论文一：深度神经网络驱动的商业锂离子电池负极析锂原位定量检测

【分类】基于充电曲线的析锂检测

【题目】Deep neural network-driven in-situ detection and quantification of lithium plating on anodes in commercial lithium-ion batteries

【作者】Yu Tian, Cheng Lin, Hailong Li, Jiuyu Du, Rui Xiong.

【单位】School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China

【下载地址】https://doi.org/10.1002/eom2.12280

【摘要】析锂严重威胁着锂离子电池低温充电时的寿命，但对析锂的在线检测和定量却受电池应用时有限的信号和多变的工况限制。本文提出了一种在基于深度学习的不确定工况下预测析锂的出现与析锂量的检测方法，只用到充电时的恒流曲线。建立了一个深度神经网络提取电池充电曲线中析锂相关的数据特征，避免了人工特征提取。只使用最常见的电压和电流为输入，该网络实现了优秀的适应性和精度。该方法的检测精度为98.64%，且析锂量的预测均方根误差小于4.1712mg。此外，该方法的泛化性也用训练集外的数据集进行了验证。在新的充电工况下检测精度可达92.39%，在新的老化状态下检测精度可达95.53%。同时，本方法将检测时间从当前主流微分曲线法的几个小时缩短到了毫秒级，体现出了在未来电池管理系统应用的潜力。

【关键词】深度学习；析锂；锂离子电池；低温充电；定量检测

【推荐理由】本论文提出了一种基于深度学习的析锂检测方法，只依赖最常见和便于获取的充电电压和电流数据，即可得到本次充电过程中的析锂量，对电池类型和测试环境没有任何要求。而现有的传统析锂检测方法中，主要还是基于充电结束后的放电电压分析析锂情况，或者基于充电过程中电池的厚度、超声等信号定性分析析锂，且对电池的种类和测试环境都有严苛的要求。

【关键插图】

图1：本文深度神经网络的结构，每一个色块中的数字代表了该层神经网络的参数。

图2：A：所有样本的析锂量预测结果，B：析锂量预测的绝对误差分布。

论文二：钴酸锂/石墨电池析锂的声学检测

【分类】基于超声的析锂检测

【题目】In Operando Acoustic Detection of Lithium Metal Plating in Commercial LiCoO2/Graphite Pouch Cell

【作者】Clement Bommier, Wesley Chang, Yufang Lu, et al.

【单位】Department of Mechanical and Aerospace Engineering, Princeton University, Princeton, USA

【下载地址】https://doi.org/10.1016/j.xcrp.2020.100035

【摘要】在锂离子电池的使用过程中，析锂的表征和检测一直是一个长期的挑战，因为析锂的性质是不可预测的，并且高度依赖于工作温度和充电速率。常规锂离子电池（包括快速充电能力、极端温度应用和锂金属二次电池）的持续发展和未来发展中，析锂的实际检测至关重要。在这项研究中，我们描述了在标准形状系数范围内，使用超声波检测石墨阳极上的金属锂镀层。这项研究扩展了以前关于超声波作为电池诊断工具的工作，描绘了超声波飞行时间和石墨分级之间的显著线性关系，以及声学飞行时间和电化学测量之间的显著线性关系，以表征电池析锂的程度。

【推荐理由】本文介绍了一种使用超声波特征去检测电池析锂的方法，将大倍率充电末期飞行时间与正常充电情况下所得到的飞行时间进行对比，利用二者之间的差异去检测析锂与否，将机械信号与电信号进行耦合，为实验室析锂检测提供新思路。

【关键插图】

图1：固定容量充电的超声波检测。10℃下循环，固定容量充电倍率为：（A）0.5C，（B）0.75C，（C）0.875C，（D）1C。

图2：通过使用XRD技术确认电池析锂。A) 10℃阳极的XRD测量，B) 20 ℃阳极的XRD测量，C) TOF终点差函数的I /II比值的线性回归。

图3：10℃下不同充电倍率所进行的半电池放电实验与标准充电的半电池放电容量对比：（A）0.5C，（B）0.75C，（C）0.875C，（D）1C。

论文三：基于实际运行参数的储能系统电池健康状态估计

【分类】基于实际数据的SOH估计

【题目】State-of-health estimation of batteries in an energy storage system based on the actual operating parameters

【作者】Qichao Zhang, Xue Li, Chun Zhou

【单位】Shanghai Univ Elect Power, Shanghai Engn Res Ctr Elect Energy Convers, Shanghai Key Lab Mat Protect & Adv Mat Elect Powe, Shanghai, China

【下载地址】https://doi.org/10.1016/j.jpowsour.2021.230162

【摘要】根据恒功率运行过程中的充电电压数据，估算出由退役公交车电池组成的20kW/100kWh储能系统中的电池健康状态（SOH）。详细介绍了储能系统削峰填谷的运行模式。比较了容量增量分析（ICA）和概率密度函数（PDF）两种SOH建模方法。结果表明，ICA和PDF等电池SOH建模方法在恒定功率条件下是可用的。PDF方法的SOH估计模型在相同电压范围的基础上具有更高的精度。ICA或PDF曲线中最大峰的高度H与电池SOH呈线性正相关，但ICA的SOH模型比PDF更准确。根据 SOH 评估，如果将一些SOH较低的电池或模块替换为 SOH 较高的电池或模块，系统的储能将显着提高。在电池SOH未知的情况下，可以根据实际充电电压数据，通过ICA或PDF曲线对H值进行分级，估算电池的相对老化程度，有助于储能系统的运行和维护。

【关键词】磷酸铁锂电池；健康状况估计；退役电池；储能系统；峰值负载转移

【推荐理由】该论文根据实际运行过程中的充电电压数据，估算了由公交车退役电池组成的20kW/100kWh储能系统中的电池SOH。比较了ICA和PDF两种SOH建模方法。得出恒流条件下的ICA和PDF两种电池SOH建模方法均适用于恒功率条件下的结论。ICA或PDF曲线的最大峰高H与电池SOH呈线性正相关，但ICA方法的模型精度高于PDF方法。无论是电芯还是模组，电池储能系统中退役电池的SOH差异都很大。根据SOH评估，如果更换一些SOH较低的电池或组件，电池储能系统的储能将显着提高。在电池SOH未知的情况下，根据实际充电电压数据，通过ICA或PDF曲线上的H值分级，可以得到电池的相对老化程度。这可以为电池储能系统的运维提供清晰的指导。

【关键插图】

图1：(a) 20kW/100 kWh锂离子电池储能系统拓扑图；(b) 功率和电流曲线；(c) 充电时电压阈值示意图。

图2：(a) 在整个充电电压范围内的 HPD-SOH模型；(b) 在整个充电电压范围内的PD'曲线；(c) 在3.20V–3.40V电压范围内的HPD'-SOH 模型；(d) 在3.20V–3.40V电压范围内的PD'曲线。

论文四：基于日充电数据的锂电池可用容量在线估算研究

【分类】基于片段数据的可用容量估计

【题目】Research on online estimation of available capacity of lithium batteries based on daily charging data

【作者】Di Zhou , Wenbin Zheng , Ping Fu , Xianlin Pan

【单位】School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China

【下载地址】https://doi.org/10.1016/j.jpowsour.2020.227713

【摘要】锂电池的可用容量反映了它在一定约束条件下的实际容量。它是电动汽车能源管理系统的重要决定因素。在线估计允许构建一个以易于测量的变量作为输入的数学模型，以估计在复杂环境中难以测量的主要变量。目前的研究将另一个电池的训练模型应用于当前的测试电池。由于电池之间的差异，同一型号无法准确描述同类型电池的化学过程。为解决模型适应性问题，在假设电池电量不发生突变的情况下，基于被估计电池的满充电曲线和日充电电压、电流和时间数据，提出了一种迭代EKF-GPR方法，该方法是建立一个模型来估算锂电池的当前可用充电容量。将宏观时间机器学习转化为微观时间尺度上单条充电曲线的预测和估计，从而保证任意批次电池可用容量估计模型的准确性。

【关键词】可用容量；在线估算；每日充电数据

【推荐理由】提为解决锂电池之间存在差异的问题，根据单次充电曲线分析中容量增量法确定的曲线平台的特点，利用分段充电数据确定锂电池的可用充电容量是可行的。该论文通过分析电池充电电压曲线的特点，利用微观时间尺度上的单次充放电数据，考虑到日常使用中充电条件相对固定，普通锂电池的充电电压曲线不会发生突变，提出了一种基于迭代的可用容量估算方法EKF-GPR算法。该方法利用锂电池满充过程的电压曲线，获得锂电池整个生命周期的迭代特性曲线模型，并准确描述锂离子电池的电流特性。不同生产批次的锂电池容量估算全生命周期误差不超过5%，整体精度比容量增量法好2~3倍。

【关键插图】

图1：使用碎片充电数据估计锂电池容量的方法框图。

图2:电压曲线估计结果。

论文五：高温循环下锂离子电池老化的阻抗表征：电解质相扩散的重要性

【分类】电化学阻抗谱老化

【题目】Impedance characterization of lithium-ion batteries aging under high- temperature cycling: Importance of electrolyte-phase diffusion

【作者】Xing Zhou, Jun Huang, Zhengqiang Pan, Minggao Ouyang

【单位】Department of Automotive Engineering, State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing, PR China

【下载地址】https://doi.org/10.1016/j.jpowsour.2019.04.040

【摘要】锂离子电池在老化过程中会经历阻抗升高，且动力衰减的过程。目前对阻抗增加的理解仍然是定性的，多重贡献的量化成为一个挑战。为了填补这一空白，我们结合弛豫时间分布法和基于物理的建模来分析锂离子电池在45℃下循环老化的电化学阻抗谱。我们发现经常被忽视的低频扩散是阻抗增加的最大唯一来源。此外，由于先进的基于物理的阻抗模型，我们区分了电解质扩散和固相扩散，确定了前者优于后者。这种理解提供了提高电池寿命的新见解，所开发的方法对其它类别的电池化学物质具有灵活性。

【关键词】锂离子电池；动力衰减；阻抗建模；弛豫时间分布；电解质相扩散

【推荐理由】本文结合电化学阻抗谱对电池老化过程进行分析，应用弛豫时间分布法及基于物理的模型，发现低频扩散是老化过程中阻抗增加的最大唯一来源，这为电池寿命提高提供了新见解，对不同类别电池的应用具有灵活性。

【关键插图】

图1：老化电池的极化增加分析（A）25℃下50% SOC的DRT分析结果，（B）和（C）为三个老化电池的极化内阻比较。

图2：应用物理模型对阻抗谱数据进行分析，（A）2kHz~2mH测量EIS数据与仿真EIS数据的比较（B）模型拟合的相对误差，（C）和（D）电解质和固相中扩散系数的演变。

论文六：数据驱动的电动汽车电池的故障预测

【分类】数据驱动的电池故障诊断

【题目】Data-driven prediction of battery failure for electric vehicles

【作者】Jingyuan Zhao, Heping Ling, Jubin Wang, et al.

【单位】BYD Automotive Engineering Research Institute, Shenzhen, China

【下载地址】https://doi.org/10.1016/j.isci.2022.104172

【摘要】尽管在电池安全建模方面取得了很大进展，但准确预测多物理场系统的演变极具挑战性。如何确保数十亿个汽车电池在其生命周期内的安全性的问题仍未得到解答。在这项研究中，我们通过基于上传到云端的记录数据开发机器学习技术来克服挑战。使用尚未表现出电池故障症状的早期循环的充电电压和温度曲线，我们应用数据驱动模型，基于对多尺度系统的观察、经验、物理和统计理解，根据健康状况对样本数据进行预测和分类。集成良好的机器学习模型实现了 96.3% 的验证分类准确率（与初始模型相比增加了20.4%）和7.7%的平均误分类测试误差。我们的研究结果强调了对基于云的人工智能技术的需求，该技术旨在稳健、准确地预测实际应用中的电池故障。

【关键词】计算材料科学；电化学储能；电化学

【推荐理由】本文使用数据驱动模型，基提出了一种基于云的闭环故障诊断方案。所提出方案使用了演化迅速且具有鲁棒性的机器学习模型，对车内电池的一致性和安全性进行了预测和分类。该模型有助于更好地了解车辆应用中的电池故障，保证汽车在真实工况下的安全运行。

【关键插图】

图1：基于云的数据生成闭环方法示意图。

图2：电池故障预测中安全包络发展的回归模型，彩色区域和灰色区域分别代表不安全和安全范围。（A）三维空间中显示的回归分析。（B）每个二维平面中显示的回归分析。

论文七：基于时间尺度识别的锂电池中复杂的动力学过程解耦

【分类】电池内部动力学过程辨识

【题目】The timescale identification decoupling complicated kinetic processes in lithium batteries

【作者】Yang Lu, Chen-Zi Zhao, Jia-Qi Huang, Qiang Zhang

【单位】Beijing Key Laboratory of Green Chemical Reaction Engineering and Technology, Department of Chemical Engineering, Tsinghua University, Beijing, China

【下载地址】https://doi.org/10.1016/j.joule.2022.05.005

【摘要】全面了解电池中多锂离子的动力学特性，对于突破机理研究和材料设计的局限至关重要。具有特定弛豫特征的各种动力学过程可以在时间尺度上清晰地识别出来。提取和分析电池中的时间尺度信息将为研究离子传导、电荷转移、扩散、界面演化和其他未知动力学过程提供深入的见解。在这方面，时间尺度识别与长时间尺度上的无损阻抗表征相结合是电池在线监测的重要方法。从电池的基本时间尺度特性出发，运用驰豫时间分布(DRT)进行时间尺度表征，并在电池诊断中取得成功应用。未来，时间尺度表征将成为各种电池系统数据提取和数据集构建的有力工具，可实现数据驱动的机器学习建模，用于退役电池快速分拣和电池状态估计等实际应用场景。

【关键词】锂离子电池；动力学；弛豫时间；时间尺度识别

【推荐理由】本文对锂离子电池不同动力学过程的时间尺度信号进行深度分析与全面地解读。介绍了如何利用弛豫时间分布辨识电池不同时间尺度的动力学行为，进而对电池进行电化学建模。弛豫时间分布技术能够为电池状态估计、寿命预测、分类、材料革新提供新的数据支撑。论文代码已共享。

【关键插图】

图1：基于弛豫时间分布的电池系统时间尺度识别流程图。

图2：不同电池内典型动力学过程和相应的时间常数。A 电池典型动力学过程， B 不同动力学过程的时间常数。

图3：基于DRT的电池建模能够为人工智能技术提供数据来源。

论文八：基于降阶电化学单粒子模型的锂离子电池正负极电位观测器

【分类】电池正负极电位观测

【题目】Lithium-ion battery cathode and anode potential observer based on reduced-order electrochemical single particle model

【作者】Liuying Li , Yaxing Ren , Kieran O'Regan

【单位】WMG, University of Warwick, Coventry, UK

【下载地址】https://doi.org/10.1016/j.est.2021.103324

【摘要】在锂离子电池的快速充电过程中，由于负极电位过低会加速析锂的副反应。因此在电池充电期间监测负极电位很重要，但直接测量商用电池的负极电位是不切实际的。本文提出了一种基于降阶电化学模型估算负极和正极电位的观测器，它只需要端电压来跟踪负极和正极电位及其内部电荷浓度。利用带电解质 (SPMe) 的单粒子模型的降阶与线性化模型来设计观测器，以较低的计算成本实现可接受的精度。三电极电池的实验结果验证了线性化模型和设计的观测器的有效性。结果表明，与使用相同处理器计算的全阶 SPMe 模型相比，线性化模型减少了 99% 以上的运算时间。结果还验证了观测器估计的负极和正极电位在充电电流范围为 0.3C 至 1C时，均方根误差小于 0.02 V。这表明基于降阶电化学模型开发的负极和正极电位观测器可用于实时控制应用中，实时监测负极电位，避免因析锂导致电池老化。

【关键词】锂离子电池；电化学模型；降阶模型；正负极电位估计

【推荐理由】本文利用观测器线性化降阶SPMe模型，并使用最常用的测量信号，即施加的电流和端电压，来估计负极和正极电位。结果表明，线性化模型将复杂度和计算量降低了全阶模型的99%以上。负极电位和正极电位的估计均方根误差在充电时小于0.02 V，在放电时小于0.08 V。

【关键插图】

图1：CCCV充电过程与CC放电过程中利用FOM（350阶全阶模型）、ROM（16阶降阶模型）和LM（线性化模型）计算出的负极电位与正极电位的均方根误差。结果表明，FOM在小倍率充放电中精度高，当FOM以高于2C的倍率放电时，估计误差增加到接近0.1V，原因可能是FOM中的模型阶数。在大多数倍率下，ROM方法的性能比FOM差。在大多数情况下，LM模型的性能与ROM相似，这验证了线性化方法的有效性。FOM的模拟时间比LM长105倍，比ROM长50倍。因此，LM是用于实时充电/放电控制的观测器设计的最合适模型。

图2：NEDC工况下PAT电池（三电极电池）的观测器估计结果。（a）外加负载电流；（b）端电压；（c）正极电位；（d）负极电位。结果表明，该观测器能较好地估计负极和正极电位，并跟踪实验中的测量数据。然而，当端电压接近下截止电压时，估计的负极电位迅速增加，这导致负极电位的估计误差增加。同时，正极电位能很好地跟踪其实际值，在整个工作区域内的估计误差较小。整个区域内估计正极和负极电位的RMSE值分别为0.0259 V和0.0375 V。

论文九：热环境对锂离子电池快充的影响

【分类】电池快充热管理

【题目】Effect of thermal environments on fast charging Li-ion batteries

【作者】Teng Liu, Shanhai Ge, Xiao-GuangYang, Chao-YangWang

【单位】Electrochemical Engine Center (ECEC) and Department of Mechanical Engineering, The Pennsylvania State University, University Park, PA, USA

【下载地址】https://doi.org/10.1016/j.jpowsour.2021.230466

【摘要】电池热管理系统（BTMS）有望将电池温度保持在中等水平（~30℃），以最大限度地减少热退化。然而，在快速充电过程中，需要强大的冷却系统来限制锂离子电池的温升，这会显着增加电池组的成本和重量，并导致电池内部温度变化较大。在这项工作中，我们发现所有这些缺点都可以通过允许锂离子电池在更高温度下充电来缓解。由于锂离子电池的快速充电只需要其寿命的一小部分，因此即使在60℃的充电温度下，老化速度也受到限制。三种热环境建议：30℃恒温，60℃预热，绝热快充。通过实验验证的电化学-热(ECT)耦合模型，我们探索了热管理与快速充电性能之间的相互作用。发现逐渐升高的温度曲线是平衡析锂和电池热管理的最佳选择。将绝热快速充电与预热步骤相结合，我们可以同时实现最小的冷却需求、电池内完美的温度均匀性和快速充电能力。

【关键词】锂离子电池；快速充电；热管理；析锂；数值建模

【推荐理由】本文探讨了热环境对锂离子电池充电性能的影响，利用电化学热耦合模型仿真30℃恒温、60℃预热和绝热条件下快充，得到不同热环境下，充电倍率、SOC与析锂的关系，发现逐渐升高的温度曲线是平衡析锂和电池热管理的最佳选择，提出将绝热快速充电与预热步骤相结合，同时实现最小的冷却需求、电池内完美的温度均匀性和快速充电能力。

【关键插图】

图1：快速充电能力图 (a, b)在绝热条件下，电池初始SOC为0%和40% (c, d)当电池保持在30℃时，电池初始SOC为0%和40% (e, f)将电池预热至60℃后，电池初始SOC为0%和40%。

图2：预热后绝热快充。(a, b)从0%到40%SOC充电时的预热温度 (c, d)初始SOC为0%和40%的温度曲线 (e, f)初始SOC为0%和40%的充电过程中产生的热量分数。

论文十：基于动态规划算法和电化学-热-容量衰减耦合模型的锂离子电池快速充电优化

【分类】电池快充优化

【题目】Fast charging optimization for lithium-ion batteries based on dynamic programming algorithm and electrochemical-thermal-capacity fade coupled model

【作者】Meng Xu, Rui Wang, Peng Zhao, Xia Wang.

【单位】Department of Mechanical Engineering, Oakland University, Rochester, USA.

【下载地址】https://doi.org/10.1016/j.jpowsour.2019.227015

【摘要】锂离子电池的快速充电会加速电动汽车(EV)的商业化应用。然而，快速充电可能会导致容量衰减、析锂和热失控。本文为锂离子电池开发了一种优化的多阶段充电策略，以最大限度地减少由于固体电解质相间(SEI)增加而导致的容量衰减，最大限度地提高SEI电位以减少析锂，并减少温升避免热失控。建立了电化学-热-容量衰减耦合模型来监测电池的内部状态。采用动态规划(DP)算法来搜索次优的充电电流曲线。优化结果表明，优化的充电电流曲线随着充电状态(SOC)和循环数的变化而变化。与恒流充电策略相比，在3300次充放电循环后，每个优化的充电策略可以将容量衰减率降低4.6%，将SEI电位提高57%，并将温升降低16.3%。

【关键词】快速充电优化；锂离子电池；动态规划；电化学-热-容量衰减耦合模型；循环寿命；产热

【推荐理由】本文建立了一种考虑产热和老化的电池机理模型，对内部温度、SEI电势等不可测量进行了表征，为内部状态的可视化分析提供了一种思路。结合动态规划优化算法，以最小温升和最大SEI电势为代价函数，优化了充电策略，实验表明，优化后的充电策略能有效延长电池寿命。

【关键插图】

图1：锂离子电池电化学-热-容量衰减模型耦合与动态规划算法优化快充的示意图：(a)电化学模型，(b)热模型，(c)模型耦合，(d)动态规划优化。

图2：(a)2.4C恒流充电和0.5C放电的循环策略，(b)SEI厚度变化和对应的容量衰减。

图3：(a)45℃下代价函数为最小温升的充电策略，(b)45℃下代价函数为最大SEI电位的充电策略，(c)25℃和45℃容量衰减率变化的对比，(d)25℃和45℃SEI电位变化的对比。