1、第 12 卷 第 7 期2023 年 7 月Vol.12 No.7Jul.2023储能科学与技术Energy Storage Science and Technology基于视觉特征的动力电池组综合健康评估及分筛方法陈智伟，张维戈，张珺玮，张言茹（北京交通大学，国家能源主动配电网技术研发中心，北京 100044）摘 要：随着电动汽车领域的快速发展，海量电池系统的健康监管和性能评估成为有待解决的关键技术之一。本工作搭建了电池组等效电路模型，依托单体不一致型参数的正交组合模拟多种电池组健康状态，通过模型仿真生成电池组样本数据集。搭建了卷积神经网络模型，以电池组局部充电电压曲线图像为输入，提取能够反
2、映电池组健康状态的形态学特征，对电池组进行快速分类。选用整组可用容量、可用能量、容量利用率和能量利用率四个参数指标，通过层次分析法分配各参数权重，提出一种综合考虑电池组性能表征的健康度评价指标，依据评价指标实现电池组分筛。在仿真生成的数据集上对分类模型进行了训练和测试，结果表明，所构建的电池组分类模型在测试集上能够达到97%以上的准确率。通过分类任务混淆矩阵的一系列模型评价指标，进一步验证了该方法的有效性。本工作提出的基于视觉特征提取的电池组健康状态综合评估和分筛方法有助于推动对电池性能评估的研究，为电池系统的健康监管提供新的理论依据。关键词：锂离子电池；卷积神经网络；不一致性；等效电路模型；
3、SOH评估及分筛doi：10.19799/ki.2095-4239.2023.0286 中图分类号：TM 912 文献标志码：A 文章编号：2095-4239（2023）07-2211-09Comprehensive health assessment and screening method of power battery pack based on visual characteristics of charge curvesCHEN Zhiwei,ZHANG Weige,ZHANG Junwei,ZHANG Yanru(National Energy Active Distributi
4、on Network Technology Research and Development Center,Beijing Jiaotong University,Beijing 100044,China)Abstract:With the rapid development of electric vehicles,ensuring the health and performance evaluation of large-scale battery systems has become a crucial technological challenge.This paper focuse
5、s on addressing this issue by constructing an equivalent circuit model for battery packs.The health status of multiple battery packs is simulated using a combination of orthogonal parameters,representing different types of inconsistencies.Additionally,a dataset of battery pack samples is generated t
6、hrough model simulations.To classify the battery packs efficiently,a convolutional neural network(CNN)model is established.This model extracts morphological features from the local charging voltage curve images of the battery packs.These features serve as input for the CNN,enabling quick 储能锂离子电池系统关键
7、技术专刊收稿日期：2023-04-27；修改稿日期：2023-05-16。基金项目：中国国家铁路集团有限公司科技研究开发计划项目（N2022J047）。第一作者：陈智伟（1999），男，硕士研究生，研究方向为动力电池健康状态评估，E-mail：；通讯作者：张维戈，教授，研究方向为动力电池应用技术/电力电子技术，E-mail：。引用本文：陈智伟,张维戈,张珺玮,等.基于视觉特征的动力电池组综合健康评估及分筛方法J.储能科学与技术,2023,12(7):2211-2219.Citation：CHEN Zhiwei,ZHANG Weige,ZHANG Junwei,et al.Comprehensi
8、ve health assessment and screening method of power battery pack based on visual characteristics of charge curvesJ.Energy Storage Science and Technology,2023,12(7):2211-2219.2023 年第 12 卷储能科学与技术classification.Four parameters,namely available capacity,available energy,capacity utilization rate,and ener
9、gy utilization rate,are selected for evaluation.The weight of each parameter is determined using the Analytic Hierarchy Process.Consequently,a comprehensive health evaluation index is proposed,which takes into account various performance characteristics of battery packs.This index facilitates the sc
10、reening of battery components based on their evaluation scores.The classification model is trained and tested using the simulated dataset,yielding promising results.The constructed battery pack classification model achieves an accuracy of over 97%on the test set.The effectiveness of this method is f
11、urther validated by evaluating the model with various indexes,such as the confusion matrix for classification tasks.Overall,the proposed method,which involves the visual feature extraction-based comprehensive assessment and screening of battery pack health status,contributes to the advancement of ba
12、ttery performance evaluation research.It also provides a new theoretical foundation for the health supervision of battery systems.Keywords:lithium-ion batteries;convolutional neural network;cell inconsistency;equivalent circuit model;SOH assessment screening电动汽车的逐渐兴起使锂离子电池不断地更新迭代。锂离子电池组的性能不仅与电池自身的老化
13、程度有关，更重要的是单体之间的不一致性会导致电池组可用能量和功率的衰减1。为确保电池的可靠使用，需要对电池组SOH(state of health，简称SOH)进行实时监测，电池SOH一般采用容量或内阻作为表征2，但影响电池续航能力的关键因素是可用能量，能量利用率和容量利用率反映的可优化空间也可作为电池组SOH的评估因素。锂离子电池组性能受很多因素影响，诸如放电深度、电流工况、单体不一致性等，因此对SOH的评估有很大困难，目前对锂电池SOH评估的方法可以分为三类：直接测量法、模型法和数据驱动法3-4。直接测量法是通过测量电池的容量、荷电状态(state of charge，简称SOC)等评估电
14、池的SOH，但是，在实际应用中，电池很少出现完全放电，无法准确测量电池的容量，仅适用于实验室研究使用；模型法是通过等效模型对电池SOH评估，主要包括等效电路模型、电化学模型，等效电路模型结构相对简单，参数易于辨识，但是其精度不如电化学模型；电化学模型精度虽高，但其计算包含大量偏微分方程和模型参数，计算复杂且会出现无法求解的情况；数据驱动法则通过挖掘与电池健康相关的外部特征来评估电池SOH，可以满足较高的精度要求，但是需要大量的数据集作为支撑5-7。本工作从实际应用角度出发，融合电池组当前状态下可用能量、可用容量、能量利用率与容量利用率等因素，提出了电池组SOH综合评估指标。由于电池组实验测试的
15、复杂性，本工作通过搭建电池组等效电路模型来模拟不同健康状态下的电池组运行情况，采用不同分布状态的电池容量、SOC、内阻的耦合参数对电池组进行充放电仿真，获取每组不一致参数下电池组的充电曲线与性能参数，形成样本数据集。基于数据样本搭建神经网络模型，对样本图像的特征进行提取并训练，并按照电池组健康度综合评价指标的分数实现对电池组的分类。1 电池组模型搭建与验证1.1电池组建模与仿真基于实验测试获取多种不一致性参数耦合情况的电池组充放电数据将耗费大量的时间，因此本工作搭建了电池组等效电路模型，通过仿真获取电池组数据样本。等效电路模型是以已有的锂电池充放电数据为基础，利用电压源、电阻、电容等电子器件构
16、建起来的电路模型，用于对电池外特性的表征，未深入探究电池内部的化学反应，参数辨识较为简单，同时能够很好地反映电池的动态特性8。在电池管理系统中，常见的等效电路模型可分为Thevenin模型(又名为一阶RC等效电路模型)、二阶RC等效电路模型、Rint模型等。Thevenin模型中的RC回路用于考虑电池内部2212第 7 期陈智伟等：基于视觉特征的动力电池组综合健康评估及分筛方法的电化学特性，反映了电池内部欧姆极化、电化学极化和浓差极化的过程，该模型在描述电池高动态响应方面有较好的精度。二阶RC等效电路模型比一阶模型多串接一个RC回路，进一步提高了模型在动态响应上的精度，使其更能表征电池内部的真实状态，但是串联RC回路的增加会使得模型变得更为复杂，进而带来更大的计算量9。由于本工作对电池健康状态的评估只关注恒流工况下的电池组特性，且从恒流充电曲线中提取相关健康特征，不涉及动态工况下的电池响应分析，因此为了计算的简单方便，选用了锂离子电池的Rint等效模型，在该电池单体等效模型的基础上搭建了串联电池组模型，并对串联电池组特性进行探究。Rint模型将电池视为一个电压源与一个电阻串联的等效电路
