锂离子电池容量估算中充电特性动态的全面分析

《IEEE Transactions on Intelligent Vehicles》：Comprehensive Analysis of Charging Profile Dynamics for Lithium-Ion Battery Capacity Estimation

　　基于机器学习模型（GPR、ARDRegressor、XGBoost、ANN）分析锂离子电池的充电时间、温度及电压变化等退化因素，提出log(max(V)-min(V))作为新特征，有效预测电池容量并考虑部分放电影响，提升模型在真实场景中的准确性。

　　

摘要：

锂离子电池的安全性和可靠性依赖于对其健康状态（State of Health, SOH）的准确监测。由于电池退化过程的复杂性，数据驱动的方法作为电化学模型和经验模型的替代方案具有很大潜力。通过分析恒流充电时间、恒压充电时间、温度变化以及充电开始和结束点之间的电压差等参数，可以全面了解电池的健康状况。利用机器学习回归技术（如GPR、ARDRegressor、XGBoost和ANN），在多个电池上的均方根误差（RMSE）≤ 0.02安时（Ahr）的情况下，所讨论的健康指标有助于揭示循环使用对电池性能的影响。值得注意的是，本研究引入了对数函数（log(V_max ? V_min)）作为容量预测特征，该特征考虑了前几次循环中的部分放电对后续充电模式的影响。这一改进使得模型更加贴近实际情况，因为实际应用中电池很少经历完全的充放电循环。

引言

由于电力使用和生产的显著增加，对能量存储的需求也在不断增长，这进一步推动了能源行业的发展。锂离子电池因其高能量效率而成为一种重要的能量存储选项[1]。然而，它们相对成本较高，并且随着时间的推移和使用次数的增加，其可靠性会降低，这限制了它们与铅酸电池和硫电池等更便宜的替代品竞争的能力[2]。为了解决这些问题，全球范围内的研究重点集中在监测电池的健康状况上，以提高其在各种应用中的经济可行性[3]。