一种基于恒流充电阶段电压数据的锂离子电池健康状态估计模型

摘要

为满足储能系统电池管理中健康状态（State of health, SOH）估计算法兼顾高精度与轻量化的需求，本文提出了一种基于局部电压拟合（Local voltage fitting, LVF）的SOH估计方法.该方法以等效电路模型为理论基础，建立恒流充电阶段电压与时间的映射关系模型，并通过非线性拟合实现对SOH的直接求解.基于18650型磷酸铁锂（LiFePO₄）电池的循环寿命实验数据结果表明，LVF模型在无需完整充电曲线的情况下即可实现高精度SOH估计，均方根误差（Root mean square error,RMSE）为1.249×10^-3，最大相对误差（Max relative error, MRE）为9.489×10^-3，平均绝对百分比误差（Mean absolute percentage error, MAPE）为0.1037%.与BP（Back propagation）神经网络和梯度提升回归树模型相比，LVF的RMSE降低了83.12%和79.12%，且计算时间相较于二者缩短了84.60%和56.05%.在同济大学公开的NCM电池数据集上验证表明，LVF模型在不同电池体系与一致性条件下均能保持稳定估计性能，RMSE约为4.856×10^-3,MRE约为1.87×10^-2,MAPE约为0.3231%.综上，所提出的LVF模型兼具高精度、低复杂度和广泛适用性，为储能电池健康评估与梯次利用提供了一种高效、可解释的建模思路.

关键词

锂离子电池 / 健康状态估计 / 等效电路模型 / 恒流充电 / 曲线拟合 / 循环实验

基金资助

国家重点研发计划资助项目（2021YFB2601304）; 陕西省自然科学基础研究计划重点资助项目（2025SYS-SYSZD-117）; 陕西省教育厅服务地方专项科学研究计划资助项目（23JE021）; 中国南方电网有限责任公司创新项目（YNKJXM20222521）