SwePub
Sök i LIBRIS databas

  Utökad sökning

id:"swepub:oai:research.chalmers.se:d6e687fd-629d-46ac-a1c0-5b1858e5b4cd"
 

Sökning: id:"swepub:oai:research.chalmers.se:d6e687fd-629d-46ac-a1c0-5b1858e5b4cd" > Rapid online health...

Rapid online health estimation for lithium-ion batteries based on partial constant-voltage charging segment

Guo, Wenchao (författare)
Shanghai Jiao Tong University
Yang, Lin (författare)
Shanghai Jiao Tong University
Deng, Zhongwei (författare)
University of Electronic Science and Technology of China,Shanghai Jiao Tong University
visa fler...
Li, Jilin (författare)
Shanghai Jiao Tong University
Bian, Xiaolei, 1990 (författare)
Chalmers tekniska högskola,Chalmers University of Technology
visa färre...
 (creator_code:org_t)
2023
2023
Engelska.
Ingår i: Energy. - 0360-5442. ; 281
  • Tidskriftsartikel (refereegranskat)
Abstract Ämnesord
Stäng  
  • Battery health evaluation is vital for ensuring the security and reliability of lithium-ion batteries. However, the currently proposed methods generally require high-quality input data for feature extraction in online applications. To overcome this obstacle, this paper proposes a rapid online health estimation method only based on partial constant-voltage (CV) charging segment. Firstly, through primary analysis of battery test data, the evolution of CV charging current is confirmed to be correlated with battery capacity. Subsequently, the current evolution constant of CV charging phase is mathematically formulated and quantitatively characterized using a novel health indicator (HI). Besides, charging time and charging capacity are also extracted as HIs to comprehensively capture the CV charging behavior and enhance the robustness of data-driven models. Considering the user's charging habits, an optimized CV segment is determined, enabling a significant reduction in data size and coverage. Finally, three data-driven methods are employed to construct health estimation models by using the extracted HIs, and the best performance is achieved by Gaussian process regression with MAE and RMSE lower than 0.8% and 1%, respectively. Remarkably, the proposed method demonstrates superiority in dealing with sparse sampling, and satisfactory results with 2.9% error under the sparsity of 10 s are obtained.

Ämnesord

NATURVETENSKAP  -- Matematik -- Sannolikhetsteori och statistik (hsv//swe)
NATURAL SCIENCES  -- Mathematics -- Probability Theory and Statistics (hsv//eng)
TEKNIK OCH TEKNOLOGIER  -- Elektroteknik och elektronik -- Signalbehandling (hsv//swe)
ENGINEERING AND TECHNOLOGY  -- Electrical Engineering, Electronic Engineering, Information Engineering -- Signal Processing (hsv//eng)

Nyckelord

Lithium-ion battery
Data-driven method
Health indicator
Health estimation
Optimized segment
Feature extraction

Publikations- och innehållstyp

art (ämneskategori)
ref (ämneskategori)

Hitta via bibliotek

  • Energy (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

Hitta mer i SwePub

Av författaren/redakt...
Guo, Wenchao
Yang, Lin
Deng, Zhongwei
Li, Jilin
Bian, Xiaolei, 1 ...
Om ämnet
NATURVETENSKAP
NATURVETENSKAP
och Matematik
och Sannolikhetsteor ...
TEKNIK OCH TEKNOLOGIER
TEKNIK OCH TEKNO ...
och Elektroteknik oc ...
och Signalbehandling
Artiklar i publikationen
Energy
Av lärosätet
Chalmers tekniska högskola

Sök utanför SwePub

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy