Der Gesundheitszustand (SOH) ist ein Schlüsselindikator für die Alterung von Lithium-Ionen-Batterien, und eine präzise Bewertung ist eine notwendige Voraussetzung für den zuverlässigen Betrieb des Batteriemanagementsystems. Die meisten bestehenden Methoden basieren auf Merkmalen, die aus einzelnen oder benachbarten Lade- und Entladezyklen gewonnen werden, wodurch Informationen über Veränderungen zwischen verschiedenen Zyklen im Überwachungssignal nicht erfasst werden können. Zur Lösung dieses Problems wird in dieser Arbeit ein neuartiger Rahmen vorgeschlagen, der zyklusübergreifende Merkmale auf differentieller Basis für die Schätzung des Gesundheitszustands nutzt. Zunächst wird die Cross Recurrence Quantification Analysis (CRQA) verwendet, um Batteriesignale verschiedener Zyklen zu vergleichen und eine Gruppe von CRQA-Indikatormatrizen zu erstellen, die zyklusübergreifende Veränderungen der ursprünglichen Messdaten widerspiegeln. Zweitens wird die Veränderung des Gesundheitszustands (ΔSOH) zwischen beliebigen zwei Zyklen als Prognoseziel anstelle der direkten Vorhersage des Gesundheitszustands verwendet. Anschließend wird ein mit zeitlicher Kreuzvalidierung ausgestattetes Convolutional Neural Network (CNN) aufgebaut, um die Veränderung des Gesundheitszustands vorherzusagen und dabei die inhärente zeitliche Abhängigkeit von ΔSOH beizubehalten. Schließlich wird der vorgeschlagene Rahmen basierend auf dem NASA-Batteriedatensatz implementiert und getestet sowie die Vorhersageleistung bewertet und verglichen. Die Versuchsergebnisse zeigen einen mittleren absoluten Fehler von 0,2965 % und einen Root Mean Square Error von 0,4156 %, was die Machbarkeit und das Anwendungspotenzial der indirekten Methode auf Basis zyklusübergreifender Gesundheitsindikatoren bei der Schätzung des Batteriezustands bestätigt.

Lithium-Ionen-Batterie;Gesundheitszustand;Cross Recurrence Quantification Analysis;Vorhersage;zyklusübergreifende Merkmale