在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策...在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策略OVMD(optimal variational mode decomposition),聚类容量反映整体老化趋势的低频平稳序列和反映局部容量再生的高频非平稳序列。考虑容量高频和低频分量,引入加权向量平均INFO(weighted mean of vectors)方法改进支持向量回归SVR(support vector regression),建立锂离子电池短期SOH估计模型。选取NASA电池老化数据集,设计基于反向传播BP(back propagation)神经网络、SVR、INFO-SVR、OVMD-INFO-SVR的短期锂离子电池SOH估计实验对比方案。结果表明,在减少容量训练集的情况下,基于高频和低频分量的OVMD-INFO-SVR模型在锂离子电池短期SOH的估计上具有更高的准确性。展开更多
文摘在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策略OVMD(optimal variational mode decomposition),聚类容量反映整体老化趋势的低频平稳序列和反映局部容量再生的高频非平稳序列。考虑容量高频和低频分量,引入加权向量平均INFO(weighted mean of vectors)方法改进支持向量回归SVR(support vector regression),建立锂离子电池短期SOH估计模型。选取NASA电池老化数据集,设计基于反向传播BP(back propagation)神经网络、SVR、INFO-SVR、OVMD-INFO-SVR的短期锂离子电池SOH估计实验对比方案。结果表明,在减少容量训练集的情况下,基于高频和低频分量的OVMD-INFO-SVR模型在锂离子电池短期SOH的估计上具有更高的准确性。
