基于片段数据的储能电池SOH估计

耿萌萌; 范茂松; 魏斌; 张明杰; 胡晨

doi:10.19705/j.cnki.issn2096-5125.2025.01.007

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于片段数据的储能电池SOH估计

更新时间：2025-11-19

- 基于片段数据的储能电池SOH估计
- 基于片段数据的储能电池SOH估计
- 全球能源互联网 2025年8卷第1期页码：57-66
- 作者机构：
  
  中国电力科学研究院有限公司
- 作者简介：
- 基金信息：
  
  国家电网有限公司科技项目(5100-202155307A-0-0-00)~~
- DOI：10.19705/j.cnki.issn2096-5125.2025.01.007
  中图分类号： TM912
- 纸质出版：2025
- 稿件说明：
移动端阅览
耿萌萌, 范茂松, 魏斌, 等. 基于片段数据的储能电池SOH估计[J]. 全球能源互联网, 2025,8(1):57-66.

耿萌萌, 范茂松, 魏斌, et al. 基于片段数据的储能电池SOH估计[J]. 2025, 8(1): 57-66.
耿萌萌, 范茂松, 魏斌, 等. 基于片段数据的储能电池SOH估计[J]. 全球能源互联网, 2025,8(1):57-66. DOI： 10.19705/j.cnki.issn2096-5125.2025.01.007.

耿萌萌, 范茂松, 魏斌, et al. 基于片段数据的储能电池SOH估计[J]. 2025, 8(1): 57-66. DOI： 10.19705/j.cnki.issn2096-5125.2025.01.007.

摘要

为了提高储能电池健康状态(state of health，SOH)精度及工程适应性，首先，分析某光储电站的运行数据，设计模拟工况实验，结合数据特点和老化机理，选取了3.41 V前30 min内充电电压差(时间间隔分别为1 min、3 min及5 min)作为储能电池健康状态评价的特征参量，并利用20 Ah磷酸铁锂电池的循环数据，结合遗传算法(genetic algorithm，GA)改进的反向传播(back propagation，BP)神经网络进行建模。利用1200次未参与模型训练的数据对模型的精度进行验证，其中1 min间隔电压差为特征参量的模型精度最高，平均绝对百分误差(mean absolute percentage error，MAPE)为0.37%，均方根误差(root mean square error，RMSE)为0.456 5。其次，通过模型迁移，将260 Ah磷酸铁锂电池SOH估计最大误差由5.52%降低到1.89%。最后，利用该模型对光储电站中一簇储能电池单体进行了批量SOH估计，工程适应性良好。

Abstract

关键词

Keywords

references

刘健.基于高斯过程回归的锂离子电池剩余寿命预测研究[D].上海交通大学,2019(06).

Zhang Yu,Zhang Yuhang,Wu Tiezhou.Estimation of state of health based on charging characteristics and back-propagation neural networks with improved atom search optimization algorithm[J].Global Energy Interconnection,2023.

Ma Yan,Shan Ce,Gao Jinwu,Chen Hong.A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction[J].Energy,2022.

Ezemobi Ethelbert,Tonoli Andrea,Silvagni Mario.Battery State of Health Estimation with Improved Generalization Using Parallel Layer Extreme Learning Machine[J].Energies,2021.

T.R. Ashwin,A. Barai,K. Uddin,L. Somerville,A. McGordon,J. Marco.Prediction of battery storage ageing and solid electrolyte interphase property estimation using an electrochemical model[J].Journal of Power Sources,2018.

Duo Yang,Yujie Wang,Rui Pan,Ruiyang Chen,Zonghai Chen.State-of-health estimation for the lithium-ion battery based on support vector regression[J].Applied Energy,2017.

刘萍,李泽文,蔡雨思,王文,夏向阳.基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法[J].电工技术学报,2024(10).

李凯,胡丽,宋婷婷.基于CNN-Bi-LSTM的锂离子电池健康状态估算[J].山东电力技术,2023(10).

李亚飞,王泰华,张润雨,张家乐.基于主成分分析与ILM-DGRBF网络的SOH估算[J].电子测量技术,2023(17).

耿陈,孟锦豪,彭乔,刘天琪,曾雪洋,陈刚.基于弛豫过程特征提取的锂离子电池健康状态估计[J].储能科学与技术,2023(11).

范茂松,耿萌萌,赵光金,杨凯,王放放,刘皓.基于多频点阻抗的梯次利用电池分选技术研究[J].储能科学与技术,2023(07).

毛玲,温佳林,赵晋斌,董浩.基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计[J].电力系统保护与控制,2023(11).

刘素贞,陈云龙,张闯,金亮,杨庆新.融合多维超声时频域特征的锂离子电池荷电状态估计[J].电工技术学报,2023(17).

赵靖英,胡劲,张雪辉,张文煜.基于锂电池模型和分数阶理论的SOC-SOH联合估计[J].电工技术学报,2023(17).

陈秀秀,朱凯.基于CNN-LSTM和注意力机制的锂电池健康状态评估[J].工业控制计算机,2022(12).

刘添.基于IGWO-SVR的锂电池健康状态预测[J].电子质量,2022(08).

李放,闵永军,王琛,张涌.基于充电过程的锂电池SOH估计和RUL预测[J].储能科学与技术,2022(10).

黄海宁.磷酸铁锂电池循环寿命衰减和寿命预测[J].电源技术,2022(04).

吴琼,徐锐良,杨晴霞,徐立友.基于PCA和GA-BP神经网络的锂电池容量估算方法[J].电子测量技术,2022(06).

耿萌萌,范茂松,杨凯,赵光金,谭震,高飞,张明杰.基于EIS和神经网络的退役电池SOH快速估计[J].储能科学与技术,2022(02).

俞美鑫,施卫,蒋龙,王浩.基于GA-BP神经网络的动力锂电池SOC估算[J].电子技术应用,2020(01).

刘凯文,刘聪聪,李珺凯,王桂丽,张持健.基于GA-ELM模型的锂电池SOH预测[J].无线电通信技术,2019(03).

刘皓,胡明昕,朱一亨,於东军.基于遗传算法和支持向量回归的锂电池健康状态预测[J].南京理工大学学报,2018(03).

浏览量

115

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于阻抗谱重构技术的电池健康状态快速估计方法