基于BP神经网络的梯次利用电池健康状态诊断

doi:10.3969/j.issn.1674-1951.2021.07.007

华电技术 ›› 2021, Vol. 43 ›› Issue (7): 42-46.doi: 10.3969/j.issn.1674-1951.2021.07.007

基于BP神经网络的梯次利用电池健康状态诊断

李勇琦¹^,²(), 雷旗开¹^,², 王浩³, 华思聪³

1.南方电网调峰调频发电有限公司,广州 510630
2.先进储能技术联合实验室,广州 510630
3.杭州高特电子设备股份有限公司,杭州 310012

收稿日期:2021-02-22 修回日期:2021-05-15 出版日期:2021-07-25 发布日期:2021-07-27
作者简介:李勇琦（1979—）,男,广东乐昌人,正高级工程师,工学硕士,从事电池储能技术研究与应用的相关工作（E-mail： 253432239@qq.com）。
基金资助:
国家重点研发计划项目(2018YFB0905300);国家重点研发计划项目(2018YFB0905305)

State of health estimation for echelon-used batteries based on BP neural network

LI Yongqi¹^,²(), LEI Qikai¹^,², WANG Hao³, HUA Sicong³

1. CSG Power Generation Company, Guangzhou 510630, China
2. CSG Joint Laboratory of Advanced Energy Storage Technology, Guangzhou 510630, China
3. Gold Electronic Equipment Incorporated Limited, Hangzhou 310012, China

Received:2021-02-22 Revised:2021-05-15 Online:2021-07-25 Published:2021-07-27

摘要/Abstract

摘要：

在大规模储能产业迅猛发展及退役车用动力电池数量逐年增长的背景下,阐述了梯次利用电池及其储能应用场景,以及梯次利用电池健康状态估算的重要性。介绍了影响电池健康状态的几种因素,将电池直流内阻、放电倍率及表面温度作为输入构建了3层反向传播（BP）神经网络。试验表明：在30块梯次利用电池的样本训练下,网络能够有效收敛且对梯次利用电池健康状态的计算误差在3%内,根据BP神经网络估算电池健康状态具有一定的可行性,该方法对梯次利用电池的分选以及储能应用具有重大意义。

关键词: 梯次利用电池, 健康状态, BP神经网络, 电池直流内阻, 放电倍率, 退役动力电池, 锂电池, 调峰调频, 储能

Abstract:

In the context of rapid developing energy storage industry and the gradually increasing decommissioned power batteries for vehicles, the echelon-used batteries and their application scenarios in energy storage are introduced, and the necessity of their state of health is expounded. Influence factors for battery state of health are discussed. A three-layer BP neural network is constructed by taking battery DC resistance, discharge rate and surface temperature as inputs. Experiment results show that trained by 30 echelon-used batteries, the network can effectively converge and keep the health state estimation errors of echelon-used batteries within 3%. Estimating battery state of health of batteries with BP neural network is feasibility and of great significance in sorting as well as energy storage for echelon-used batteries.

Key words: echelon-used battery, state of health, BP neural network, battery DC resistance, discharge rate, decommissioned power battery, lithium battery, peak regulation and frequency modulation, energy storage

中图分类号:

TK02：TM911

李勇琦, 雷旗开, 王浩, 华思聪. 基于BP神经网络的梯次利用电池健康状态诊断[J]. 华电技术, 2021, 43(7): 42-46.

LI Yongqi, LEI Qikai, WANG Hao, HUA Sicong. State of health estimation for echelon-used batteries based on BP neural network[J]. Huadian Technology, 2021, 43(7): 42-46.

图/表 6

图1

图2

图3

图4

图5

图6

参考文献 16

[1]	李建林, 修晓青, 刘道坦, 等. 计及政策激励的退役动力电池储能系统梯次应用研究[J]. 高电压技术, 2015, 41(8):2562-2568.
	LI Jianlin, XIU Xiaoqing, LIU Daotan, et al. Research on second use of retired electric vehicle battery energy storage system considering policy incentive[J]. High Voltage Engineering, 2015, 41(8):2562-2568.
[2]	王兴兴, 孙建桥, 陈明. 储能火电联合调频系统设计与研究[J]. 华电技术, 2020, 42(4):72-76.
	WANG Xingxing, SUN Jianqiao, CHEN Ming. Design and research on energy storage and thermal power combined frequency modulation systems[J]. Huadian Technology, 2020, 42(4):72-76.
[3]	李建林, 李雅欣, 吕超, 等. 退役动力电池梯次利用关键技术及现状分析[J]. 电力系统自动化, 2020, 44(13):172-183.
	LI Jianlin, LI Yaxin, LYU Chao, et al. Key technology and research status of cascaded utilization in decommissioned power battery[J]. Automation of Electric Power Systems, 2020, 44(13):172-183.
[4]	孙冬, 许爽. 梯次利用锂电池健康状态预测[J]. 电工技术学报, 2018, 33(9):2121-2129.
	SUN Dong, XU Shuang. State of health prediction of second-use lithium-ion battery[J]. Transactions of China Electrotechnical Society, 2018, 33(9):2121-2129.
[5]	吴盛军, 袁晓冬, 徐青山, 等. 锂电池健康状态评估综述[J]. 电源技术, 2017, 41(12):1788-1791.
	WU Shengjun, YUAN Xiaodong, XU Qingshan, et al. Review on lithium-ion battery health state assessment[J]. Chinese Journal of Power Sources, 2017, 41(12):1788-1791.
[6]	黄业伟. 电动汽车锂离子动力电池健康状态估计方法研究[D]. 合肥:合肥工业大学, 2014.
[7]	朱国才, 何向明. 废旧锂离子动力电池的拆解及梯次利用[J]. 新材料产业, 2017(9):43-46.
[8]	郑志坤, 赵光金, 金阳, 等. 基于库仑效率的退役锂离子动力电池储能梯次利用筛选[J]. 电工技术学报, 2019, 34(S1):388-395.
	ZHENG Zhikun, ZHAO Guangjin, JIN Yang, et al. The reutilization screening of retired electric vehicle lithium-ion battery based on coulombic efficiency[J]. Transactions of China Electrotechnical Society, 2019, 34(S1):388-395.
[9]	徐晶. 梯次利用锂离子电池容量和内阻变化特性研究[D]. 北京:北京交通大学, 2014.
[10]	DUBARRY M, LIAW B Y. Identify capacity fading mechanism in a commercial LiFePO₄ cell[J]. Journal of Power Sources, 2009, 194(1):541-549. doi: 10.1016/j.jpowsour.2009.05.036
[11]	李晓宇, 徐佳宁, 胡泽徽, 等. 磷酸铁锂电池梯次利用健康特征参数提取方法[J]. 电工技术学报, 2018, 33(1):9-16.
	LI Xiaoyu, XU Jianing, HU Zehui, et al. The health parameter estimation method for LiFePO₄ battery echelon use [J]. Transactions of China Electrotechnical Society, 2018, 33(1):9-16.
[12]	LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324. doi: 10.1109/5.726791
[13]	XI Z M, DAHMARDEH M, XIA B, et al. Learning of battery model bias for effective state of charge estimation of lithium-ion batteries[J]. IEEE transactions on vehicular technology, 2019, 68(9):8613-8628. doi: 10.1109/TVT.25
[14]	XU X L, MI J F, FAN M S, et al. Study on the performance evaluation and echelon utilization of retired LiFePO₄ power battery for smart grid[J]. Journal of Cleaner Production, 2019(213):1080-1086.
[15]	ZHAO R X, KOLLMEYER P, LORENZ R D, et al. A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries[J]. IEEE Transactions on Industry Applications, 2019, 55(2):1922-1931. doi: 10.1109/TIA.2018.2874588
[16]	SARASKETA-ZABALA E, GANDIAGA I, RODRIGUEZ-MARTINEZ L M, et al. Calendar ageing analysis of a LiFePO₄/graphite cell with dynamic model validations:Towards realistic lifetime predictions[J]. Journal of Power Sources, 2014(272):45-47.

基于BP神经网络的梯次利用电池健康状态诊断

State of health estimation for echelon-used batteries based on BP neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

[1]	韩世旺, 赵颖, 张兴宇, 玄承博, 赵田田, 侯绪凯, 刘倩倩. 面向碳中和的新型电力系统氢储能调峰技术研究[J]. 综合智慧能源, 2022, 44(9): 20-26.
[2]	余果, 吴军, 夏热, 陈逸珲, 郭子辉, 黄文鑫. 构网型变流器技术的发展现状与趋势研究[J]. 综合智慧能源, 2022, 44(9): 65-70.
[3]	陈晗钰, 周晓亮, 刘立敏, 钱欣源, 王宙, 何非凡, 绳阳. 质子导体固体电解池电解水制氢研究进展[J]. 综合智慧能源, 2022, 44(8): 75-85.
[4]	冶兆年, 赵长禄, 王永真, 韩恺, 刘超凡, 韩俊涛. 基于纳什议价的共享储能能源互联网络双目标优化[J]. 综合智慧能源, 2022, 44(7): 40-48.
[5]	张荣权, 李刚强, 卜思齐, 刘芳, 朱玉祥. 基于自适应学习率萤火虫算法的多能源系统联合优化调度[J]. 综合智慧能源, 2022, 44(7): 49-57.
[6]	钟永洁, 纪陵, 李靖霞, 蒋衍君, 吴世伟, 王紫东. 虚拟电厂基础特征内涵与发展现状概述[J]. 综合智慧能源, 2022, 44(6): 25-36.
[7]	彭占磊, 杨之乐, 杨文强, 李慷. 电化学储能参与电力系统规划运行方法综述[J]. 综合智慧能源, 2022, 44(6): 37-44.
[8]	王鑫, 陈祖翠, 卞在平, 王业耀, 吴育苗. 基于粒子群优化算法的智慧微电网风光储容量优化配置[J]. 综合智慧能源, 2022, 44(6): 52-58.
[9]	陈勇, 苏军划, 汪洋. 国内二氧化碳加氢合成甲烷应用可行性分析[J]. 综合智慧能源, 2022, 44(6): 86-90.
[10]	杜欣烨, 王建喜, 孙永辉, 何逸, 吴鹏鹏, 周伟. 计及海水淡化制氢的微电网混合储能优化规划[J]. 综合智慧能源, 2022, 44(5): 49-55.
[11]	童家麟, 吴瑞康, 茅建波, 吕洪坤. 燃煤机组深度调峰瓶颈改善及耦合调峰技术研究[J]. 综合智慧能源, 2022, 44(4): 43-50.
[12]	王长君, 闫君, 董勇, 宋占龙. 相变储能技术在热泵系统中的应用综述[J]. 综合智慧能源, 2022, 44(4): 51-64.
[13]	吴林芮, 刘璐, 孟瑜, 李岩, 胡南, 徐海龙, 陈美琦, 郑武康. 锌-空气电池阴极碳基催化剂材料研究进展[J]. 综合智慧能源, 2022, 44(4): 65-70.
[14]	刘静, 史梦鸽, 胡永锋. 含电池储能系统的智能楼宇多阶段能量管理策略[J]. 综合智慧能源, 2022, 44(3): 29-37.
[15]	廖敏乐, 黄重阳, 戴承承, 李化林, 樊高松. 基于时间序列和BP神经网络的电能替代潜力分析方法[J]. 综合智慧能源, 2022, 44(3): 38-43.