针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法。该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后...针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法。该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysis,PCA)进行主要特征的SOH回归建模。实验结果表明:利用基于电压偏移序列对电池SOH进行预测,在不同初始SOC下的最大误差仅为1.10%,并进一步验证其在初始SOC误差±5%下的鲁棒性,电池SOH估算最大误差仍能保持在4%以内。该方法能够采用少量历史数据进行快速地估算,可用于车载和充电桩平台,对提高系统计算效率和降低成本具有重要意义。展开更多
文摘针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法。该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysis,PCA)进行主要特征的SOH回归建模。实验结果表明:利用基于电压偏移序列对电池SOH进行预测,在不同初始SOC下的最大误差仅为1.10%,并进一步验证其在初始SOC误差±5%下的鲁棒性,电池SOH估算最大误差仍能保持在4%以内。该方法能够采用少量历史数据进行快速地估算,可用于车载和充电桩平台,对提高系统计算效率和降低成本具有重要意义。