胡 晨,金 翼,崔邴晗,杜春雨∗

(1.中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室,北京 100192;2.哈尔滨工业大学化工与化学学院,特种化学电源研究所,黑龙江哈尔滨 150001)

人们针对阀控式铅酸(VRLA)电池健康状态(SOH)在线估算开展的研究,所用的电化学模型主要可分为电化学阻抗模型、经验模型及数据驱动模型[1]。电化学阻抗模型通过对电池进行阻抗测试,获取随电池老化而变化的内部关键参数(如欧姆阻抗、电荷传递阻抗和双电层电容等),来反映电池内部电化学反应过程。梅成林等[2]引入小波神经网络对电池寿命进行估算,预测平均误差为1.49%,但实验采集的样本量较少,泛化性可能较差。经验模型通过对电池测试数据进行拟合并合理外推,获得电池的SOH[3],但测试数据无法反映多工况条件下的状态,不能应用于动态工况场景。数据驱动模型将电池视为黑箱,无须了解内部机理,利用智能算法实现对SOH的预测。Z.Chen等[4]利用随机森林算法,通过电压与电流平均值求出电池SOH,误差低于2%;M.Talha等[5]利用人工神经网络算法估算电池的开路电压,通过等效电路模型预测电池荷电状态(SOC),再通过SOH与SOC的关系计算出SOH,SOC的估算误差为1%～2%,但由于SOH是通过SOC来估算的,误差会进一步增大,造成精度降低。数据驱动模型具有较高的灵活性与估算精度,且计算量小,便于实际应用,但不对电池的衰减老化特性进行分析,仅依靠优化数据驱动模型算法,会导致数据驱动模型泛化能力差、精度无法满足要求。……