为迅速且高效地评估变电站后备电源电池的健康状态(state of health,SOH),解决缺乏实际运行数据导致数据驱动方法估计准确度低的问题,提出了一种结合电化学特征和高斯回归(Gaussian process regression,GPR)的变电站电池SOH估计方法。...为迅速且高效地评估变电站后备电源电池的健康状态(state of health,SOH),解决缺乏实际运行数据导致数据驱动方法估计准确度低的问题,提出了一种结合电化学特征和高斯回归(Gaussian process regression,GPR)的变电站电池SOH估计方法。传统研究采用单一老化实验获得的特征参数难以准确反映变电站后备电源铅酸电池实际老化状况。从电池电化学本质出发,设计浮充和循环老化实验,采集了不同老化机制下的电化学阻抗(electrochemical impedance spectroscopy,EIS)数据。随后,分别利用皮尔逊相关性分析和灰色关联度分析提取具有高度代表性的电化学特征参数,结合两种实验老化特征更加接近电池实际老化特征,有效提升了训练数据的质量和效率,减少了所需训练数据的规模。最后,采用这些提取的特征参数训练GPR模型,以实现实际变电站电池SOH准确估计。结果表明,方法的估计随机变电站获取的电池SOH的绝对误差(absolute error,AE)<0.08,平均绝对误差(mean absolute error,MAE)为0.0330,均方根误差(root mean squared error,RMSE)为0.0386,方法无需采集实际数据,仅利用少量实验数据即可有效估计变电站电池SOH。展开更多
文摘为迅速且高效地评估变电站后备电源电池的健康状态(state of health,SOH),解决缺乏实际运行数据导致数据驱动方法估计准确度低的问题,提出了一种结合电化学特征和高斯回归(Gaussian process regression,GPR)的变电站电池SOH估计方法。传统研究采用单一老化实验获得的特征参数难以准确反映变电站后备电源铅酸电池实际老化状况。从电池电化学本质出发,设计浮充和循环老化实验,采集了不同老化机制下的电化学阻抗(electrochemical impedance spectroscopy,EIS)数据。随后,分别利用皮尔逊相关性分析和灰色关联度分析提取具有高度代表性的电化学特征参数,结合两种实验老化特征更加接近电池实际老化特征,有效提升了训练数据的质量和效率,减少了所需训练数据的规模。最后,采用这些提取的特征参数训练GPR模型,以实现实际变电站电池SOH准确估计。结果表明,方法的估计随机变电站获取的电池SOH的绝对误差(absolute error,AE)<0.08,平均绝对误差(mean absolute error,MAE)为0.0330,均方根误差(root mean squared error,RMSE)为0.0386,方法无需采集实际数据,仅利用少量实验数据即可有效估计变电站电池SOH。
