吴铁洲,刘思哲,张晓星,吴麟章

(湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,湖北武汉 430068)

锂离子电池在使用中会出现老化和故障等问题。一般认为,当健康状态(SOH)低于80%时,电池已完全老化且无法使用。为确保高效安全的操作,防止过充电和过放电,并延长锂离子电池的使用寿命,对SOH进行估算十分必要[1]。

估算锂离子电池SOH的方法一般分为基于模型的方法和基于数据驱动的方法[2]。A.Guha等[3]结合容量衰减和内阻增长模型,提出估算锂离子电池SOH方法,基于第30次、第100次和第170次循环对应的融合退化模型进行预测,误差在2.5%以内。邓涛等[4]采用戴维南等效电路模型,基于双卡尔曼滤波法估计电动汽车电池的SOH,平均误差在1%以内。X.Y.Li等[5]通过研究电池退化过程,引入了充电过程中端电压的升高和电压导数(DV)的变化特性,提出使用支持向量机(SVM)算法在线估算电池剩余寿命的方法。验证结果表明,SVM电池回归模型可以确保电池寿命估计的精度,但最大误差为5%。张少宇等[6]根据充电电压与老化过程中的关联性,采用门控循环神经网络估计锂离子电池SOH,达到了1.25%的均方绝对误差和低于5.62%的最大误差,但只选取了单一的电压曲线数据作为输入。申江卫等[7]将BP神经网络模型带入K-均值算法中,使用混合算法,估算锂离子电池SOH。K-均值算法可以降低电池模型产生的累计误差,但BP神经网络易陷入局部最优。

基于模型驱动的方法过于依赖系统的非线性程度,对于锂离子电池这样的强非线性系统可能难得到好的收敛结果;数据驱动的方法无需关注锂离子电池内部复杂的退化机理,因此向量机、神经网络等方法得到广泛应用。……