簡要分析電池老化程度報告

電池廣泛應(yīng)用于汽車、電動汽車、UPS電源、EPS電源系統(tǒng)等。VRLAB是應(yīng)用最廣泛的電池，尤其在電力、通信、鐵路、礦山等領(lǐng)域。

SOH是直接反映電池預期壽命的相對量。含義如式(1)所示:

電池退化

式中:Cm為當前測試電池容量;Cn是電池的額定容量;SOH是用來反映電池電流容量的百分比。關(guān)于新電池，SOH往往大于或等于100%。隨著電池的老化，SOH會逐漸下降。

電化學阻抗分析方法,近年來,由于其出色的表現(xiàn)在預測精度和已廣泛應(yīng)用,但該方法使用模糊邏輯來分析大量的數(shù)據(jù),并得到一個特定類型的電池的特點,過程是非常復雜的,昂貴的,并不適用于礦井移動膠囊備份電池測試。

SOH估算法了解電池SOH最直接的方法是對電池進行實際的充放電測試，也是目前為止行業(yè)和專業(yè)領(lǐng)域公認的唯一可靠的方法。要測試負載，操作不方便;考試時間太長了。

另一種SOH估算方法是從電池的內(nèi)阻出發(fā)，通過研究電池的SOH內(nèi)阻變化關(guān)系來解決問題，簡單地說，隨著電池老化，SOH下降，內(nèi)阻增大，SOH與內(nèi)阻呈高度非線性。但是由于電阻在電池容量F25%~30%之后會出現(xiàn)明顯的變化，所以通過及時的發(fā)現(xiàn)電池內(nèi)阻監(jiān)測方式存在的問題有些困難。

VRLAB許多實際應(yīng)用表明,系統(tǒng)中使用VRLAB并不樂觀,和一系列的問題經(jīng)常發(fā)生,失望和擔心用戶:生活不能達到預期的效果,在使用3~4年后,絕大多數(shù)的電池容量測試非常困難。由于VRLAB所謂的維護，所以在很多情況下都是在電源中斷時發(fā)現(xiàn)電池容量不達標或損壞，從而造成巨大的經(jīng)濟損失，甚至威脅到人身安全。神經(jīng)網(wǎng)絡(luò)在預測領(lǐng)域的突出表現(xiàn)，使其在越來越多的領(lǐng)域得到應(yīng)用，但也暴露出一些弊端，如預測精度低。不能滿足實際要等。近年來，用于提高預測精度。減少預測誤差的優(yōu)化算法層出不窮。本文選擇Elman神經(jīng)網(wǎng)絡(luò)建模，利用遺傳算法對其進行優(yōu)化，試圖建立一個準確的在線預測電池退化(健康狀態(tài)，sou)模型。通過大量的數(shù)據(jù)采集試驗和仿真實驗，證明優(yōu)化后的模型確實能夠提高預測的整體精度，降低預測的總誤差。

關(guān)于同一組電池，在相同的放電條件下，包括電流和溫度，SOH與放電電壓特性的關(guān)系，一般用電池的實際放電容量與正常容量的百分比來表示。

Elman神經(jīng)網(wǎng)絡(luò)最早在20世紀90年代被提出用于語音處理，是一種典型的局部回歸網(wǎng)絡(luò)。埃爾曼網(wǎng)絡(luò)是一種具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)。

實驗證明,利用遺傳算法來優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型來預測電池SOH是可行的,與淺放電測試測量訓練數(shù)據(jù)是有效的,誤差控制在允許的范圍,實現(xiàn)土壤準確預測電池的目的,解決了電池SOH在線監(jiān)測的問題。但由于缺乏訓練數(shù)據(jù)，該模型無法預測全球電池土壤的缺陷。