基于大数据的动力锂电池可靠性关键技术研究综述

李放, 闵永军, 张涌

Review of key technology research on the reliability of power lithium batteries based on big data

Fang LI, Yongjun MIN, Yong ZHANG

表 3 SOH预估方法总结与对比

Table 3 Summary and comparison of SOH estimation methods

SOH预估方法 算法类型/IC曲线提取方法 参考文献 优点 缺点 量化指标(SOH预估) 基于运行数据 神经网络 [51-53]、[57] 预测精度高，对序列数据有良好的拟合跟踪能力 需求数据多，易陷入过拟合，调参复杂 最大相对误差为4.5%[51]，0.053%[53]；最大RMSE为0.232%[52]，2%[57] 贝叶斯网络 [19] 概率模型实现了泛化与训练的平衡 核函数的选取对模型性能影响较大 最大绝对误差(mean absolute error，MAE)为4%[19]；平均相对误差为1.75%[56] 高斯过程回归 [56] 箱线图 [58] 易于实现，移植性好 无法量化电池SOH — 基于增量容量 分析法 离散IC提取 [62] IC提取更简单，减少内存消耗 计算易受噪声影响 — 结合等效电路 [12]、[63] 提高了SOH预估精度 参数辨识复杂 最大MAE为1.5%[63] 结合单体串并联的电路结构 [64] 考虑了单体与电池模组的关系 单体不一致会影响模型性能 平均RMSE为2.04% 结合插值法 [67] 弥补了离散数据的缺点 IC曲线光滑性不高 最大RMSE为1.61% 结合支持向量回归 [69] 改善了由于精度导致无法提取IC曲线的情况 支持向量回归处理大数据运行时间过长 平均相对误差为4%