韦国丹/周光敏/张璇EEM: 脉冲测试+机器学习快速估计电池剩余容量

锂离子电池已广泛用于消费电子、储能和电动汽车领域，估算其容量的直接方法是直接测量，但完全充放电过程通常需要数小时才能完成。此外，来自传感器的测量噪声很容易影响实时电阻估计，而容量估计通常依赖于准确的荷电状态（SOC）。因此，如何准确获得SOC估计仍然是另一个挑战。

在此，清华-伯克利深圳学院（TBSI）韦国丹副教授、周光敏副教授及张璇等人通过将常规的实时电流短脉冲测试与数据驱动的高斯过程回归（GPR）算法相结合，成功开发并验证了一种有效的电池估计方案，适用于容量从100%健康状态（SOH）到 50% 以下的电池，最终估计的平均准确率高达95%。

首先，作者基于所提出的方法从电流脉冲测试的原始测量中获取特征，以建立准确有效的容量估计；其次，选择在不同SOC和电压阶段上执行短期电流脉冲测试来捕获电池退化信息；第三，方便地从电流脉冲测试的电压响应的转折点中提取特征。其中，输入是脉冲电压的采样点，输出是相应的测量容量。作者比较了5种不同的机器学习方法，并最终选择了结果可靠且鲁棒性更好的GPR算法来进行容量估计。

图1. 五种典型机器学习方法的性能比较

总体而言，这种脉冲测试只持续几秒钟，便于在锂离子电池的各种工作条件下进行。与传统的长充放电方法相比，所提出的脉冲测试可将测试时间减少80% 甚至更多。作者通过探索不同电压阶段和SOC对容量估计精度的影响来研究机制，结果表明电压在3.4V左右时精度最好且SOC低时精度高，相同SOC下精度高于相同电压脉冲下精度。

此外，该模型的有效性主要取决于脉冲测试，因为它可以反映随着老化的发展而极化加深的电池内阻。其次，需要在脉冲测试前将电池统一到相同的状态。否则，即使充电相同的电量，实际的SOC也会随着老化程度的不同而不同。同时，脉冲曲线反映了电池在充电阶段的老化程度及其电压平台的变化。总之，这种与数据驱动算法相结合的新型脉冲测试为快速估计剩余电池容量打开了一个新窗口。

图2. 脉冲特征对预测能力的物理解释

Fast Remaining Capacity Estimation for Lithium-ion Batteries Based on Short-time Pulse Test and Gaussian Process Regression, Energy & Environmental Materials 2022. DOI: 10.1002/eem2.12386

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/70634ca538/

韦国丹/周光敏/张璇EEM: 脉冲测试+机器学习快速估计电池剩余容量

相关推荐

发表回复