论文一：基于深度神经网络仅一个循环实现电池寿命和电压预测

【分类】电池寿命预测

【题目】Deep neural network battery life and voltage prediction by using data of one cycle only

【作者】Chia-Wei Hsu, Rui Xiong, Nan-Yow Chen, Ju Li, Nien-Ti Tsou

【单位】Department of Materials Science and Engineering, National Yang Ming Chiao Tung University, Taiwan

【下载地址】https://doi.org/10.1016/j.apenergy.2021.118134

【摘要】由于制造工艺、充电策略、温度、放电条件等方面的差异，可充电电池的老化差异显著，如磷酸铁锂/石墨电池。如果我们能够仅基于几个测试周期的数据预测电池的健康状态和剩余使用寿命，就可以创造巨大的经济和环境价值。本文开发具有特殊卷积训练策略的新架构的深度神经网络，并在最近发布的电池循环数据集进行验证。结果表明，仅使用一个循环测试，就可以预测电池的剩余寿命，其平均绝对百分比误差为6.46%。对于服役状况未知的废旧电池，也可以准确地预测出任意给定周期的放电电压、容量和功率等曲线。此外，所提模型可以从数据中提取的特征，这些特征比人为选择的特征对预测的属性有更大的影响。这项工作表明，单循环数据包含了足够的信息，可以高精度地预测电池的基本性能。可以更好地规划电池的再使用和回收，减少锂离子电池被填埋，因此有望带来巨大的经济效益和环境效益。

【关键词】深度神经网络；磷酸铁锂/石墨电池；截止寿命；剩余寿命；数据驱动特征

【推荐理由】本文建立了一个典型的多输入多输出型神经网络，模型以若干循环的容量、电压、电流、温度序列数据以及人工提取特征作为输入，预测寿命终点与终点处的电池特性，其建模与训练方法十分值得借鉴。所提方法实现了仅利用任意1个循环的充放电数据，预测电池剩余寿命，平均相对预测误差为6.46%。该方法能够适应不同的充放电策略，且无需电池的服役历史信息，在基于大数据的电池寿命预测领域具备较大的应用潜力。

【关键插图】

图1：深度神经网络框架。立方体代表张量形式的数据，圆角矩形代表神经网络。输入包括电流、电压、容量、温度等序列数据以及手动提供的特征。

图2：(a)(b)基于第一个周期的放电和Full DNN的截止寿命（EOL）真实值与预测值(s=0, a = 1)对比，在Severson等人的数据中MAPE<7.78%。(c)(d)两个DNN在衰退最快和最慢的电池上的V(Q)预测曲线。(e)使用Full DNN预测34个具有不同充电策略电池（Attia et al.[12]）的截止寿命。(f)同样从(e)中选出2支电池进行V（Q）曲线预测。

论文二：考虑电热效应和能量转换效率的锂离子电池剩余可用能量预测

【分类】电池剩余可用能量预测

【题目】Remaining available energy prediction for lithium-ion batteries considering electrothermal effect and energy conversion efficiency

【作者】Yongji Chen, Xiaolong Yang, Dong Luo, Rui Wen

【单位】State Key Laboratory of Advanced Design and Manufacture for Vehicle Body, Hunan University, Changsha, Hunan 410082, China

【下载地址】https://doi.org/10.1016/j.est.2021.102728

【摘要】锂离子电池剩余可用能量(E_RAE)的准确预测仍然是电动汽车面临的一个挑战，对剩余行驶里程的预测至关重要。提出了一种考虑电热效应和能量转换效率的蓄电池E_RAE预测方法。首先，基于热力学第一定律，提出了反映电池剩余化学能(E_RCE)状态的电池能量状态(state -of- energy, SOE)的新定义。其次，针对电池的强非线性特性，采用自适应平方根无迹卡尔曼滤波器对电池模型参数和SOE进行精确估计;最后，为了从E_RCE中提取E_RAE，研究了电池的能量转换效率(ECE)。由于电池SOE和ECE的预测都依赖于未来负荷，因此建立了马尔可夫模型来实现未来负荷预测。为了验证该方法的有效性，对两种不同类型的锂离子电池进行了动态测试。结果表明，该方法具有较高的精度和较好的鲁棒性。即使初始SOE误差为20%，预测的电池SOE也能在1 min内快速收敛到实际值。在动态条件下，电池SOE和E_RAE的估计误差均可控制在2%以内。

【关键词】锂离子电池；能量状态；剩余可用能量；未来负荷预测；能量转换效率图

【推荐理由】剩余可用能量是能量管理和剩余行驶里程预测的关键先验信息，也是电动汽车待解决的问题。该论文提出并验证了一种有效、可靠的电池剩余可用能量预测方法。根据热力学第一定律和电池的能量特性，提出了一种新的电池能量状态定义。然后通过自适应平方根无迹卡尔曼滤波器建立能量状态估计器。利用马尔可夫模型对车辆行驶周期的统计特征进行预测，得到未来的电池放电曲线。通过对放电能量特性和实验数据的分析，建立了能量转换效率图。然后，根据SOE和能量转换效率图预测剩余可用能量。

【关键插图】

图1：RAE估计算法流程图。

图2：(a-b)预测的UDDS循环，(b) NEDC循环。(c-d)预测的当前概况，其中(c) UDDS周期，(d) NEDC周期。

论文三：可充电锂离子电池的荷电状态和缺陷的原位内外磁共振成像检测

【分类】电磁无损检测

【题目】Rechargeable lithium-ion cell state of charge and defect detection by in-situ inside-out magnetic resonance imaging

【作者】Andrew J. Ilott, Mohaddese Mohammadi, et al.

【单位】Department of Chemistry, New York University, 100 Washington Square East, New York, USA.

【下载地址】http://dx.doi.org/10.1038/s41467-018-04192-x

【摘要】可充电电池何时以及为何会失去容量或损坏？这是非常难以回答的问题； 然而，它是电子、电动汽车和电力存储领域进步的核心。当前对于检测的困难在于，如果不拆开电池进行破坏性分析，那么可以从电池中所获取的信息是有限的。在这篇文章中，我们证明了对电池内微小感应磁场变化的测量可用于评估锂离子嵌入电极材料的水平，并诊断可能因组装而产生的某些电池缺陷。这种方法测量速度很快，可以在已完成和未完成的电池上进行，最重要的是，可以使用符合商业设计要求且具有导电外壳的电池无损地进行测量。

【推荐理由】本文通过使用磁共振电磁无损检测的方法，将电池内部状态以及故障与电池周围所产生的磁场相联系，并且找到了他们之间所存在的相关性，并且最终结果可以通过PCA算法进行有效的分类。最后文章还提出了通过该方法可以对电池不一致性进行精度很高的检测，对电池成组后的容量以及性能可以提供良好的保障。

【关键插图】

图1：样品放置装置以及成像区域。

图2：装置所测得磁场图与荷电状态的关系。

图3：人为添加故障后磁场图的变化。

论文四：使用增量容量和人工神经网络同步估计锂离子电池的健康状态和剩余使用寿命

【分类】电池SOH估计

【题目】Synchronous estimation of state of health and remaining useful lifetime for lithium-ion battery using the incremental capacity and artificial neural networks

【作者】Shuzhi Zhang, Baoyu Zhai, et al.

【单位】MOE Key Laboratory of Thermo-Fluid Science and Engineering (Xi'an Jiaotong University), Xi'an, Shaanxi Province, China

【下载地址】https://doi.org/10.1016/j.est.2019.100951

【摘要】健康状态（SOH）和剩余使用寿命（RUL）估计是电池健康预测的重要参数，因为它们反映了电池的健康状况，并为更换电池提供了依据。本研究提出了一种基于局部增量容量和人工神经网络(ANN)融合的在线综合方法来估计恒流放电下的SOH和RUL。首先，应用先进的滤波方法来平滑初始增量容量曲线。然后利用相关分析方法从偏增量曲线中提取强相关特征值。最后，建立了两个以估计SOH和RUL为目标的ANN模型，以同时估计SOH和RUL。训练和验证结果表明，该方法对SOH和RUL估计具有较高的可靠性和准确性。

【关键词】锂离子电池；健康状态；剩余可用寿命；增量容量曲线；相关性分析；人工神经网络

【推荐理由】本文提出了一种基于局部增量容量和人工神经网络(ANN)融合的在线综合方法来估计恒流放电下的SOH和RUL的方法。先使用了先进的滤波方法平滑了原始的IC曲线，之后从部分IC曲线中提取出了电池健康状态。本文还提出了用相关分析法提取人工神经网络模型输入数据的方法。

【关键插图】

图1：电池老化实验过程及容量衰减曲线：(a)一次老化循环的电压和电流变化；(b)容量衰减曲线。

图2：两个ANN模型的训练过程。(a)500epoch期间SOH估计的MRER曲线；(b) 50,000 epoch期间SOH估计的MRER曲线；(c) 500 epoch期间RUL估计的MAE曲线；(d) 50,000 epoch期间RUL估计的MAE曲线。

图3：以估计SOH和RUL为目标的ANN模型的验证结果。(a)(b) 5#电池的SOH/RUL估计结果；(c)(d) 6#电池的SOH/RUL估计结果；(e)(f) 7#电池的SOH/RUL估计结果；(g)(h) 18#电池的SOH/RUL估计结果。

论文五：一种应用在无线充电系统中的空心混合线圈设计

【分类】电池无线充电

【题目】A coreless hybrid coil design for the wireless power charging system

【作者】Zhongxian Wang, Xiaoqiang Chen, Tengfei Ye, Kang Chen

【单位】School of Mechanical & Electrical Engineering, Heilongjiang University, China

【下载地址】http://dx.doi.org/10.1016/j.egyr.2021.01.049

【摘要】在动态磁耦合无线充电系统中，谐振线圈结构的优化设计是实现电能高效传输的关键技术之一。为了提高系统的效率和动态抗偏移能力，本文在具有良好静态特性系统的基础上，提出一种混合线圈结构。基于PP补偿网络的简化电路模型，根据基尔霍夫电压定律推导出最优负载阻抗下系统的效率和输出功率。 根据效率的表达式，对混合线圈的匝数和线圈半径进行优化，给出了特定环境下混合线圈的参数设计方法。为了评价系统的动态性能，给出了综合轴向、径向和角向三种动态特性的定量评价指标。最后通过有限元仿真验证了所设计线圈的可行性。

【关键词】无线充电；混合线圈；定量评估；参数优化

【推荐理由】在磁耦合无线充电系统中，谐振线圈结构的优化设计是保证电能高效传输的关键技术之一，本文提出了一种空心混合线圈结构，并对线圈参数进行优化设计，为新型线圈结构的设计以及系统性能评价提供参考。

【关键插图】

图1：基于PP补偿结构的无线电能传输系统示意图。

图2：混合线圈结构图。

图3：(a) 系统效率、耦合系数和频率之间的关系；(b) 输入功率、耦合系数和频率之间的关系；(c) 输出功率、耦合系数和频率之间的关系。

论文六：车对车无线充电线圈设计

【分类】电池无线充电

【题目】Coil Design for Wireless Vehicle-to-Vehicle Charging Systems

【作者】XiaoLin Mou, Daniel T. Gladwin, et al.

【单位】Department of Electronic and Electrical Engineering, The University of Sheffifield , U.K.

【下载地址】https://doi.org/10.1109/ACCESS.2020.3025787

【摘要】由于电动汽车减少了温室气体排放和对碳氢化合物的依赖，其在全球范围内得到越来越多的应用。电池技术进步缓慢是制约电动汽车发展的主要因素之一。许多客户担心他们的电动汽车可能会在旅途中（尤其是在寒冷的气候下）电量耗尽。本文提出了一种车对车（V2V）充电系统，可与充电插电式电动汽车一起工作，或独立运行。新的车对车充电技术有助于解决因充电站数量有限而导致的问题，并降低电动汽车在旅途中电量耗尽的风险。提出了一种用于无线车对车充电的新型发射器线圈结构，以解决由发送和接收电动汽车之间的角度偏移引起的问题。仿真结果表明，新型发射线圈结构能够产生比基准发射线圈更强的磁场。已经建立了一个用于评估的实验原型。与由相同数量材料构建的基准发射线圈相比，新型发射线圈结构的效率提高10%以上，90%效率的原型线圈证明了这一点。

【关键词】车对车充电；无线充电；角度偏移；功率传输效率

【推荐理由】本文提出了一种车对车充电系统，并设计了一种三角形发射器线圈结构，能够有效地解决车对车无线充电过程中产生的角度错位问题。与基准线圈相比，当产生角度偏移时能够提高发射线圈效率。

【关键插图】

图1：无线V2V充电系统框架。（a）插入式无线 V2V 充电系统，（b）车辆辅助无线V2V充电系统。

图2：无线V2V充电系统的新型线圈结构。

图3 硬件实现结果，（a）新型发射线圈在角偏移为0的情况下谐振电路的实验波形，（b）三种发射器线圈结构器在角度偏移上的实验系统能量转换效率（包括转换器效率）。可以看出单个发射器线圈的能量传输效率是这三种结构中最差的，但其并不随角度偏移而显着变化。与基准线圈相比，新型发射器线圈的效率显着提高，并且对于较大的角度偏移效率提高更加显著。当谐振线圈具有角度偏移时，该新型发射器线圈可提高传输效率。

论文七：LCC补偿网络在电动汽车无线充电系统中的应用

【分类】电池无线充电

【题目】Applying LCC Compensation Network to Dynamic Wireless EV Charging System

【作者】Qingwei Zhu, Lifang Wang, Yanjie Gou, Chenglin Liao, Fang Li

【单位】Key Laboratory of Power Electronics and Electric Drives, Institute of Electrical Engineering, Chinese Academy of Sciences, Beijing, China

【下载地址】https://doi.org/10.1109/TIE.2016.2529561

【摘要】基于无线电力传输(WPT)技术的电动汽车(EV)动态无线充电,不仅促进了电动汽车的普及,同时也应用于一种新型的清洁交通方式,受到越来越多的关注。 在本文中，我们将 LCC 补偿网络引入面向电动汽车动态无线充电应用的 WPT 系统。 首先，总结了作为LCC补偿网络起源的对称T型网络的特点。 然后，从理论上详细阐述了二次侧使用的LCC网络和一次侧使用的LCC网络的参数化设计。 此外，研究了由 LCC 补偿网络和相邻段之间不可避免的相互耦合所产生的相邻效应。 最后，建立了两段式 LCC 补偿动态 EV 充电系统，并通过段内和段间实验对其进行测试。 样机的空间平均输出功率和dc–dc效率分别为2.34 kW和91.3%。 实验结果的高度一致性验证了所提出的分析和参数化设计方法的正确性，以及 LCC 网络在电动汽车动态无线充电应用中的适用性。

【关键词】动态无线充电；电动汽车 (EV)；LCC 补偿网络；邻近效应；无线电力传输 (WPT)

【推荐理由】本文主要研究将LCC补偿网络应用于电动汽车动态无线充电系统。对动态无线充电系统的LCC补偿网络的参数化设计进行了阐述与理论分析，并且研究了在充电过程中相邻段之间不可避免的相互耦合和 LCC 网络的引入引起的相邻效应。可以帮助读者了解LCC补偿网络以及动态无线充电系统的设计。

【关键插图】

图1：配置用于电动汽车动态无线充电的通用无线电力传输系统。

图2：动态电动汽车充电导向WPT样机的照片。

论文八：不同温度和充电行为约束的锂离子电池实时优化快速充电

【分类】电池优化充电

【题目】Real-time optimal fast charging of Li-ion batteries with varying temperature and charging behaviour constraints

【作者】Praveen Nambisan, Pankaj Saha, Munmun Khanra

【单位】Department of Electronics and Instrumentation Engineering, National Institute of Technology Silchar, India

【下载地址】https://doi.org/10.1016/j.est.2021.102918

【摘要】为了扩大电池供电的便携式消费产品的采用并减少对电量耗尽的担忧，制造商和研究人员开发了各种健康感知的快速充电协议。然而，不同的健康意识快速充电算法仅根据初始运行边界条件生成预定义的充电曲线，而没有实时控制。本文使用庞特里亚金最小化原理（PMP）来实现实时最优快速充电协议，以解决在充电时间和欧姆生热之间权衡的最优控制问题。修改cosate跳跃条件的控制概念，并基于大量的离线优化结果，研究实时优化快速充电协议以适应不同的运行约束。还研究了不同边界条件（主要由于充电行为）对充电曲线和其他敏感参数的影响，并与标准CCCV充电算法进行了比较。最后，通过实验比较了典型的最佳快速充电配置文件与标准2C CCCV协议。

【关键词】快速充电；最佳充电；锂离子电池；电-热模型；充电习惯

【推荐理由】本文提出了一种实时可实施的最佳快速充电方案，利用PMP作为实时实现最佳快速充电协议的瞬时最小化技术，以解决在电池充电期间由于消费者的随机充电习惯或活动而导致的各种限制。

【关键插图】

图1：Costate跳转控制：（a）不等式状态约束违反的一般问题 （b）提出实时PMP以适应最终状态约束的变化。（由于高度非线性，跳转条件仅限于与正在考虑的状态相对应的单个Cosate，以分析其对充电性能的影响）。

图2：实时优化快速充电：（a）表面温度 （b）充电电流 （c）SOC。

论文九：锂离子电池电化学-热-老化耦合模型的健康感知多目标优化充电策略

【分类】快速充电与电池建模

【题目】Health-Aware Multiobjective Optimal Charging Strategy With Coupled Electrochemical-Thermal-Aging Model for Lithium-Ion Battery

【作者】Yi-Zhao Gao, Xi Zhang, Bang-Jun Guo.

【单位】Shanghai Jiao Tong University, School of Mechanical Engineering, China

【下载地址】https://doi.org/10.1109/TII.2019.2935326

【摘要】面向电池应用的便利，电池快速充电策略得到了越来越多的关注，但是这种方法会加速电池老化甚至会损坏电池。为了优化包括安全、寿命和充电时间在内的这些相互矛盾的目标，本文提出了一种新型的健康感知多目标优化充电策略，以同时缩短充电时间并延缓电池老化。基于电化学-热-老化耦合电池模型制定了多目标优化充电问题。对于具有明确物理意义的状态变量施加约束以避免危险操作。很好地权衡了电池持续充电时间和老化过程。通过使用不同的电流范围，研究了受副反应和温度限制的最短时间和健康感知快速充电策略。实验结果验证了所提出的多目标健康感知优化充电算法能在不牺牲电池健康状态的前提下最大程度上减少充电时间。

【关键词】电池老化；电化学-热-老化模型；健康感知优化充电；锂离子电池；析锂；多目标；SEI生长；温升

【推荐理由】这是一篇基于电化学-热-老化耦合模型，来研究电池快速充电策略的文献。文中系统地提出了一种优化设计健康感知快速安全充电策略的方法。通过面向控制的电化学模型与老化和热动力学模型相结合，制定了多目标优化控制问题，通过该模型可以量化电池快充与老化相关的约束。此外，文献中还将优化后的快充策略与传统的CCCV充电协议对比，证明了健康感知优化充电策略的有效性。

【关键插图】

图1：300次老化循环后，负极横截面的SEM图像：（右图）3C-CCCV充电策略，（左图）放大图像。

图2：不同充电策略的比较，（a）充电时间，（b）容量损失。Mini.：最小充电时间的优化策略。Heal.：健康感知优化策略。

图3：300次循环后，负极颗粒表面的SEM图像，（左图）健康感知充电策略，（中间）CCCV充电策略，（右图）最小时间充电策略。

论文十：使用真实车辆数据对电池组进行基于数据驱动的故障诊断和热失控预警

【分类】电池故障预警

【题目】Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data

【作者】Lulu Jiang, Zhongwei Deng, Xiaolin Tang

【单位】College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing, China

【下载地址】https://doi.org/10.1016/j.energy.2021.121266

【摘要】电池故障诊断是保证电动汽车安全可靠运行的关键。电池故障的早期检测可以减少电池事故和财产损失。然而，电池热失控的早期预警仍然是一项具有挑战性的任务。本文提出了一种基于数据驱动状态表示法的锂离子电池组故障诊断和热失控预警方法。标准化电池电压用于准确识别电池早期故障，该方法通过计算每个电池单元的实时状态来表征电池单元的内部特征，并记录状态变化来实现电池故障诊断。将故障检测时间与实际车辆的报警时间进行比较，验证了该方法的有效性。通过四辆不同规格电动汽车的实际运行数据验证了该方法的可行性、鲁棒性和可靠性。结果表明，该方法不仅可以实现故障单元的准确识别和电压故障类型的确定，而且可以实现故障的早期检测和热失控的早期预警。

【关键词】数据驱动；故障诊断；热失控；真实车辆数据

【推荐理由】本文介绍了一种基于数据驱动状态表示法的锂离子电池组故障诊断和热失控预警方法。完全利用电池的电压数据参与模型计算，可以识别电池的欠压与过压故障。该方法得到的故障预警时间早于实际车辆的BMS报警时间。

【关键插图】

图1：潜在故障车辆的电池电压曲线。（a）1号车辆的电池原始电压曲线。（b） 1号车辆的电池标准化电压曲线。（c）2号车的电池原始电压曲线。（d）2号车电池标准化电压曲线。从所有电池原始电压曲线中无法清晰识别较小的压降，因此潜在的故障风险可能被忽略，标准化电压可以放大正常与异常电池之间的细微差异。

图2：不同TW（时间窗）长度下1、2号车故障诊断结果。随着TW长度的增加，故障检测时间延长。对于1号车辆，除TW长度等于60的情况外，在其他TW下，故障检测时间早于BMS报警时间。而对于2号车辆，在所有TW下，故障检测时间早于相应的BMS报警时间。