When lithium-ion batteries age with cycling, the battery capacity decreases and the resistance increases. The aging mechanism of different types of lithium-ion batteries differs. The loss of lithium inventory, loss of active material, and the increase in resistance may result in battery aging. Generally, analysis of the battery aging mechanism requires dismantling of batteries and using methods such as X-ray diffraction and scanning electron microscopy. These methods may permanently damage the battery. Therefore, the methods are inappropriate for the battery management system (BMS) in an electric vehicle. The constant current charging curves while charging the battery could be used to get the incremental capacity and differential voltage curves for identifying the aging mechanism; the battery state-of-health can then be estimated. This method can be potentially used in the BMS for online diagnostic and prognostic services. The genetic algorithm could be used to quantitatively analyze the battery aging offline. And the membership function could be used for onboard aging mechanism identification.

Sate of charge (SOC) estimation is generally acknowledged as one of the most important functions in battery management system for lithium-ion batteries in new energy vehicles. Though every effort is made for various online SOC estimation methods to reliably increase the estimation accuracy as much as possible within the limited on-chip resources, little literature discusses the error sources for those SOC estimation methods. This paper firstly reviews the commonly studied SOC estimation methods from a conventional classification. A novel perspective focusing on the error analysis of the SOC estimation methods is proposed. SOC estimation methods are analyzed from the views of the measured values, models, algorithms and state parameters. Subsequently, the error flow charts are proposed to analyze the error sources from the signal measurement to the models and algorithms for the widely used online SOC estimation methods in new energy vehicles. Finally, with the consideration of the working conditions, choosing more reliable and applicable SOC estimation methods is discussed, and the future development of the promising online SOC estimation methods is suggested.

An appropriate model is a prerequisite for accurate state-of-charge (SOC) estimation. The widely used equivalent circuit models (ECMs) employ a variety of forms; thus, to find the optimum ECM is a primary task for SOC estimation. In this work, we examined eleven ECMs to fulfill the following goals: (1) to compare the typical ECMs for accuracy, stability, and robustness of model and SOC estimation; (2) to compare and evaluate the robustness of the ECMs considering model and sensor errors. The results indicate that the model accuracy does not always improve by increasing the order of the RC network. Conversely, over-fitting problems appear with a certain probability. The first- and second-order RC models are the best choice owing to their balance of accuracy and reliability for LiNMC batteries. The higher-order RC model has better robustness considering the variation in model parameters and sensor errors. Independently of the ECM adopted, an accurate OCV-SOC curve and high precision sensors are essential.

Micro-short-circuit (MSC) is a latent risk in power batteries, which may give rise to thermal runaway and even catastrophic safety hazards. The motivation of this paper is to quantitatively analyze MSC in an initial stage, particularly for lithium-ion batteries. To verify the feasibility of the proposed method, an equivalent MSC experiment is carried out. Based on a cell difference model, the cell state of charge (SOC) differences with the mean SOC for a battery pack are estimated by extended Kalman filter. The evaluated SOC difference can track the actual value well. Furthermore, an MSC diagnostic method is developed by employing recursive least squares filter. The method is demonstrated to examine the short-circuit resistance accurately. The results also show that the proposed method requires low computational load for the SOC difference and short-circuit resistance diagnosis.

The overall performance of lithium-ion battery is determined by the innovation of material and structure of the battery, while it is significantly dependent on the progress of the electrode manufacturing process and relevant equipment and technology. Battery manufacturers have been generally employing the exhaustive method for the trials of the electrode process development that pertains to different systems, and the process simulation technology still has a large space for development. To comply with the development trend of high-quality battery manufacturing and digital intelligent upgrading industry, the existing research status of process simulation for electrode manufacturing is systematically summarized in this paper from the perspectives of macro battery manufacturing equipment and micro battery electrode structure. Moreover, the mechanism research, structural development, and application prospect of the respective process simulation technology are analyzed. The limitations of existing research and future development trends are further highlighted to provide theoretical reference for optimizing the manufacturing process and enhancing the comprehensive performance of lithium-ion batteries.