健康状态(stage of health,SOH)评估是电池系统的关键技术之一,其精度关系到电池系统能否安全运行。为此提出一种基于洛伦兹图(Lorenz plot,LP)的锂离子电池模组SOH快速评估方法,通过提取一定荷电状态(state of charge,SOC)区间的模组...
详细信息
健康状态(stage of health,SOH)评估是电池系统的关键技术之一,其精度关系到电池系统能否安全运行。为此提出一种基于洛伦兹图(Lorenz plot,LP)的锂离子电池模组SOH快速评估方法,通过提取一定荷电状态(state of charge,SOC)区间的模组内不同电芯电压的最大洛伦兹半径(maximum Lorenz radius,MLR)作为该模组SOH的健康因子。研究结果表明,随着电池模组的老化,在放电曲线的低SOC范围内,模组的MLR值逐渐增大。当SOC区间为20%~30%时,MLR-SOH关系式呈线性负相关,拟合优度大于0.98。无论采用1/3 C倍率还是1 C倍率放电电压数据计算模组的MLR值,在10%~20%、20%~30%、30%~40%SOC区间,MLR-SOH关系式的拟合优度均大于0.97。采用从10%开始的任一SOC区间的放电电压数据计算模组的MLR值时,MLR-SOH关系式的拟合优度均在0.97以上,表明基于MLR的电池模组SOH评价方法在倍率和SOC窗口的选取上具有较强的鲁棒性,这将为该方法的实际应用提供较为充足的选择。
针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of he...
详细信息
针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of health,SOH)及循环次数等参数间的关联特性,以电池模组内阻、剩余容量作为表征参数,采用密度权重Canopy改进的K-medoids聚类方法对外部特性参数相近的电池模组进行初次筛选;其次,将电池模组SOH动态一致性特性曲线作为表征对象,对其进行再次筛选;最后,采用非参数Bootstrap概率方法解析阶梯式静动态筛选下退役动力SOH估计的置信区间,评估动力电池模组筛选精度。结果表明,该文所提方法可将电池模组的筛选精度至少提高6.2%,为退役动力电池大规模筛选及梯次利用奠定理论基础。
暂无评论