准确估计电化学储能电池的SOH(state of health)对于确保电池的安全可靠工作至关重要。数据驱动方法在SOH估计领域得到广泛应用,但现有方法忽略了电池循环过程中多个连续循环之间的时序健康信息和特征挖掘,以及这些特征与SOH值之间的关...准确估计电化学储能电池的SOH(state of health)对于确保电池的安全可靠工作至关重要。数据驱动方法在SOH估计领域得到广泛应用,但现有方法忽略了电池循环过程中多个连续循环之间的时序健康信息和特征挖掘,以及这些特征与SOH值之间的关系。为解决这些问题,本研究提出了一种名为MCNet(multi-cycle net)的新型SOH估计模型。该模型不需要手动提取健康特征,只需输入电池充电阶段的电流和电压,即可自动挖掘单次循环中与SOH估计相关的特征,并提取多个连续循环之间的相关特征,进而融合上述特征进行SOH估计。首先,为了构造模型的多循环张量输入数据并提升模型的收敛速度,将每个循环内充电阶段长度不同的采样数据进行长度对齐、最大-最小归一化以及拼接多个连续历史循环数据的预处理;其次,将上述预处理后的张量数据作为模型的输入,建立MCNet模型对公开电池数据集进行预测,平均绝对误差都在1%以内、均方根误差都在1.5%以内;最后,将本文所提出的模型与其他常用的序列预测模型进行比较,并与仅使用单次循环下的电流、电压数据作为输入进行了对比实验,结果表明,本文提出的模型具有较高的SOH估计精度,并且使用多个循环的电流、电压数据作为输入可以提升估计精度。展开更多
文摘准确估计电化学储能电池的SOH(state of health)对于确保电池的安全可靠工作至关重要。数据驱动方法在SOH估计领域得到广泛应用,但现有方法忽略了电池循环过程中多个连续循环之间的时序健康信息和特征挖掘,以及这些特征与SOH值之间的关系。为解决这些问题,本研究提出了一种名为MCNet(multi-cycle net)的新型SOH估计模型。该模型不需要手动提取健康特征,只需输入电池充电阶段的电流和电压,即可自动挖掘单次循环中与SOH估计相关的特征,并提取多个连续循环之间的相关特征,进而融合上述特征进行SOH估计。首先,为了构造模型的多循环张量输入数据并提升模型的收敛速度,将每个循环内充电阶段长度不同的采样数据进行长度对齐、最大-最小归一化以及拼接多个连续历史循环数据的预处理;其次,将上述预处理后的张量数据作为模型的输入,建立MCNet模型对公开电池数据集进行预测,平均绝对误差都在1%以内、均方根误差都在1.5%以内;最后,将本文所提出的模型与其他常用的序列预测模型进行比较,并与仅使用单次循环下的电流、电压数据作为输入进行了对比实验,结果表明,本文提出的模型具有较高的SOH估计精度,并且使用多个循环的电流、电压数据作为输入可以提升估计精度。
