基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。

面向全生命周期的锂电池健康状态估计

为研究锂电池在动态工况下以及全生命周期内健康状态的准确估计问题,提出一种基于固定充电电压片段的方法.选取充电过程中某固定电压片段内所充电量作为电池容量估算的等效健康因子,利用遗传算法选择最优的充电电压片段,在两类锂电池老化实验数据的基础上,设计放电电流不同、健康状态区间不同的8个验证算例.实验结果表明:8个验证算例中,训练集电池和测试集电池健康状态估计的平均绝对误差与均方根误差均低于1.55%;所提出的基于等效健康因子的方法,在100%~60%的全寿命健康状态区间,对于不同的放电电流、不同材料的电池,均能进行健康状态的准确在线估计,具有较强的适用性.

磷酸铁锂电池优化多因子状态在线评估方法

针对目前锂离子电池在线估计方法不准确的问题,提出了一种基于优化充电电压片段下多个健康因子的磷酸铁锂电池健康状态综合在线评估方法,将充电电压片段内所充电量估计的电池容量与实际电池容量的误差最小作为目标,利用遗传算法寻优充电电压片段。在此基础上,分别对表征电池健康状态的充入电量、充电时间以及内部阻抗三个健康因子进行在线评估,归一化处理得到各健康因子对应的健康状态,再通过最小序列优化法实时获取电池综合健康状态。最后对磷酸铁锂电池进行老化充放电实验,对比仅采用电池内阻单因子评估方法,结果表明该方法能有效减小充电过程中电池健康状态估计误差,且适用性更强。