退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电...退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电至相同电压下限后,不同SOH电池的荷电状态(state of charge,SOC)将存在差异,导致不同SOH电池静置电压曲线变化趋势不同。提出基于静置电压曲线的退役电池SOH快速估计策略,从这种静置电压差异中分析健康特征,可实现退役电池SOH的快速估计。针对在退役电池数据采集时部分电池会由于采集误差形成离群点,进而会导致训练集无法正确训练回归算法模型的问题,分析了离群点数量对回归算法估计电池SOH精度的影响,并利用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)标识这些离群点,并在此基础上提出了离群点标识效果评估方法,可避免离群点影响SOH估计模型的准确性,有效提高了SOH估计精度。展开更多
文摘退役动力电池即将迎来回收高峰,二次利用可以有效避免电池退役造成的资源浪费和环境污染。健康状态(state of health,SOH)评估是退役电池二次使用场景的关键依据,但是传统的退役电池SOH估计方法存在耗时和耗能的缺点。在将退役电池放电至相同电压下限后,不同SOH电池的荷电状态(state of charge,SOC)将存在差异,导致不同SOH电池静置电压曲线变化趋势不同。提出基于静置电压曲线的退役电池SOH快速估计策略,从这种静置电压差异中分析健康特征,可实现退役电池SOH的快速估计。针对在退役电池数据采集时部分电池会由于采集误差形成离群点,进而会导致训练集无法正确训练回归算法模型的问题,分析了离群点数量对回归算法估计电池SOH精度的影响,并利用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)标识这些离群点,并在此基础上提出了离群点标识效果评估方法,可避免离群点影响SOH估计模型的准确性,有效提高了SOH估计精度。
