULLER T F.

A critical review of thermal issues in lithium-ion batteries

[J]. Journal of The Electrochemical Society, 2011, 158(3):R1-R25.

DOI:10.1149/1.3515880      URL     [本文引用: 1]

NOVAIS S, NASCIMENTO M, GRANDE L, et al.

Internal and external temperature monitoring of a Li-ion battery with fiber Bragg grating sensors

[J]. Sensors, 2016, 16(9):1394.

DOI:10.3390/s16091394      URL     [本文引用: 1]

RAGHAVAN A, KIESEL P, SOMMER L W, et al.

Embedded fiber-optic sensing for accurate internal monitoring of cell state in advanced battery management systems part 1:Cell embedding method and performance

[J]. Journal of Power Sources, 2017, 341:466-473.

DOI:10.1016/j.jpowsour.2016.11.104      URL     [本文引用: 1]

GANGULI A, SAHA B, RAGHAVAN A, et al.

Embedded fiber-optic sensing for accurate internal monitoring of cell state in advanced battery management systems part 2:Internal cell signals and utility for state estimation

[J]. Journal of Power Sources, 2017, 341:474-482.

DOI:10.1016/j.jpowsour.2016.11.103      URL     [本文引用: 1]

GHANNOUM A R, NORRIS R C, IYER K, et al.

Optical characterization of commercial lithiated graphite battery electrodes and in situ fiber optic evanescent wave spectroscopy

[J]. ACS Applied Materials & Interfaces, 2016, 8(29):18763-18769.

[本文引用: 1]

GHANNOUM A R, NIEVA P, YU A, et al.

Development of embedded fiber-optic evanescent wave sensors for optical characterization of graphite anodes in lithium-ion batteries

[J]. ACS Applied Materials & Interfaces, 2017, 9(47):41284-41290.

[本文引用: 1]

GHANNOUM A R, NIEVA P.

Graphite lithiation and capacity fade monitoring of lithium ion batteries using optical fibers

[J]. Journal of Energy Storage, 2020, 28:101233.

[本文引用: 1]

MODRZYNSKI C, ROSCHER V, RITTWEGER F, et al. Integrated optical fibers for simultaneous monitoring of the anode and the cathode in lithium ion batteries[C]//2019 IEEE SENSORS. Montreal,Canada: IEEE, 2019:1-4.

[本文引用: 1]

ANDRE D, MEILER M, STEINER K, et al.

Characterization of high-power lithium-ion batteries by electrochemical impedance spectroscopy. I. Experimental investigation

[J]. Journal of Power Sources, 2011, 196(12):5334-5341.

DOI:10.1016/j.jpowsour.2010.12.102      URL     [本文引用: 2]

CARTHY K M, GULLAPALLI H, RYAN K M, et al.

Review-use of impedance spectroscopy for the estimation of Li-ion battery state of charge,state of health and internal temperature

[J]. Journal of The Electrochemical Society, 2021, 168(8):080517.

[本文引用: 1]

WAAG W, KÄBITZ S, SAUER D U.

Experimental investigation of the lithium-ion battery impedance characteristic at various conditions and aging states and its influence on the application

[J]. Applied Energy, 2013, 102:885-897.

DOI:10.1016/j.apenergy.2012.09.030      URL     [本文引用: 1]

WANG X, WEI X, DAI H, et al. State estimation of lithium ion battery based on electrochemical impedance spectroscopy with on-board impedance measurement system[C]//2015 IEEE Vehicle Power and Propulsion Conference (VPPC). Montreal,Canada: IEEE, 2015:1-5.

[本文引用: 2]

GALEOTTI M, CINÀ L, GIAMMANCO C, et al.

Performance analysis and SOH (state of health) evaluation of lithium polymer batteries through electrochemical impedance spectroscopy

[J]. Energy, 2015, 89:678-686.

DOI:10.1016/j.energy.2015.05.148      URL     [本文引用: 1]

XIONG R, TIAN J, MU H, et al.

A systematic model-based degradation behavior recognition and health monitoring method for lithium-ion batteries

[J]. Applied Energy, 2017, 207:372-383.

DOI:10.1016/j.apenergy.2017.05.124      URL     [本文引用: 1]

XU J, MI C C, CAO B, et al.

A new method to estimate the state of charge of lithium-ion batteries based on the battery impedance model

[J]. Journal of Power Sources, 2013, 233:277-284.

DOI:10.1016/j.jpowsour.2013.01.094      URL     [本文引用: 1]

ITAGAKI M, HONDA K, HOSHI Y, et al.

In-situ EIS to determine impedance spectra of lithium-ion rechargeable batteries during charge and discharge cycle

[J]. Journal of Electroanalytical Chemistry, 2015, 737:78-84.

DOI:10.1016/j.jelechem.2014.06.004      URL     [本文引用: 2]

DENSMORE A, HANIF M. Determining battery SOC using electrochemical impedance spectroscopy and the extreme learning machine[C]//2015 IEEE 2nd International Future Energy Electronics Conference (IFEEC),Taipei,China. IEEE, 2015:1-7.

[本文引用: 1]

MIDDLEMISS L A, RENNIE A J R, SAYERS R, et al.

Characterisation of batteries by electrochemical impedance spectroscopy

[J]. Energy Reports, 2020, 6:232-241.

[本文引用: 1]

李伟恒, 黄秋安, 杨维明, 等.

基于伪随机二进制序列的阻抗谱快速重构及其在电化学能源领域的应用

[J]. 电化学, 2020, 26(3):370-388.

DOI:10.13208/j.electrochem.190309      [本文引用: 1]

阻抗谱的应用范围越来越广,其传统测试方法耗时长的问题也日益突出. 提高阻抗谱测量速度的各种尝试中,合成宽带激励信号和设计高效率估计算法被认为是最具潜力的解决方案,由于伪随机二进制序列（pseudo-random binary sequence,PRBS）具有功率谱平坦和易生成等优点,它在阻抗谱快速测试中具有独特优势. 本文综述了快速阻抗谱测试中三个核心问题：PRBS信号类型、不同快速算法及其在电化学能源领域的典型应用. 对于PRBS信号类型,即最大长度序列信号、混合PRBS、离散区间二进制序列和正交PRBS,本文讨论了它们各自的特点和应用范围;对于不同的PRBS激励信号的快速算法,即离散傅里叶变换/快速傅里叶变换、小波变换、快速m序列变换、基于系统辨识的参数估计算法以及这些算法各自的特点和应用范围,本文进行了深入的分析;对于PRBS阻抗谱快速测量的应用,本文以铅酸电池、锂离子电池、质子交换膜燃料电池和超级电容器等电化学能源为例,验证了其应用的可行性. 为促进技术的进一步完善,本文总结和分析了PRBS阻抗谱快速测量存在的挑战,并提出了克服这些挑战所必需的未来研究方略.

LI Weiheng, HUANG Qiuan, YANG Weiming, et al.

Recent advancement in pseudo-random binary sequence signals based fast reconstruction of impedance spectrum and its applications in electrochemical energy sources

[J]. Journal of Electrochemistry, 2020, 26(3):370-388.

DOI:10.13208/j.electrochem.190309      [本文引用: 1]

With the extensive application of impedance spectroscopy, the time-consuming issue of its traditional testing methods has become more and more serious, which limits its application range. In the study of accelerating impedance measurement or reconstruction, the synthesis of wideband excitation signals and the design of high efficiency estimation algorithms have been identified as important ways. In view of the purpose of rapid impedance reconstruction, Pseudo-Random Binary Sequence (PRBS) has the advantages of flat power spectrum and easy generation, and has a good application prospect. This paper reviews three core issues in rapid reconstruction of impedance spectrum: PRBS signal types, different fast algorithms, and their typical applications in the field of electrochemical energy. For the PRBS signal types, namely, the maximum length sequence signal, the hybrid PRBS, the discrete interval binary sequence and the orthogonal PRBS, their respective characteristics and application ranges are discussed. For the fast algorithms corresponding to different PRBS excitation signals, namely, the discrete Fourier transform/Fast Fourier transform, wavelet transform, fast m-sequence transform, parameter estimation algorithm based on system identification, and their respective characteristics and application scope, this paper has carried out in-depth analysis on computation efficiency and calculation precision for fast reconstruction of impedance spectrum. For the application of rapid impedance spectrum measurement based on PRBS, the electrochemical energy sources such as lead-acid batteries, lithium-ion batteries, proton exchange membrane fuel cells and supercapacitors are taken as examples to verify the feasibility of its application. In order to promote the further improvement of technology, this paper summarizes and analyzes the challenges in rapid measurements or reconstruction of impedance spectrum based on PRBS signals, and proposes the future research strategy necessary to overcome these challenges: 1) design hardware test system according to specific application scenarios; 2) choose the optimal estimation algorithms based on the test object; 3) balance the complexity between excitation signal generation and impedance estimation algorithms.

CARTHY K M, GULLAPALLI H, KENNEDY T.

Real-time internal temperature estimation of commercial Li-ion batteries using online impedance measurements

[J]. Journal of Power Sources, 2022, 519:230786.

[本文引用: 1]

QAHOUQ J A A. Online battery impedance spectrum measurement method[C]//2016 31th Annual IEEE Applied Power Electronics Conference and Exposition (APEC). Long Beach,CA: IEEE, 2016:3611-3615.

[本文引用: 1]

ZAPPEN H, RINGBECK F, SAUER D U.

Application of time-resolved multi-sine impedance spectroscopy for lithium-ion battery characterization

[J]. Batteries, 2018, 4(4):64.

DOI:10.3390/batteries4040064      URL     [本文引用: 1]

CRESCENTINI M, ANGELIS D A, RAMILLI R, et al.

Online EIS and diagnostics on lithium-ion batteries by means of low-power integrated sensing and parametric modeling

[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 70:1-11.

[本文引用: 1]

HUANG W, QAHOUQ J A A.

An online battery impedance measurement method using DC-DC power converter control

[J]. IEEE Transactions on Industrial Electronics, 2014, 61(11):5987-5995.

DOI:10.1109/TIE.2014.2311389      URL     [本文引用: 1]

WANG Q K, HE Y J, SHEN J N, et al.

State of charge-dependent polynomial equivalent circuit modeling for electrochemical impedance spectroscopy of lithium-ion batteries

[J]. IEEE Transactions on Power Electronics, 2017, 33(10):8449-8460.

DOI:10.1109/TPEL.2017.2780184      URL     [本文引用: 1]

HICKEY R, JAHNS T M. Measuring individual battery dimensional changes for state-of-charge estimation using strain gauge sensors[C]//2019 IEEE Energy Conversion Congress and Exposition (ECCE). Baltimore,MD: IEEE, 2019:2460-2465.

[本文引用: 1]

LEE J H, LEE H M, AHN S.

Battery dimensional changes occurring during charge/discharge cycles—thin rectangular lithium ion and polymer cells

[J]. Journal of Power Sources, 2003, 119:833-837.

[本文引用: 2]

POPP H, KOLLER M, JAHN M, et al.

Mechanical methods for state determination of lithium-ion secondary batteries:A review

[J]. Journal of Energy Storage, 2020, 32:101859.

[本文引用: 2]

SAMAD N A, KIM Y, SIEGEL J B, et al.

Battery capacity fading estimation using a force-based incremental capacity analysis

[J]. Journal of The Electrochemical Society, 2016, 163(8):A1584.

DOI:10.1149/2.0511608jes      URL     [本文引用: 1]

OH K Y, SIEGEL J B, SECONDO L, et al.

Rate dependence of swelling in lithium-ion cells

[J]. Journal of Power Sources, 2014, 267:197-202.

DOI:10.1016/j.jpowsour.2014.05.039      URL     [本文引用: 2]

KIM Y, SAMAD N A, OH K Y, et al. Estimating state-of-charge imbalance of batteries using force measurements[C]//2016 American Control Conference (ACC). Boston,MA: IEEE, 2016:1500-1505.

[本文引用: 1]

OH K Y, EPUREANU B I.

A novel thermal swelling model for a rechargeable lithium-ion battery cell

[J]. Journal of Power Sources, 2016, 303:86-96.

DOI:10.1016/j.jpowsour.2015.10.085      URL     [本文引用: 1]

DAI H, YU C, WEI X, et al.

State of charge estimation for lithium-ion pouch batteries based on stress measurement

[J]. Energy, 2017, 129:16-27.

DOI:10.1016/j.energy.2017.04.099      URL     [本文引用: 1]

MAJASAN J, ROBINSON J, OWEN R, et al.

Recent advances in acoustic diagnostics for electrochemical power systems

[J]. Journal of Physics:Energy, 2021, 3(3):032011.

[本文引用: 2]

FUKUSHIMA T, KATO S, KUWATA N, et al.

In-situ acoustic emission study of Sn anode in Li ion battery

[J]. ECS Transactions, 2014, 62(1):215.

DOI:10.1149/06201.0215ecst      URL     [本文引用: 1]

张闯, 孙博, 金亮, 等.

基于声波时域特征的锂离子电池荷电状态表征

[J]. 电工技术学报, 2021, 36(22):4666-4676.

[本文引用: 1]

ZHANG Chuang, SUN Bo, JIN Liang, et al.

Characterization of the state of charge of lithium-ion batteries based on the time-domain characteristics of acoustic waves

[J]. Transactions of China Electrotechnical Society, 2021, 36(22):4666-4676.

[本文引用: 1]

ZHANG K, YIN J, HE Y.

Acoustic emission detection and analysis method for health status of lithium ion batteries

[J]. Sensors, 2021, 21(3):712.

DOI:10.3390/s21030712      URL     [本文引用: 1]

BEGANOVIC N, SÖFFKER D.

Estimation of remaining useful lifetime of lithium-ion battery based on acoustic emission measurements

[J]. Journal of Energy Resources Technology, 2019, 141(4):041901.

[本文引用: 1]

ZAPPEN H, FUCHS G, GITIS A, et al.

In-operando impedance spectroscopy and ultrasonic measurements during high-temperature abuse experiments on lithium-ion batteries

[J]. Batteries, 2020, 6(2):25.

DOI:10.3390/batteries6020025      URL     [本文引用: 1]

ROBINSON J B, OWEN R E, KOK M D R, et al.

Identifying defects in Li-ion cells using ultrasound acoustic measurements

[J]. Journal of The Electrochemical Society, 2020, 167(12):120530.

[本文引用: 1]

WU Y, WANG Y, YUNG W K C, et al.

Ultrasonic health monitoring of lithium-ion batteries

[J]. Electronics, 2019, 8(7):751.

DOI:10.3390/electronics8070751      URL     [本文引用: 1]

SOOD B, OSTERMAN M, PECHT M. Health monitoring of lithium-ion batteries[C]//2013 10th Annual IEEE Symposium on Product Compliance Engineering (ISPCE). Austin,TX: IEEE, 2013:1-6.

[本文引用: 1]

HSIEH A G, BHADRA S, HERTZBERG B J, et al.

Electrochemical-acoustic time of flight:In operando correlation of physical dynamics with battery charge and health

[J]. Energy & Environmental Science, 2015, 8(5):1569-1577.

[本文引用: 1]

CHOU Y S, HSU N Y, JENG K T, et al.

A novel ultrasonic velocity sensing approach to monitoring state of charge of vanadium redox flow battery

[J]. Applied Energy, 2016, 182:253-259.

DOI:10.1016/j.apenergy.2016.08.125      URL     [本文引用: 1]

GOLD L, BACH T, VIRSIK W, et al.

Probing lithium-ion batteries’ state-of-charge using ultrasonic transmission- Concept and laboratory testing

[J]. Journal of Power Sources, 2017, 343:536-544.

DOI:10.1016/j.jpowsour.2017.01.090      URL     [本文引用: 1]

WANG X, LYU Y, SONG G, et al. Theoretical analysis of ultrasonic reflection/trasmission characteristics of lithium-ion battery[C]//Proceedings of the 2020 15th Symposium on Piezoelectrcity,Acoustic Waves and Device Applications (SPAWDA). Henan Polytechn Univ.,Zhengzhou,China:IEEE, 2021:292-296.

[本文引用: 1]

DAVIES G, KNEHR K W, VAN TASSELL B, et al.

State of charge and state of health estimation using electrochemical acoustic time of flight analysis

[J]. Journal of The Electrochemical Society, 2017, 164(12):A2746.

DOI:10.1149/2.1411712jes      URL     [本文引用: 2]

KIM J Y, JO J H, BYEON J W.

Ultrasonic monitoring performance degradation of lithium ion battery

[J]. Microelectronics Reliability, 2020, 114:113859.

[本文引用: 1]

POPP H, KOLLER M, KELLER S, et al.

State estimation approach of lithium-ion batteries by simplified ultrasonic time-of-flight measurement

[J]. IEEE Access, 2019, 7:170992-171000.

[本文引用: 1]

LADPLI P, KOPSAFTOPOULOS F, NARDARI R, et al. Battery charge and health state monitoring via ultrasonic guided-wave-based methods using built-in piezoelectric transducers[C]// Smart Materials and Nondestructive Evaluation for Energy Systems 2017. Portland,OR: International Society for Optics and Photonics, 2017, 10171:1017108.

[本文引用: 2]

LADPLI P, KOPSAFTOPOULOS F, CHANG F K.

Estimating state of charge and health of lithium-ion batteries with guided waves using built-in piezoelectric sensors/actuators

[J]. Journal of Power Sources, 2018, 384:342-354.

DOI:10.1016/j.jpowsour.2018.02.056      URL     [本文引用: 1]

BOMBIK A, HA S Y S, HAIDER M F, et al. Li-ion battery health estimation using ultrasonic guided wave data and an extended Kalman filter[C]//2021 Thirty-sixth Annual IEEE Applied Power Electronics Conference and Exposition (APEC). Electr Network: IEEE, 2021:962-966.

[本文引用: 2]

赵振喜, 李洪丰, 侯伟, 等.

国网吉林电力基建电力物联网研究与实践

[J]. 电气工程学报, 2021, 16(2):166-173.

[本文引用: 1]

ZHAO Zhenxi, LI Hongfeng, HOU Wei, et al.

Research and practice of power iot in infrastructure construction in Jilin Branch of State Grid

[J]. Journal of Electrical Engineering, 2021, 16(2):166-173.

[本文引用: 1]

/

〈 〉