一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术。该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法。通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型。利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型。之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性。实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平。