对于具有超短段充电的离子电池的智能健康评估
Qinghua Li1, Zhongbao Wei1, Hongwen He1
1National Engineering Research Centre for Electric Vehicles, School of Mechanical Engineering, Beijing Institute of Technology, Beijing, 100081, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|July 27, 2025
概括
准确的离子电池健康估计现在可以使用短充电数据段进行. 这种新的方法有效地识别电池健康特征,即使充电数据有限,确保电动汽车可靠运行.
科学领域:
- 电池技术 电池技术
- 电动汽车系统 电动汽车系统
- 数据科学数据科学数据科学
背景情况:
- 准确的健康状况 (SOH) 估计对于电动汽车 (EV) 中的离子电池至关重要.
- 由于早期充电习惯,现实世界EV充电数据往往不足以进行可靠的电池健康评估.
- 现有的方法在有限的充电数据下扎,阻碍了有效的电池管理.
研究的目的:
- 提出一种智能方法,使用超短的充电段来准确估计电池健康状况.
- 为了应对现实世界电动汽车应用中充电数据不足的挑战.
- 开发一种强大的方法来识别电池健康特征,无论电池规格如何.
主要方法:
- 一种新的方法,将降解机制引导的尺度不变特征转换 (SIFT) 结合起来,用于特征识别.
- 利用机器学习算法对基于提取的特征进行电池健康评估.
- 通过使用来自6家制造商的87个电池的多样化数据集进行验证,这些电池具有不同的化学成分,格式和容量.
主要成果:
- 拟议的方法在电池健康估计中实现了高精度,误差低至1.97%.
- 从充电数据中自动识别健康特征,即使是从超短段 (10%的充电状态跨度).
- 该方法在各种电池类型中显示出有效性,优于现有的方法,这些方法在有限的数据下失败.
结论:
- 开发的方法可以从最小的充电数据中准确估计电池的健康状况,这对电动汽车的可靠性至关重要.
- 它为在不可预测的现实世界电动汽车充电场景中评估电池健康提供了强大的解决方案.
- 这种方法为电动汽车的先进电池管理系统开辟了新的可能性.


