基于ELM方法的锂电池充电SOC和SOH状态评估分析.pdfVIP

总第238期现代工业经济和信息化Total238

2024年第4期ModernIndustrialEconomyandInformationizationNo.4,2024

应用推广DOI:10.16525/ki.14-1362/n.2024.04.042

基于ELM方法的锂电池充电SOC和SOH状态评估分析

汤瑞

（开封技师学院，河南开封475000）

摘要：通过集成极限学习机(ELM)模型与集成算法来提升学习效率，设计了电池健康特征模型来实现各充电状态

的迭代计算。研究结果表明：SOC和SOH达到最大相关度，可以有效防止电池发生过充或过放的问题。充电终止电

压由电动汽车用户使用需求决定，根据恒流恒压充电分界来估算截止电压，完成联合估算SOC与SOH的效果。该

研究有助于提高电动汽车锂电池的使用效率。

关键词：锂电池；荷电状态；健康状态；集成极限学习机

中图分类号：TM912文献标识码：A

0引言L

锂离子动力电池具备高效能量转换、长寿命、安Fi(x)=Zβ:h(x.).

1=1

装使用便捷等优势而成为电动汽车领域的重要动力式中:L为总样本个数;β为连接矩阵;h()为激活函数。

部件[1-2]。为了更准确评价锂电池荷电性能(sOc)与健图2为模型的结构组成及开展联合估计的流程。

康运行状态(SOH),需对其开展实时估计与修正[3]。模型1、2都是在离线状态下通过集成ELM进行建

根据SOC与SOH的组成结构可知,存在同时满立，模型输出则以异常值确定。图2是集成ELM模型

足两者需求的最大容量,SOC估计结果与SOH间存进行处理的流程。

在紧密关联[4]。针对锂电池需要进行长时间估计的情采用数据驱动集成ELM模型开展离线测试。其

况,需对SOC与SOH实施联合估计。文献[5]通过库中,离线阶段是对模型开展训练。将易测健康特征表

伦计和电压分析的方法来构建SOC与SOH联合算示为SOC1，以SOC2表示难以进行在线测试的充电

法。周頔等[6]建立充电容量SOH转换为电池全充所时间Tchg。模型1建立易测健康特征和实测sOH函

需时间估算，解决了片段充电数据预测电池实时全充数关系,以模型2构建恒流充电时间和SOH函数关系。

时间问题，通过实验验证了高斯过程扩展卡尔曼滤波2数据分析与模型构建

在锂电池SOH评估中的有效性。毛玲等7提出双层锂离子电池在不同温度下表现出来很大的充放

集成极限学习机实现锂离子电池充电截止电压下的电状态,开展循环老化实验很有必要[12]。本文以锂电

SOC和SOH联合估计，充分考虑了电动汽车初始充池循环老化数据集构成测试对象。其中,NASA样本

电状态的不确定性，解决了单个模型输出不稳定的问由艾姆斯预测中心提供，从中选取B0005、B0007电

题。胡杰等[8提出了基于机器学习模型的电池充电预池；CALCE数据集由生命周期系统中心提供，从中选

测，通过对充电数据进行数据探索对充电能量作出预取CS2-35、CS2-37电池。表1列出了各项电池数据

测，采用该模型实现了比单个算法模型更好的预测集参数。

效果。通过集成极限学习机(ELM)模型与集成算法来对电池进行离线测试时，都按照100%放电深度

提升学习效率，在此基础上设计了电池健康特征模型开展循环老化测试，可以确定初始充电阶段的荷电

来实现各充电状态的迭代计算。OC0St()0,本次选择B0005电池低于充电截止电压条

1集成ELM模型件下的SOC开展分析，图3给出了是否老化两种情

极