基于电化学阻抗谱与弛豫时间分布融合的储能电池内部缺陷智能诊断

电化学储能技能的快速发展使得准确辨认电池内部缺点对提高制作质量和梯次使用功率至关重要。但是现有检测办法在确诊电池内部状况方面仍存在限制，阻碍了高效收回与梯次使用体系的构建。为此，本文提出一种根据电化学阻抗谱（EIS）的储能电池内部缺点辨认办法。本研讨体系考察了常规棱柱形电池与三种典型缺点（老化、密封缺点、导电层散布不均）的宽频阻抗谱特性。经过结合电化学机理，选用弛豫时间散布（DRT）剖析办法成功别离出四个要害极化进程。相关性剖析量化了极化参数与缺点类型的关联性，从而挑选出用于缺点表征的要害参数。根据上述发现，构建了极端梯度提高（XGBoost）分类模型，完成了多缺点类型的精准辨认。试验表明，在相同荷电状况和健康状况下，四类电池在中低频阻抗谱上出现明显差异，反映出内部极化行为的区别。DRT解耦与机理剖析进一步提醒，时间常数τS2极化电阻RS1与RS2均与缺点类型出现明显相关性(<0.05)。根据上述参数构建的XGBoost模型在288个测验样本中达到96.88%的准确率。本研讨为提高电池收回功率供给了理论与实践支撑，具有明显的学术价值与工程使用潜力。 < 0.05). The XGBoost model built with these parameters reached 96.88% accuracy on 288 test samples. This study offers theoretical and practical support for improving battery recycling efficiency, with notable academic and engineering potential.

图文摘要

导言

在全球能源结构向清洁低碳转型的布景下，电化学储能体系在可再生能源并网和智能电网建造中正发挥着日益要害的效果[1]。随着锂离子电池在储能电站、电动汽车等领域的广泛使用，其全生命周期管理面对着资源可持续性[2]与环境安全性[3]的双重应战。其间，电池内部缺点的精准检测已成为限制制作质量和梯次使用功率的要害技能瓶颈[4]。典型内部缺点包含密封完整性缺少与导电材料层散布不均：前者可导致电解液走漏或外部湿气侵入，进而引发电极材料腐蚀及固体电解质界面相（SEI）失效[5]；后者易造成电极表面电流密度部分畸变，诱发活性材料梯度退化与锂枝晶不可控成长[6]。在长时间运转进程中，此类缺点或许逐渐演变为内部微短路和锂镀层累积等失效形式[7]，严重威胁电池体系的安全性与可靠性。因而必须在电池生产及梯次使用进程中完成内部缺点的精准辨认与分类[8]。传统无损检测办法——如根据静态参数的可视化检测与表征——往往难以准确区别多类缺点，这首要源于其易受主观判别影响以及所提取特征的灵敏度有限[9]。在此布景下，开发能够准确确诊电池内部缺点的先进办法学，对于提高电池收回功率及树立高效的全生命周期管理体系具有重要工程含义。
当前关于电池内部缺点检测的研讨首要会集在模仿建模与多性向技能集成两方面。在建模领域，Li等人[10]树立了一种脉冲电压-电流密度耦合模型，用于模仿低温条件下枝晶成长引发的内部短路(ISCs)演变进程，证明仅经过外部电学参数即可揣度内部缺点状况。其他研讨者选用了超声透射等检测技能直接探求电池内部状况。Zhou等[11]提出了一种根据超声导波的电池缺点检测办法，经过PZT换能器激发超声波并结合激光测振技能捕捉内部传播特性。此外，他们规划了一种交融时空特征的改进型U-Net网络，完成了对超声图画序列中缺点的精准辨认与分割。Xia等[12]选用超声透射成像技能对锂离子电池进行原位检测，完成了内部电解液滋润空间散布的可视化。其试验表明，电解液滋润缺少首要会集于极耳区域，且阴极侧缺点更为明显。此外，很多研讨经过挑选外部电学参数来确诊内部缺点状况。Kamboj等[13]开发了一种仅使用电池电压数据的智能在线ISC检测办法，无需额外传感器，经过部别离群因子算法从超过55万条实际车辆数据点中准确辨认前期ISC先兆。乔等学者[14]提出根据增量容量-电压分段和动态时间规整(DTW)的机器学习计划，仅需部分放电电压曲线即可在恣意工况下完成前期ISC检测与定位。机器学习算法现在在锂电池研讨领域蓬勃发展。文献[15][16][17][18][19][20]中的研讨者分别选用CNN-LSTM网络、结合搬迁学习的ResNet、改进型BT-SVM算法、根据Canny算子的布景重构办法以及优化后的YOLOv5s模型，成功完成了对锂枝晶成长、隔阂穿孔及电极涂层缺点等内部缺点的检测，经过非破坏性在线/离线检测方式完成缺点分类辨认与定位，其分类准确率明显提高或定位误差小于1毫米。但是，现有研讨办法仍存在若干明显限制性。首要，大都模仿模型树立在理想化试验条件基础上，缺少与实际运转数据的全面验证，且未能完成与电池内部电化学机制的深度交融。其次，依赖单一物理参数或表观电学参数的检测办法存在特征维度缺少的问题，难以满意工程使用所需的辨认精度要求。此外，当前干流机器学习策略一般需针对不同缺点类型构建独立模型，这不只大幅增加了核算杂乱度，还限制了体系泛化才能。
电池内部缺点的准确辨认面对一个根本性应战：缺点特征与荷电状况（SOC）、健康状况（SOH）等多维参数之间存在强耦合效应，导致传统办法难以有用区别缺点类型与功能的正常动摇[21]。电化学阻抗谱（EIS）作为一种能够表征电池内部多时间尺度电化学进程的非侵入式检测技能，近年来在电池状况监测方面展现出明显优势[22]。该技能经过宽频带频率扫描获取阻抗呼应，这些呼应反映了包含电荷转移、双电层充放电以及离子分散在内的多种动力学进程信息。但是，由于不同电化学进程或许具有重叠的时间常数，根据等效电路模型的传统剖析办法往往难以完成准确的机理区别。为处理这一限制性，弛豫时间散布（DRT）办法被引入用于剖析电池阻抗。经过将频域数据转化为时域弛豫时间散布，DRT能有用别离重叠的极化特征，从而提高杂乱电化学体系的分辨率[23]。但是，完成精准确诊仍存在一个要害瓶颈：怎么从DRT衍生的极化特征中稳定地挑选出与缺点类型高度相关、同时不受SOC和SOH改变影响的特异性信号。这一应战本质上归于高维非线性特征挑选与形式辨认问题，亟需树立一种将电化学表征与智能数据剖析相整合的体系性结构。理想结构应具备三项要害才能：根据EIS和DRT构建具有清晰物理含义的初始特征集；选用严厉数学办法完成特征降维与解耦；以及使用高功能集成学习算法树立解耦特征至缺点类型的稳健映射。此类端到端集成确诊结构的开发与验证，对于推动该领域从理论研讨迈向实际工程使用至关重要。
为处理上述应战，本研讨提出了一种交融电化学阻抗谱(EIS)、弛豫时间散布(DRT)与机器学习技能的储能电池内部缺点智能确诊办法。经过构建宽频带EIS测验体系，体系采集了四类电池样本（正常、老化、密封缺点、导电层散布不均）在全荷电状况(SOC)范围内的阻抗谱。随后选用DRT办法对EIS数据进行剖析，完成了多重极化进程的别离与特征提取。经过Spearman相关性剖析，我们辨认并挑选出与缺点类型明显相关且受SOC/SOH改变影响最小的要害特征参数。最终构建了以XGBoost算法为核心的缺点分类模型，完成了对多种缺点类别的精准辨认。该办法经过将电化学机理剖析与机器学习分类技能无缝结合，为储能电池内部缺点确诊树立了新的技能路径。该计划不只为电池质量控制和梯次使用供给了有用处理计划，更为提高电化学储能体系安全性与全生命周期管理才能供给了要害技能支撑。