基于弛豫电压曲线的磷酸铁锂电池模组SOH评估

来源：电子测量技术杂志2025年第12期北京时间：

作者：陈鑫，马慧敏，郄晶晶，郭志鹏，廖强强

单位：1.上海电力大学上海市电力材料防护与新材料重点实验室 上海 200090; 2.北京大学鄂尔多斯能源研究院 鄂尔多斯 017000

摘要：电池健康状态(SOH)的评估是电池系统的关键技术之一，其准确性对电池系统的安全运行至关重要。弛豫电压曲线含有丰富的电池信息，而且弛豫时间短，适用于非恒定工况下的电池健康状态评估。本文利用弛豫电压曲线来评估磷酸铁锂电池模组的健康状态。首先，建立了基于时间常数与弛豫时间线性相关的磷酸铁锂(LFP)电池模组的弛豫电压模型，并采用粒子群优化(PSO)算法对弛豫电压曲线参数辨识，提取健康因子。其次，开发了基于鹈鹕算法(POA)优化的卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的混合模型，用来评估电池的SOH。研究结果表明，无论是采用1/2 C倍率还是1 C倍率充放电获得的弛豫电压曲线，经过PSO算法参数辨识得到的变时间常数电压值与真实弛豫电压值的相对误差(RE)均不超过±0.12%，表明PSO方法对不同倍率下的弛豫电压具有良好的参数辨识效果。采用1/2 C倍率充放电后的弛豫电压曲线，在训练集低至5%的情况下，测试集利用POA-CNN-BiLSTM模型得到的SOH评估相对误差仍不超过±1.2%；而在1 C充放电倍率下，训练集低至5%时，测试集利用POA-CNN-BiLSTM模型得到的SOH评估相对误差仍不超过±1.6%，表明POA-CNN-BiLSTM模型评估电池SOH具有较高的精度。

关键词：健康状态;参数辨识;电池模组;鹈鹕算法;卷积神经网络;双向长短期记忆网络