基于弛豫时间分布的锂离子电池在线健康状态估计

实际生活中的电池往往会经历一系列运行条件，并因日历老化和循环老化的共同作用而发生退化。在线健康状态估计模型通常仅使用循环老化数据，并且最多考虑一种运行条件（例如温度），这可能会限制模型在健康状态（SOH）估计中的准确性。在本文中，我们利用来自5个日历老化电池和17个循环老化电池的电化学阻抗谱（EIS）数据，在各种运行条件下进行SOH估计。使用弛豫时间分布（DRT）技术对EIS曲线进行解卷积，将其映射到一个函数$\textbf{g}$上，该函数由代表电池内部不同电阻的不同时间尺度组成。然后，将这些DRT曲线$\textbf{g}$作为基于长短期记忆（LSTM）的神经网络模型的输入，用于SOH估计。我们通过在十个不同的测试集上测试来验证模型性能，并在这些测试集上实现了平均1.69%的均方根百分比误差（RMSPE）。