SSB蓄电池基于新型健康特征的锂电池健康状态快速估计方法
SSB蓄电池基于新型健康特征的锂电池健康状态快速估计方法
锂电池健康办理(StateofHealth，SOH)的在线评价是其间不可或缺的内容。然而，根据数据的办法因核算复杂性问题不能直接适用于锂电池健康办理的微处理器中。为克服这一难点，本文针对锂电池选用一种根据新的健康特征的SOH快速估测办法。首要，由锂电池的充放电数据导出的已有根据锂电池恒流充电时等压升时刻的健康特征为根底构建与充放电开端充电电压(放电)值以及充电(放电)时刻距离相应的新的健康特征；其次，运用该特征与多元线性回归(multiplelinearregression，MLR)相结合的方案完成锂电池SOH的在线快速估测。
首要，运用牛津锂电池老化数据集和美国国家航空航天局锂电池随机运用情况作为数据源，以0.01V为步长，对恒流充电电压规模进行探求，找出使皮尔逊相关系数到达最大的初始电压作为初始电压优化。其次，考虑锂电池不同充电周期时长，运用OLS回归法找到锂电池最优充电周期参数。然后，运用2个数据集分割出的数据集练习集结构MLR模型，运用2个数据集分割出数据集测验集验证其间办法。试验验证了该办法在优化锂电池健康特性辨认时可以很大程度减轻核算量，一起也能到达较高的猜测准确度，完成了锂电池的快速评价状况。
关键词：锂电池；健康状况估量；新式健康特征
导言：跟着“双碳”政策的推进与清洁资源的运用越来越广泛，电动轿车得到了快速开展，预计到2024年国际轿车总数将超越1650万辆，到2030年全球电动车或许占有12%的市场份额。一起，我国在2025年还将延续关于新能源车减免购车税等政策来推进工业增长和开展。而电动车快速增长的原因在于其主体——锂电池技能的不断优化，而锂电池运行久了便会产生性能衰退乃至引起火灾的现象，这不由引来了人们的沉思。因而，对锂电池危险进行了研讨讨论，涉及锂电池状况的点评、毛病检测、快充、烘干、变老机理、寿数、热失控预防、热办理、锂电池平衡等方面。因为锂电池在新能源轿车上无法被替代，因而关于锂电池的变老进程中特殊现象的研讨显得尤为重要。锂电池健康（StateofHealth，SOH）指当时运用的锂电池储存和放出电的能力。
在文中以锂电池可以供给的电量作为检测锂电池健康状况的规范，当锂电池所供给的电量削减到某值(如已削减到其整个电源能力的70%)时，就视为运用到了极限，应该进行更换。因而咱们应该把握锂电池健康情况的改变，坚持它们稳定地无危险地作业，当锂电池的运用寿数将近重要点值时，发出正告，避免事端的产生。
1.锂电池老化数据集介绍与剖析
1.1锂电池老化数据集介绍
本研讨中对牛津锂电池老化数据集建立了咱们的模型，从中抽出2/3来作为练习，并对其间的特征VDSI进行了剖析。最后剩下的数据用于检测咱们模型的有效性。别的还选用了美国国家航空航天局的锂电池随机运用数据集，按照同样的份额将其分成两个，别离为练习和测验。在处理该数据集时咱们发现在C5锂电池中在4400次循环时锂电池容量出现大幅下降，C2锂电池也在6800次循环时其容量急速衰减，并且动摇性较大，因而将此部分数据除去。
1.2锂电池老化数据集剖析
本文选取以上两个数据会集的每一个锂电池来继续剖析，别离用当时锂电池的最大容量与标称容量的比值来作为SOH方针，并根据电池充放电进程中电压曲线上变色的位置来将其分为绿色、黄色、橙色和赤色四种状况。这儿是因为本文选用规范的恒流-恒压(CC-CV)充电模式，所以锂电池充电时的充电电压曲线较陡峭，锂电池的老化程度增加时它的充电电压也会按照必定的规律改变，尤其是锂电池的运用年限上可以显着看到这一点，当锂电池刚开端运用的时刻较短，即在绿色规模的时候，恒流充电时刻就较长，大约需求3500秒到达中止充电，且这个进程电压增大也非常缓慢。当锂电池运用一段时刻时，如橙色或许赤色，就会产生必定的改变，在此规模内，锂电池大约只需求2700～3100秒就会使电压增大敏捷增大到到达中止充电的规范阈值，一起，锂电池的实践可用容量也会呈逐渐下降的趋势。据此可知，用电池充电电压曲线作为特征构建锂电池SOH猜测模型的办法是可行的。
2.锂电池SOH快速估量办法与评价方针
2.1新式健康特征与锂电池SOH快速估量办法
已知健康特点——选用TIECVD技能提取锂电池的充电曲线特点，其选择并定位了充电电压区间，然后选取从充电曲线初始点到结束点各电压采样点的时刻跨度为充电所需时刻的健康特点。而新健康特点的VDSI办法则选取了某一固定电压区间与其起点的对应值，以必定时刻后电压和其初值的差作为点评规范，也等同于充电时刻对应的电压差。
VDSI选择与TIECVD相同的充电电压采样点，初始电压点共同，通过等时刻距离的电压差值替代其余需求进行深度查找或许对电压曲线相应区间进行一系列映射核算的使命，核算量下降较大。
2.2点评方针
研讨选用皮尔逊相关系数来量化健康特征与锂电池SOH之间的相关程度。该统计量专门用于评价两个随机变量间的线性相关特性，其数学表达式界说如下：
公式中：Z代表自变量，Y标明因变量；Cov(Z,Y)表征两者的协方差；σz和σy则别离标明各自的规范差。皮尔逊相关系数r的取值规模为[-1,1]，当绝对值趋近于1时，标明变量间存在显着的线性相关关系。
为验证所提出的锂电池SOH快速估算办法的有效性，并将其与传统核岭回归（kernel ridge regression, KRR）办法进行比照剖析，试验选用均匀绝对差错E和最大差错E两项方针进行性能评价，详细核算公式如下所示。
3.锂电池VDSI剖析优化及成果
3.1锂电池VDSI特征剖析
根据数据集1的统计研讨，咱们选取了充电距离时长共同的8组锂离子电池样本进行深入剖析。试验数据明确显示，电压微分斜率方针（VDSI）与电池健康状况（SOH）之间存在显着的负向线性相关。详细表现为：当锂离子电池的SOH方针出现下降趋势时，对应的VDSI数值则出现上升态势。这一试验发现与1.2章节所述的实践现象彻底吻合——跟着电池运用时刻的延伸，其SOH值逐步下降，在恒流充电进程中电压上升时刻缩短，充电电压增长速度显着加快。
3.2估量成果
咱们选用与KRR相似技能运用的数据集1中的C4和C8锂电池样本作为方针来猜测其运用时长，而其他数据用来构建模型。将数据集2中的R16和R20锂电池样品用于猜测，其他数据用来构建模型。因为数据集2运用锂电池类型不同于KRR技能的运用，咱们把其间C4和C8充电电压图和其对应的健康特性信息设置为全局变量，只有其鉴定成果才进行比较剖析。文中所提及的健康特点与MLR技能也均完成了锂电池SOC估算的杰出效果。相比当时热门技能KRR，MLR算法不仅简化了算法流程，减半了核算时刻(相当于提高2倍速度)，并且精度上也无显着差别，彻底可以满足当时锂电池健康运用。
结束语：本文根据锂电池运用环境建立了新的健康方针-VDSI，并给出了根据该方针与MLR结合的办法完成锂电池状况健康快速评价。别离选用两个公开宣布的数据集进行测验，得出如下定论：首要该办法可以保证锂电池状况健康评价的高精度，并且所耗时刻不高于5秒，比起KRR办法可节约一半的时刻，彻底满足锂电池状况健康即时性的要求。其次该办法占用了较少的核算资源，可使其在锂电池办理的小型核算机中完成快速准确的健康状况评价，从而给锂电池办理供给决策依据。
虽然本文所提出的办法具有必定的不足，即它过于依赖稳定的环境来对锂电池进行充电，但实践情况中锂电池充电环境温度存在动摇而咱们很难维持一个稳定温度，其导致锂电池在充电时的电压曲线存在细小的改变，因而，今后可以考虑引进温度补偿因子，从而可以愈加合理地补偿充电电压，进而获得愈加准确的锂电池状况估量值。