【锂离子电池SOH研究现状的文献综述1500字】

1电池健康状态表征当前电池较新电池相比存储电荷的能力，一般通过容量法和内(1)基于模型的预测方法状态，但该方法需要研究电池内部化学反应，对测量设备要中应用。文献[34]提出了一种基于电化学模型和半经验容量衰减模型相结合的锂离子电池SOH估算方法，提高了SOH估算精度，但该方法受工作温度和电流放电倍率的影响较大。电池等效电路模型利用电子元件构成等效电路来模拟电池的内部特性，但(2)基于数据的预测方法基于电池模型的方法需要建立复杂的等效模型才能达到较高的预测精度。基于数据驱动的方法从大量数据中自动提取电池内部特征信息，网的快速发展和数据的普及，在实际应用中可以获得大量锂离子电池使用数据，这为基于数据驱动的方法主要包括支持向量机、时间序列分析、卷积神经网路等。文献[35]提出了一种基于加权最小二乘法和支持向量机相结合池SOH在线估计，但该方法在求解过程中涉及N阶矩阵计算(N为样本的个数),当卷积神经网络(ConvolutionalNeuralNetworks,CNN)作为一种广泛应用的深度学取图像特征，一维卷积神经网络可对序列数据特征进行提取。文献[38]提出了一种基共享权值，这使得模型能够通过充电时的测量准确估计电池容量。文献[40]从容量的2入，提出了一种基于一维卷积神经网络的锂离子电池SOH估算方法。在NASA随机使用数据集和牛津电池老化数据集上验证了算法的有效性，实验结果表明，该方法能够实现准确的SOH估算，且具备网络参数少、占用内存小的优势。3参考文献basedonconvexoptimization[J[4]JiYJ,QiuSL,LiG.Simulationofsecond-orderRCequivalentcircuitmodeloflithiumbatterybasedonvariableresistanceandcapacitance[J].JournalofCentralSouthUnivers2020,48(2):1712-1730.[6]XuW,XuJL,YanXF.Lithium-ionbatterystateofcharge[7]TaoCF,LiGY,ZhaoJB.Theinvestigationofthermalrunawaypropagationoflithium-ionbatteriesunderdifferentverticaldistances[J].JournalofThermalAnalysisJournalofPowerElectronics,2020,2[11]ZhangZL,DuZM,HanZY,etal.Tempera4connectedlithium-ionbatterypacks[J].MultimediaToolsandApplications,2020,79(23[14]TanYQ,LuoMJ,SheLY,etal.Jointestimationofternarylithium-ionbatterys2020,15(2):1128-1147.poweravailableinlithium-ionb[17]LiuSQ