北京航空航天大学杨德真副研究员团队：基于双输入神经网络的锂离子电池全服役期荷电状态估计

关注我们，为您推送更多最新资讯。

作者简介

通讯作者

杨德真 副研究员

北京航空航天大学

杨德真，北京航空航天大学可靠性与系统工程学院副研究员。主要研究方向包括基于模型的故障分析和控制、可靠性建模和预测等。

第一作者

钱诚 副研究员

北京航空航天大学

钱诚，北京航空航天大学可靠性与系统工程学院副研究员、博士生导师。主要研究方向包括可靠性物理与仿真、锂电池可靠性等。

文章背景

可重复充放电的锂离子电池由于具有低自放电率、高能量密度和长寿命等特点，正在被广泛应用于电动汽车、储能系统等领域。荷电状态 (State of Charge, SOC) 是直接反应锂离子电池性能信息的重要状态参数，准确的电池 SOC 在线估计能够避免电池被过度充电或过度放电，从而提升电池的可靠性和安全性，因此在电池管理中具有重要作用。来自北京航空航天大学可靠性与系统工程学院的钱诚副研究员及其团队在 Materials 期刊发表了文章，介绍了他们在锂离子电池 SOC 在线估计上的研究成果。

研究过程及结果

随着锂离子电池的退化，其 SOC 与端电压、电流间的映射关系将不断改变。为提升全服役周期下锂离子电池的 SOC 在线估计精度，作者提出了一种将电池电压、电流等时序测量值和电池健康状态信息融合的双输入神经网络模型。该模型在以传统电池电压、电流的时序测量值为输入的基础上，引入了电池健康状态 (State of Health) 信息作为额外输入，在设计结构上将门限循环网络层和全连接层相结合，如图 1 所示。

图 1.双输入神经网络模型图。

随后，作者利用马里兰大学提供的公开数据集对提出的双输入 SOC 在线估计模型进行了验证。结果表明，该方法能够在锂离子电池全服役期内均实现准确的 SOC 在线估计 (如图 2)，对于电池服役期内的所有放电循环，能够保证 SOC 在线估计结果的均方根误差的平均值不大于 1.5%。此外，该方法对于电池不同的放电起始 SOC 状态也具有较强的鲁棒性。

图 2.SOC 估计结果图。

研究总结

本文提出了一种锂离子电池全服役期内均适用的 SOC 在线估计方法。该方法通过考虑电池退化对 SOC 在线估计结果的影响，以电池时序测量值和电池健康状态信息为双输入，将门限循环网络层和全连接层相结合构建 SOC 在线估计模型。试验验证结果表明，该方法能够在锂离子电池全服役期内均实现较为准确的 SOC 在线估计，并对电池放电循环的不同初始 SOC 具有较强的鲁棒性。

文章链接：https://www.mdpi.com/1996-1944/15/17/5933