准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电...准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电数据与堆叠模型的锂离子电池SOH估计方法。通过分析不同循环周期下恒压充电阶段电流数据,揭示其变化规律,并提出了以恒压充电阶段的充电时间、电流信息熵、电流曲线偏度和最大曲率构建健康特征组合。为了提高SOH估计模型的泛化能力,根据健康特征组合设计了包含4种不同原理机器学习估计器的堆叠模型,通过双层多模型融合提高了SOH估计结果的准确性。试验结果验证了所提健康特征组合及模型能实现对电池SOH的准确估计。展开更多
基金Supported by National Natural Science Committee and Chinese Engineering Physics Institute Foundation(10576013)Natural Science Foundation of Henan Province(0611053200)Natural Science Study Foundation of Henan University(06YBZR028)
文摘准确掌握锂离子电池健康状态(State of health,SOH)对于储能系统安全稳定运行至关重要。然而,由于电池SOH无法直接测量,并且其衰减又受到多种因素影响,使全寿命周期退化过程呈现非线性,导致电池SOH估计困难。因此,提出一种基于恒压充电数据与堆叠模型的锂离子电池SOH估计方法。通过分析不同循环周期下恒压充电阶段电流数据,揭示其变化规律,并提出了以恒压充电阶段的充电时间、电流信息熵、电流曲线偏度和最大曲率构建健康特征组合。为了提高SOH估计模型的泛化能力,根据健康特征组合设计了包含4种不同原理机器学习估计器的堆叠模型,通过双层多模型融合提高了SOH估计结果的准确性。试验结果验证了所提健康特征组合及模型能实现对电池SOH的准确估计。
