基于充电过程的锂电池<strong>SOH</strong>估计和<strong>RUL</strong>预测

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

相关文章推荐

不敢表白的紫菜 · computed只执行一次的问题· 1 月前 ·

鬼畜的面包 · 高中语文教研员刘颖异：“线上+线下”混合式学 ...· 5 月前 ·

魁梧的钥匙扣 · Microsoft Dynamics ...· 6 月前 ·

面冷心慈的西装 · 关于就业推荐表、协议书、档案转寄信息和户口信 ...· 7 月前 ·

帅呆的佛珠 · 北京互联网法院：近五年审结涉网络暴力案件46 ...· 7 月前 ·

摘要：

车用锂离子电池的健康状态(state of health，SOH)和剩余寿命(remaining useful life，RUL)是锂离子电池的关键状态参数，为实现其准确的预估以保障整车安全可靠的运行，基于电动汽车充电过程提出一种改进高斯过程回归(Gaussian process regression，GPR)的锂电池SOH估计和RUL预测模型。首先以最大互信息系数(maximal information coefficient，MIC)、Pearson系数筛选充电过程的多元信息作为健康因子，基于主成分分析(principal components analysis，PCA)简化模型结构并使用粒子群算法和组合核函数改进高斯过程回归，实现车用锂离子电池SOH的准确在线估计以及RUL预测。通过NASA锂离子电池数据集验证了模型的有效性：测试电池SOH估计的最大均方根误差(root mean square error，RMSE)为0.0148，SOH预测的最大RMSE为0.0169，RUL预测的最大绝对误差为1个循环次数。

高斯过程回归

Abstract:

The state of health (SOH) and the remaining useful life (RUL) of lithium-ion batteries for vehicles are key state parameters. Based on the charging process of electric vehicles, an improved Gaussian process regression (GPR) model for lithium battery SOH estimation and RUL prediction is proposed to achieve accurate estimation of SOH and RUL of the battery to ensure the safe and reliable operation of the vehicle. First, the maximal information coefficient (MIC) and Pearson coefficient are used to screen the multivariate information of the charging process as health factors. Further, the model structure is simplified using principal components analysis (PCA). The Gaussian process regression is then improved using particle swarm optimization and the combined kernel function. Finally, accurate online estimation of SOH and prediction of future RUL and SOH are realized. The validity of the model is verified with the NASA lithium-ion battery data set. This model outperforms other studies in terms of estimation and prediction accuracy. The maximum root mean square error (RMSE) of SOH estimation for test batteries is 0.0148, the maximum RMSE of SOH prediction is 0.0169, and the maximum absolute error of RUL prediction is 1 cycle.

Key words: lithium-ion battery, state of health, remaining useful life, gaussian process regression

电池特征参数相关性分析结果"

电池型号	相关性分析方法	T _∆ _V	Temp _t _-max	T _CC	V ₁₀₀₀	S _V	T _CV	T _CC / T _CV	Temp _max	Temp _average
B0005	Pearson	0.9961	0.9958	0.9963	-0.9820	0.9965	-0.9115	-0.9822	-0.5038	0.0119
B0005	MIC	0.9727	0.9672	0.9727	0.9702	0.9727	0.8037	0.9422	0.6004	0.3803
B0006	Pearson	0.9899	0.9904	0.9906	-0.9788	0.9907	-0.9372	-0.9523	0.3451	0.2543
B0006	MIC	0.9727	0.9591	0.9727	0.9727	0.9727	0.8005	0.9349	0.3811	0.4040
B0007	Pearson	0.9890	0.9923	0.9929	-0.9680	0.9927	-0.8828	-0.9799	-0.4357	0.0948
B0007	MIC	0.9727	0.9807	0.9807	0.9546	0.9727	0.6998	0.8926	0.6124	0.4110
B0018	Pearson	0.9854	0.9876	0.9803	-0.9727	0.9819	-0.4089	-0.8854	-0.0236	0.1611
B0018	MIC	0.9791	0.9697	0.9697	0.9791	0.9697	0.7087	0.9632	0.1847	0.1197

高斯过程回归的超参数"

电池型号	[ a ; b ]	$[σ_{f_{1}}^{2}; l_{1}^{2}; σ_{f_{2}}^{2}; l_{2}^{2}; p]$
B0005	[0.0893; 1.6571]	[-2.2319; -4.5958; 1.7447; 4.0460; -2.1070]
B0006	[0.1588; 1.5570]	[0.9150; 1.7572; 3.3170; 0.9777; -4.7147]
B0007	[0.0761; 1.6475]	[4.5495; 2.2757; -4.1064; 3.9239; -0.8211]
B0018	[0.0824; 1.5801]	[-4.2300; -4.0529; 2.3312; 2.9800; -2.4340]

不同协方差核函数SOH估计结果评价"

电池型号	PE-GPR		NN-GPR		NN+PE-GPR		PSO- NN+PE-GPR
电池型号	MAPE/%	RMSE	MAPE/%	RMSE	MAPE/%	RMSE	MAPE/%	RMSE
B0005	8.4889	0.0767	3.2967	0.0290	2.9605	0.0220	0.6426	0.0070
B0006	7.5277	0.0554	5.9013	0.0452	2.5350	0.0197	1.0376	0.0092
B0007	3.9387	0.0384	3.4364	0.0259	2.5054	0.0204	0.5022	0.0051
B0018	5.6665	0.0416	3.4991	0.0324	1.8643	0.0200	0.9604	0.0148

不同方法SOH和RUL预测结果评价"

电池型号	GPR			文献[ 26 ]	文献[ 27 ]	二次函数拟合
电池型号	SOH预测 MAPE/%	SOH预测 RMSE	RUL绝对误差	RUL绝对误差	SOH预测 RMSE	SOH预测 MAPE/%	SOH预测RMSE	RUL绝对误差
B0005	0.9393	0.0086	0	1	0.0155	15.5748	0.1230	16
B0006	1.4152	0.0115	0	5	0.0281	4.8294	0.0329	6
B0007	0.7030	0.0064	1	—	0.0148	11.8410	0.0987	18
B0018	1.8957	0.0169	1	—	0.0143	4.9786	0.0446	2

栗志展, 秦金磊, 梁嘉宁, 李峥嵘, 王瑞, 王得丽. 高镍三元层状锂离子电池正极材料：研究进展、挑战及改善策略 [J]. 储能科学与技术, 2022, 11(9): 2900-2920. 牛少军, 吴凯, 朱国斌, 王艳, 曲群婷, 郑洪河. 锂离子电池硅基负极循环过程中的膨胀应力 [J]. 储能科学与技术, 2022, 11(9): 2989-2994. 陈晓宇, 耿萌萌, 王乾坤, 沈佳妮, 贺益君, 马紫峰. 基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法 [J]. 储能科学与技术, 2022, 11(9): 2995-3002. 张群斌, 董陶, 李晶晶, 刘艳侠, 张海涛. 废旧电池电解液回收及高值化利用研发进展 [J]. 储能科学与技术, 2022, 11(9): 2798-2810. 贡淑雅, 王跃, 李萌, 邱景义, 王洪, 文越华, 徐斌. 锂离子电池负极材料 TiNb ₂ O ₇ 的研究进展 [J]. 储能科学与技术, 2022, 11(9): 2921-2932. 卓萍, 朱艳丽, 齐创, 王聪杰, 高飞. 锂离子电池组过充燃烧爆炸特性 [J]. 储能科学与技术, 2022, 11(8): 2471-2479. 曹志成, 周开运, 朱家立, 刘高明, 严慜, 汤舜, 曹元成, 程时杰, 张炜鑫. 锂离子电池储能系统消防技术的中国专利分析 [J]. 储能科学与技术, 2022, 11(8): 2664-2670. 霍丽萍, 栾伟玲, 庄子贤. 锂离子电池储能安全技术的发展态势 [J]. 储能科学与技术, 2022, 11(8): 2671-2680. 张越, 孔得朋, 平平. 液冷板抑制锂离子电池组热失控蔓延性能及优化设计 [J]. 储能科学与技术, 2022, 11(8): 2432-2441. 徐成善, 鲁博瑞, 张梦启, 王淮斌, 金昌勇, 欧阳明高, 冯旭宁. 储能锂离子电池预制舱热失控烟气流动研究 [J]. 储能科学与技术, 2022, 11(8): 2418-2431. 韦荣阳, 毛阗, 高晗, 彭建仁, 杨健. 基于 TWP-SVR 的锂离子电池健康状态估计 [J]. 储能科学与技术, 2022, 11(8): 2585-2599. 马勇, 李晓涵, 孙磊, 郭东亮, 杨景刚, 刘建军, 肖鹏, 钱广俊. 基于三维电化学热耦合析锂模型的锂离子电池参数设计 [J]. 储能科学与技术, 2022, 11(8): 2600-2611. 唐亮, 尹小波, 吴候福, 刘鹏杰, 王青松. 电化学储能产业发展对安全标准的需求 [J]. 储能科学与技术, 2022, 11(8): 2645-2652. 喻航, 张英, 徐超航, 余思瀚. 锂电储能系统热失控防控技术研究进展 [J]. 储能科学与技术, 2022, 11(8): 2653-2663. 凡注明本刊独家的版权为《储能科学与技术》所有，欢迎转载但请务必注明来源。如果本文侵犯您的权益，请联系本站删除！
凡注明“来源：XXX（非《储能科学与技术》）”，均转载自其它媒体，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。其他媒体如需转载，请与稿件来源方联系，如产生任何问题与本网无关。
地址：北京东城区青年湖南街13号化工出版社3层　电话：86-10-64519601/64519602/64519643　E-mail：esst2012@cip.com.cn; esst_edit@126.com
京公网安备 11010102001997号京ICP备12046843号-1