摘要:锂离子电池组健康状态(state of health,SOH)的准确估计对于保障电池安全可靠运行至关重要,本研究提出一种考虑复杂不一致性影响的电池组健康状态估计方法。该方法从电池原始充电时序数据与容量增量曲线中挖掘反映电池组单体不一致性演变规律的表征信息,结合相关性分析完成冗余特征剔除,筛选出核心不一致性特征,构建融合片段充电时序特征与单体不一致性标量特征的电池组健康表征体系。提出了一种Transformer编码器与多层感知机相结合的双分支SOH估计模型,实现时序特征与标量特征的有效融合。依托经过实测数据校验、精度可靠的电池组数字孪生仿真平台,构建了覆盖完整健康区间的仿真样本数据集完成模型训练与初步测试。结果表明,所提模型在测试集上表现出较高的SOH估计精度,均方根误差小于1%。进一步在两组不同不一致性、不同健康状态的实测电池组数据上开展了模型迁移验证,SOH估计绝对误差小于2%。通过特征消融研究进一步验证了不一致性特征的引入与特征融合策略能够显著提升模型的SOH估计精度与可靠性。
摘要:锂离子电池健康状态(state of health,SOH)的准确预测对于保障储能系统安全稳定运行具有重要意义。为突破现有锂离子电池SOH预测方法在精度上的局限,提出一种融合鲁棒经验模态分解(robust empirical mode decomposition,REMD)、时间序列神经层次插值(neural hierarchical interpolation for time series,NHITS)模型与核密度估计(kernel density estimation,KDE)的锂离子电池SOH退化预测模型。该方法从锂离子电池退化数据中提取可有效表征电池SOH退化规律的健康因子(health indicator,HI),采用REMD对HI实施自适应分解以获取多个分量;在各分量上分别构建NHITS预测模型进行独立预测,最终通过分量重构得到电池SOH点预测结果。在此基础上,引入KDE对点预测误差分布进行概率建模,建立REMD-NHITS-KDE区间预测框架,实现SOH预测不确定性的量化表征与区间估计。以CALCE数据集电池和NASA数据集电池为实验对象,实验结果表明所提方法在点预测任务中优于NHITS、NBEATS和REMD-NBEATS等模型,平均绝对误差低至0.0047,决定系数提高至99.98%;在区间预测中兼顾了覆盖率与区间宽度,表现出较好的可靠性与实用性。