基于ECM和SGPR的高鲁棒性锂离子电池健康状态估计方法

TM912; 锂离子电池健康状态(SOH)的准确估计对于保障电池系统安全运行具有重要意义.针对传统SOH估计方法在可变工况下失效的问题,提出了 一种基于等效电路模型和稀疏高斯过程回归的锂离子电池SOH在线估计方法.通过两个在线滤波器,在恒流充电过程中动态地辨识了锂离子电池等效电路模型的各项参数,构建了工况不敏感的健康因子,结合稀疏高斯过程回归实现SOH的间接估计.该方法在多种工况下使用统一的信号处理方法和特征映射模型,兼具鲁棒性强和冗余度低的优点.实验结果表明,该方法在多种工况下的平均绝对误差不超过0.94％,均方根误差不超过1.12％,与现有方法相比,该方法在综合性能上具有显著优势....

Full description

Saved in:
Bibliographic Details
Published in上海交通大学学报 Vol. 58; no. 5; pp. 747 - 759
Main Authors 崔显, 陈自强
Format Journal Article
LanguageChinese
Published 上海交通大学海洋工程国家重点实验室,上海 200240 28.05.2024
Subjects
健康状态
sparse Gaussian process regression(SGPR)
health indicator
state of health(SOH)
锂离子电池
健康因子
粒子滤波
particle filter
lithium-ion battery
稀疏高斯过程回归
Online AccessGet full text
ISSN1006-2467
DOI10.16183/j.cnki.jsjtu.2022.221

Cover

More Information
Summary:TM912; 锂离子电池健康状态(SOH)的准确估计对于保障电池系统安全运行具有重要意义.针对传统SOH估计方法在可变工况下失效的问题,提出了 一种基于等效电路模型和稀疏高斯过程回归的锂离子电池SOH在线估计方法.通过两个在线滤波器,在恒流充电过程中动态地辨识了锂离子电池等效电路模型的各项参数,构建了工况不敏感的健康因子,结合稀疏高斯过程回归实现SOH的间接估计.该方法在多种工况下使用统一的信号处理方法和特征映射模型,兼具鲁棒性强和冗余度低的优点.实验结果表明,该方法在多种工况下的平均绝对误差不超过0.94％,均方根误差不超过1.12％,与现有方法相比,该方法在综合性能上具有显著优势.
ISSN:1006-2467
DOI:10.16183/j.cnki.jsjtu.2022.221