锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
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
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。
