电池健康状态(state of health,SOH)是反映锂离子电池性能退化程度的重要参量之一,SOH的精准估计对提高储能系统可靠性具有重要意义。为改善在实际应用场景中,通过传统电压-电流数据进行SOH估计时需长期记录充放电过程数据的问题,使用...电池健康状态(state of health,SOH)是反映锂离子电池性能退化程度的重要参量之一,SOH的精准估计对提高储能系统可靠性具有重要意义。为改善在实际应用场景中,通过传统电压-电流数据进行SOH估计时需长期记录充放电过程数据的问题,使用便携式阻抗检测系统在电池老化实验过程中采集了在20种工况状态下的电化学阻抗谱(EIS)数据,构建了8种与SOH相关的健康因子(HI),通过Pearson相关系数验证了其有效性,结合电化学阻抗谱蕴含的丰富信息开发了一种适用于电化学阻抗谱的混合专家模型(MoE)。该混合专家模型采用二维卷积神经网络(2D CNN)构建门控网络,基于40个频率下的EIS实部、EIS虚部和电压数据估计电池荷电状态(SOC)真实标签;采用遗传算法(GA)优化的门控循环单元(GRU)网络构建20个专家子网络,基于对应工况下的8种HI估计SOH。利用门控网络解耦SOC对EIS的影响,以SOC标签作为选择策略激活对应的专家网络分支。该模型以10%SOC的短间隔进行专家网络划分,全面覆盖电池的平衡与非平衡状态,适用于多种电池类型,且对于一次估计所使用的数据可在2 min内完成采集,具有良好的实时性。在测试集的评估指标为R2=0.9498,RMSE=0.0032,MAPE=0.26%,实现了SOH的高精度估计。展开更多
文摘电池健康状态(state of health,SOH)是反映锂离子电池性能退化程度的重要参量之一,SOH的精准估计对提高储能系统可靠性具有重要意义。为改善在实际应用场景中,通过传统电压-电流数据进行SOH估计时需长期记录充放电过程数据的问题,使用便携式阻抗检测系统在电池老化实验过程中采集了在20种工况状态下的电化学阻抗谱(EIS)数据,构建了8种与SOH相关的健康因子(HI),通过Pearson相关系数验证了其有效性,结合电化学阻抗谱蕴含的丰富信息开发了一种适用于电化学阻抗谱的混合专家模型(MoE)。该混合专家模型采用二维卷积神经网络(2D CNN)构建门控网络,基于40个频率下的EIS实部、EIS虚部和电压数据估计电池荷电状态(SOC)真实标签;采用遗传算法(GA)优化的门控循环单元(GRU)网络构建20个专家子网络,基于对应工况下的8种HI估计SOH。利用门控网络解耦SOC对EIS的影响,以SOC标签作为选择策略激活对应的专家网络分支。该模型以10%SOC的短间隔进行专家网络划分,全面覆盖电池的平衡与非平衡状态,适用于多种电池类型,且对于一次估计所使用的数据可在2 min内完成采集,具有良好的实时性。在测试集的评估指标为R2=0.9498,RMSE=0.0032,MAPE=0.26%,实现了SOH的高精度估计。
