新型健康特征的邱健蓄电池健康状态快速估计方法

摘要:在线SOH评估是锂健康状态管理不可缺少的一部分。然而，基于数据的方法由于其计算复杂性而不能直接应用于锂电池健康管理的微处理器。为了克服这一困难，本文采用了一种基于锂电池新健康特征的SOH快速估算方法。首先，基于现有的锂电池充放电数据导出的健康特征，这些健康特征基于恒流充电时锂电池的恒压上升时间，构造与充电电压放电值和充放电时间间隔对应的新的健康特征；其次，将这一特性与多元线性回归和MLR相结合，实现了锂电池SOH的在线快速估计。
 首先以牛津锂电池老化数据集和美国国家航空航天局随机使用的锂电池为数据源，以0.01V为步长探索恒流充电电压的范围，找到最大化皮尔逊相关系数的初始电压作为初始电压优化。其次，考虑到锂电池不同的充电循环持续时间，采用OLS回归法寻找锂电池的最佳充电循环参数。然后，利用两个数据集的训练集构建MLR模型，并利用两个数据集的测试集验证该方法。实验表明，该方法在优化锂电池健康特征识别时，可以大大减少计算量，达到较高的预测精度。

保持它们稳定工作，没有危险，当锂电池的使用寿命接近重要点时，发出警告，避免事故发生。

1。锂电池老化数据集介绍与分析。

1.1锂电池老化数据集介绍

在本研究中，我们针对牛津锂电池的老化数据集建立了我们的模型，并以其中的u002F3作为训练，分析其VDSI特性。最后，剩下的数据被用来检验我们的模型的有效性。此外，还使用了美国国家航空航天局的锂电池随机使用数据集，按照相同的比例分为两部分，即训练和测试。在处理这个数据集时，我们发现C5锂电池在4400次循环后容量下降很大，C2锂电池在6800次循环后容量也下降很快，而且波动很大，所以去掉了这部分数据。

1.2锂电池老化数据集分析

本文选取上述两个数据集中的每个锂电池继续分析，以当前锂电池的最大容量与标称容量的比值作为SOH指标，根据充放电时电压曲线上变色的位置将电池分为四种状态。这是因为本文采用了标准的恒流-恒压CC-CV充电方式，所以锂电池的充电电压曲线比较平缓，当锂电池老化程度增加时，特别是在锂电池的使用寿命内，其充电电压会按照一定的规律变化。
看到这一点，锂电池刚使用不久，也就是在绿色范围内，恒流充电时间更长，大概需要3500秒才能停止充电，而且这个过程中电压上升也很慢。当锂电池使用一段时间后，如橙色或红色，会有一定程度的变化。在这个范围内，锂电池只需要2700 ~ 3100秒左右的时间就能迅速升高电压达到停止充电的标准阈值，同时锂电池的实际可用容量也会逐渐减少。因此，以充电电压曲线为特征构建锂电池SOH预测模型是可行的。

2。锂电池SOH的快速估算方法及评价指标。

2.1锂电池SOH的新健康特征及快速估计方法

已知健康属性-TIECVD技术用于提取锂电池充电曲线的特征，选择并定位充电电压范围，然后选择充电曲线起点到终点的时间跨度作为充电时间的健康属性。新健康属性的VDSI法选取某一固定电压区间与其起点的对应值，以某一时间后的电压与其初始值的差值作为评价标准，也相当于充电时间对应的电压差。

VDSI选择与TIECVD相同的充电电压采样点，初始电压点相同。等时间间隔的电压差代替其余的，需要深入查找或者在电压曲线的相应间隔上进行一系列的映射计算。
任务，计算量大大减少。

2.2评价指标

Pearson相关系数用于量化健康特征与锂电池SOH之间的相关性。该统计量专门用于评价两个随机变量之间的线性相关性，其数学表达式定义如下:
 
 
 
在公式中:z代表自变量，y代表因变量；CovZ，Y代表两者的协方差；σz和σy代表各自的标准差。皮尔逊相关系数r的取值范围为[-1，1]。当绝对值接近1时，说明变量之间存在显著的线性相关关系。
 
为了验证提出的锂电池SOH快速估计方法的有效性，并与传统的核岭回归和KRR方法进行比较，采用平均绝对误差E和最大误差E来评价性能，具体计算公式如下。





3。锂电池VDSI分析的优化及结果

3.1锂电池VDSI特性分析

基于对数据集1的统计研究，我们选取了8组充电间隔相同的锂离子电池样本进行深入分析。实验数据清楚地表明，在电压微分斜率指数VDSI和电池健康状态SOH之间存在显著的负线性相关性。具体来说，当锂离子电池的SOH指数呈下降趋势时，对应的VDSI值呈上升趋势。
上升趋势。这一实验发现与1.2节描述的实际现象完全一致——随着电池使用时间的延长，其SOH值逐渐降低，恒流充电时电压上升时间缩短，充电电压增长速度明显加快。

3.2估算结果

我们选择与KRR技术相似的数据集1中的C4和C8锂电池样本作为预测其使用寿命的目标，而其他数据用于建立模型。数据集2中的R16和R20锂电池样本用于预测，其他数据用于建立模型。由于数据集2中使用的锂电池类型不同于KRR技术的应用，我们将C4和C8充电电压图及其对应的健康特征信息设置为全局变量，只有评估结果可以进行比较和分析。本文提到的健康属性和MLR技术在锂电池SOC估计中也取得了很好的效果。与当前热门技术KRR相比，MLR算法不仅简化了算法流程，计算时间减少了一半，相当于速度提高了两倍，而且精度没有明显差异，完全可以满足当前锂电池的健康应用。
 结论:本文根据锂电池的应用环境，建立了一种新的健康指标——VDSI，并给出了一种基于该指标和MLR的方法，实现了锂电池状态健康的快速评估。采用两个公开发表的数据集进行测试，得出以下结论:首先，该方法可以保证锂电池状态健康评估的高精度，耗时不超过5秒，与K.
RR法可以节省一半的时间，完全满足锂电池状态健康性和即时性的要求。其次，该方法占用的计算资源较少，可以使其在锂电池管理的小型计算机上实现快速准确的健康评估，从而为锂电池管理提供决策依据。
 虽然本文提出的方法存在一些缺点，即过于依赖恒定的环境来为锂电池充电，但在实际情况下，锂电池充电环境的温度是波动的，我们很难保持恒定的温度，这导致锂电池在充电过程中的电压曲线会发生轻微的变化。因此，未来可以考虑引入温度补偿因子，以便更合理地补偿充电电压，获得更准确的锂电池状态估计值。