Cite as:
Energy storage systems (ESS) play a crucial role in various applications, including electric vehicles, renewable energy integration, and grid stabilization. Assessing the state-of-health (SOH) and state-of-charge (SOC) of these systems is paramount for ensuring their reliable performance and longevity. This article presents a comprehensive review of recent advances in methods for SOH and SOC evaluation in ESS. Firstly, the article discusses traditional techniques such as coulomb counting, voltage-based estimation, and impedance spectroscopy. While these methods are widely used, they often lack accuracy and robustness, especially under dynamic operating conditions. Secondly, emerging approaches utilizing machine learning (ML) and artificial intelligence (AI) techniques for SOH and SOC estimation are explored. ML algorithms, including support vector machines (SVM), neural networks, demonstrate promising capabilities in modeling complex ESS behaviors and improving accuracy in predicting SOH and SOC. In conclusion, this article presents a comprehensive overview of the current landscape of methods for SOH and SOC evaluation in ESS, highlighting the recent advancements and future directions in this rapidly evolving field. Accurate and reliable assessment of SOH and SOC is essential for optimizing the performance, reliability, and longevity of energy storage systems in various applications.
Системите за съхранение на енергия (ССЕ) играят ключова роля в различни приложения, включително електрически превозни средства, интегриране на възобновяема енергия и стабилизиране на мрежата. Оценката на състоянието на изправност (СИ) и състоянието на заряда (СЗ) на тези системи е от първостепенно значение за осигуряване на тяхната надеждна работа и дълготрайност. Тази статия представя цялостен преглед на последните постижения в методите за оценка на СИ и СЗ в ССЕ. В статията са разгледани последователно традиционните техники, базиращи се на оценка на базата на напрежение, импеданс и спектроскопия. Въпреки, че тези методи се използват широко, те често не са достатъчно точни и надеждни, особено при динамични условия на работа. Затова са разгледани и нови подходи, използващи техники за машинно обучение и изкуствен интелект за оценка на СИ и СЗ. Алгоритмите на машинното обучение, включително машини с поддържащи вектори и невронни мрежи, демонстрират обещаващи възможности за моделиране на сложното поведение на ССЕ и подобряване на точността при прогнозиране на СИ и СЗ. В заключение, тази статия представя цялостен преглед на настоящите методи за оценка на СИ и СЗ в ССЕ, като подчертава последните постижения и бъдещите насоки в тази бързо развиваща се област. Точната и надеждна оценка на СИ и СЗ е от съществено значение за оптимизиране на работата, надеждността и дълготрайността на системите за съхранение на енергия в различни приложения.
Cite this article as:
Sabev S., Madjarov N., Dankov D., Overview of modern methods for state-of-health and state-of-charge electric vehicles applications. Electrotechnica & Electronica (Е+Е), Vol. 59 (1), 2024, pp.17-23, ISSN: 0861-4717 (Print), 2603-5421 (Online)
