退役锂离子电池的梯次利用具有可观的经济效益,但较长的检测时间限制了其大规模应用。针对退役锂电池健康状态(State of Health,SOH)检测的问题,引入超声测量手段,提出了一种基于“电压-超声差分”健康指标和Informer-GRU模型的退役电池...退役锂离子电池的梯次利用具有可观的经济效益,但较长的检测时间限制了其大规模应用。针对退役锂电池健康状态(State of Health,SOH)检测的问题,引入超声测量手段,提出了一种基于“电压-超声差分”健康指标和Informer-GRU模型的退役电池SOH快速估计方法。利用超声波穿透电池,检测其内部电化学物质变化,并在短电压窗内采集与电池SOH强相关的超声特征,构建“电压-超声差分”健康指标。基于此,构建Informer-GRU模型,刻画健康指标与电池SOH间的关系映射,实现退役锂电池SOH估计。在实验室环境下对软包锂电池进行实际测试,结果表明,仅需在3.64~3.68 V的40 mV电压窗内进行超声检测,即可实现平均绝对误差0.016%、均方根误差0.021%的电池SOH准确估计,提高了梯次利用检测效率。展开更多
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
文摘退役锂离子电池的梯次利用具有可观的经济效益,但较长的检测时间限制了其大规模应用。针对退役锂电池健康状态(State of Health,SOH)检测的问题,引入超声测量手段,提出了一种基于“电压-超声差分”健康指标和Informer-GRU模型的退役电池SOH快速估计方法。利用超声波穿透电池,检测其内部电化学物质变化,并在短电压窗内采集与电池SOH强相关的超声特征,构建“电压-超声差分”健康指标。基于此,构建Informer-GRU模型,刻画健康指标与电池SOH间的关系映射,实现退役锂电池SOH估计。在实验室环境下对软包锂电池进行实际测试,结果表明,仅需在3.64~3.68 V的40 mV电压窗内进行超声检测,即可实现平均绝对误差0.016%、均方根误差0.021%的电池SOH准确估计,提高了梯次利用检测效率。
