ارائۀ یک روش مبتنی‌بر همبستگی به‌منظور تخمین وضعیت سلامت باتری لیتیومی در روش‌های داده‌محور برای خودروهای برقی

در این مقاله چارچوبی مبتنی‌بر روش همبستگی برای استخراج و انتخاب یک مجموعه از ویژگی‌های فیزیکی مناسب برای تخمین وضعیت سلامت باتری‌های لیتیومی بر مبنای روش‌های داده‌محور ارائه می‌شود. این ویژگی‌ها به‌صورت برخط (آنلاین) برای چرخه‌های شارژ/دشارژ جزئی (ناقص) در کاربردهایی مانند خودروی برقی قابل محاسبه‌اند. نوآوری اصلی این مقاله ارائۀ چارچوبی برای انتخاب زیرمجموعه‌ای از ویژگی‌های مستقل با حداکثر مشارکت در وضعیت سلامت از بین مجموعه ویژگی‌های باتری است. مجموعه ویژگی‌ها به‌گونه‌ای انتخاب شده که برخلاف ویژگی‌های آماری مرسوم، به الگوی شارژ/دشارژ بستگی نداشته و استخراج آن‌ها نیز به اطلاعات یک چرخۀ کامل نیاز نداشته باشد. روش پیشنهادی با استخراج ویژگی‌ مبتنی‌بر مدل‌ واکنش‌های الکتروشیمیایی ذاتی درون یک باتری، و کاهش آن‌ها با استفاده از معیار همبستگی باعث افزایش دقت مدل و جلوگیری از بیش‌برازش آن می‌شود. برای اعتبارسنجی روش پیشنهادی از مجموعه‌داده‌های سلامت باتری که توسط ناسا ارائه شده، تحت شرایط مختلف عملکرد باتری شامل چرخه‌های شارژ/دشارژ جزئی و تصادفی استفاده شده است. نتایج بررسی نشان می‌دهد که ویژگی‌های پیشنهادی بر مبنای الگوریتم همبستگی با استفاده از مدل داده‌محور گوسی قادر به تخمین وضعیت سلامت باتری با میانگین خطای کمتر از 1/5 درصد است که قابل مقایسه با روش‌های موجود برای چرخۀ شارژ/دشارژ کامل با جریان ثابت است. همچنین روش پیشنهادی در این مقاله امکان توسعه به الگوهای شارژ/دشارژ جریان متغیر تصادفی و تخمین وضعیت سلامت باتری با خطای میانگین حدود 10 درصد برای این الگوها را دارد که این امکان برای روش‌های موجود گزارش نشده است.

a correlation-based method for the estimation of the state-of-health of lithium batteries in electric vehicles using data-driven methods

this paper presents a correlation-based framework for feature selection to estimate the lithium batteries state of health (soh) using data-driven methods. these features can be calculated online for partial charge/discharge (c/d) cycles in electric vehicles. the main contribution is to provide a framework to determine a subset of independent features with maximum impacts on soh estimation. despite statistical features, the selected features are independent of c/d profiles, without requiring a full cycle information. using the correlation criterion reduces the computational burden in a data-driven model as required in an online battery health estimation method. extracting features, considering battery electrochemical reactions, and reducing the number of selected features, using the suggested correlation criterion, increase the robustness of the model and avoid overfitting. nasa labeled battery aging dataset is used to evaluate the performance of the method under various partial and random c/d cycles. the results show that the correlation-based features in gaussian data-driven model can estimate the battery soh with an average error of 10% under random patterns in a partial c/d cycle.