数据驱动的钠离子电池健康状态评估方法研究OA北大核心

钠离子电池健康状态估计是其安全高效应用的基础,也是钠电池规模化储能应用的关键。然而,钠离子电池即用即衰,衰退机理不明晰,老化过程受工况和场景影响,准确的健康状态估计极其困难。为此,提出了数据驱动的钠离子电池健康状态估计方法,探究了钠离子电池的充电数据与容量衰退的映射关系,提出了结合方差筛选、灰色关联分析和递归特征消除的特征选择方法,应用多元线性回归、支持向量机、高斯过程回归和误差反向传播神经网络4类机器学习方法估计钠离子电池的健康状态。验证结果表明,4类方法的健康状态估计均方根误差小于1.6%,其中高斯过程回归的误差小于0.8%,实现了钠离子电池健康状态精准估计。