Java教程

数据驱动的锂电池健康状态估算方法比较

本文主要是介绍数据驱动的锂电池健康状态估算方法比较,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

研究背景


近年来,新能源汽车市场的蓬勃发展造就了锂离子电池市场的繁荣,研究锂电池健康状态SOH预测与健康管理,对系统整体的安全性、稳定性和经济性具有重要意义。目前,锂电池SOH 估算方法主要分为三类:基于模型的估算方法、数据驱动的估算方法、基于融合法的估算方法。其中数据驱动法成为近年来动力电池SOH 估计方法的热门;此外新能源汽车国家大数据联盟在北京成立,为SOH 的估算研究提供了大量数据支撑。因此本文将重点分析比较数据驱动方法,以发现该方法在此背景下的应用价值。

创新点及解决的问题

(1)针对现行SOH 定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH。

(2)分别建立了BP 神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测。

重点内容导读

(1)回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态(state of health, SOH)估算方面的研究进展。对三种方法的特点进行了阐述和定性对比。

(2) 分别建立三种方法的回归模型,利用新能源汽车大数据,对电池充电能量进行了预测。定量对比结果验证了三种方法在计算量和精确度方面的特点。

结论

(1)本文对3 种主流数据驱动方法进行了定性和定量的比较,总结了它们在速度、通用性、精度、有无置信区间上的特点。

(2)为了将随电池衰退而降低的额定电压体现在SOH 中,本文提出采用电池满充能量定义电池健康状态。

(3)数据驱动方法和新能源汽车大数据在动力电池SOH 估算研究领域具有广阔的应用前景。


这篇关于数据驱动的锂电池健康状态估算方法比较的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!