考虑特征提取和参数优化的锂离子电池健康状态统一估计框架

A Uniform Estimation Framework for State of Health of Lithium-ion Batteries Considering Feature Extraction and Parameters Optimization

Absart

本研究提出了一个统一的估计框架，同时实现健康状态的估计和优化其中的健康特征，这些特征是基于固定范围内的充电电压曲线挖掘出来的。

Result and discussion

A、随机电压范围与优化电压范围的比较

1、电压范围和参数是随机指定的

2、随机抽取第二组的电压范围，而固定大小的LS-SVM的参数设置与GA优化的参数相同

3、第三组电压范围和参数通过粒子群优化

4、最后一组电压范围和参数通过遗传算法进行优化

B、与不同算法的比较

选择从3.467 V到4.106 V的充电时间作为所有参与者算法的输入

C、不同采样时间的验证

不同的采样时间来证明它们对估计精度的影响，电压范围的特征仍然设置为[3.467 4.106]，固定大小LS-SVM的参数也与4.1节相同，分别在1 s、5 s、10 s、20 s和30 s对曲线进行采样。

 可以直观地发现，更高的采样精度并不能始终导致更好的估计性能，如1s的取样时间最大绝对误差(ME)为1.37%而30秒的ME也只不过1.11%.

D、普遍性验证

 用电池2,3,4测试数据集作为测试集,Fig8 为三组电池的容量衰退曲线

1 从Bat2可以看出预测结果与实际循环曲线基本保持一致,且误差保持在1%以内

2 Bat3,4中预测曲线总是略低于实际曲线因此导致误差波动曲线多表现为负值

3 Bat4 中循环次数要比Bat3多且Bat4在650次循环后出现了大的波动这可能是因为其实时电池容量不一致且在循环后期出现了大的温度变化

4 但总的来看三组电池估计误差均小于2%且三个测试电池的最大RMSE和MAE分别为0.44%和0.34%,由此可见提出的模型有较好的适应性

Conclude

未来要研究不同环境温度下的健康状态估计原理，而寻找一种真实的方式来表征电池组健康状态的变化