Key points are not available for this paper at this time.
Eine Schlüsselaufgabe von Batteriemanagementsystemen (BMS) in E-Mobilitätsanwendungen ist die präzise Schätzung des Zustands der Batteriegesundheit (SoH). Dies wird typischerweise in kommerziellen BMS mit modellbasierten Methoden erreicht. Es wurde beträchtliche Forschung betrieben, um datengestützte Methoden zur Verbesserung der Genauigkeit der SoH-Schätzung zu entwickeln. Die datengestützten Methoden sind vielfältig und verwenden verschiedene Techniken basierend auf maschinellem Lernen (ML) oder künstlicher Intelligenz (AI). Komplexe AI/ML-Techniken sind aufgrund des umfangreichen Einsatzes nicht-linearer Funktionen und großer Matrixoperationen schwer in kostengünstigen Mikrocontrollern zu implementieren, die in BMS verwendet werden. Dieses Papier schlägt eine rechnerisch effiziente und datenspeicherschonende Schätzungstechnik für SoH vor. Online-Impedanz bei vier diskreten Frequenzen wird ausgewertet, um die Merkmale eines linearen Regressionsproblems abzuleiten. Die vorgeschlagene Lösung vermeidet komplexe mathematische Operationen und ist gut geeignet für die Online-Implementierung in einem kommerziellen BMS. Die Genauigkeit dieser Methode wird an zwei experimentellen Datensätzen validiert und zeigt einen mittleren absoluten Fehler (MAE) von weniger als 2 % über diverse Trainings- und Testdaten.
Kulkarni et al. (Mon,) haben diese Frage untersucht.