本研究通过分析储能电池容量和电阻变化来评估电池健康状态(State of Health,SOH),使用集合经验模态分解技术提取振动信号特征。采用改进的K-means聚类算法对信号特征进行分类,实现对电池SOH的预测。实验表明,文章提出的算法能准确预测...本研究通过分析储能电池容量和电阻变化来评估电池健康状态(State of Health,SOH),使用集合经验模态分解技术提取振动信号特征。采用改进的K-means聚类算法对信号特征进行分类,实现对电池SOH的预测。实验表明,文章提出的算法能准确预测电池SOH,在600次循环使用后,预测值与真实状态相差仅1%,预测误差维持在2.6%,显示出算法在复杂状态下的高效性和可靠性。该研究为电力设备的智能化维护提供了新的视角和方法,有望提高电力系统的运行效率。展开更多
为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯...为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯网络的电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计方法。应用多阶电阻-电容电路(resistor-capacitance circuit,RC)模型、使用节点-支路框架构建电池的等效电路模型,通过基尔霍夫定律与欧姆定律对二阶RC电池等效电路模型中的并联回路进行电气特性分析,构建空间状态方程及等效输出方程;对构建的状态方程进行离散化处理,分别定义并联独立回路离散化零输入响应、零状态响应,分析离散化电池模型状态空间方程;将专家打分法引入TOPSIS算法中进行电池SOC量化估计,结合融入模糊尺度的贝叶斯网络,在相同时间分布尺度下通过电池SOH值计算电池观测样本中对应的SOC值,实现电池SOH与SOC联合估计。实验结果表明:所提方法可有效估计不同离散空间尺度下的电池SOC和SOH结果,估计方法具有良好的准确性与较高的精度。展开更多
动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方...动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, BP-AdaBoost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,BP-AdaBoost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。展开更多
文摘本研究通过分析储能电池容量和电阻变化来评估电池健康状态(State of Health,SOH),使用集合经验模态分解技术提取振动信号特征。采用改进的K-means聚类算法对信号特征进行分类,实现对电池SOH的预测。实验表明,文章提出的算法能准确预测电池SOH,在600次循环使用后,预测值与真实状态相差仅1%,预测误差维持在2.6%,显示出算法在复杂状态下的高效性和可靠性。该研究为电力设备的智能化维护提供了新的视角和方法,有望提高电力系统的运行效率。
文摘为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯网络的电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计方法。应用多阶电阻-电容电路(resistor-capacitance circuit,RC)模型、使用节点-支路框架构建电池的等效电路模型,通过基尔霍夫定律与欧姆定律对二阶RC电池等效电路模型中的并联回路进行电气特性分析,构建空间状态方程及等效输出方程;对构建的状态方程进行离散化处理,分别定义并联独立回路离散化零输入响应、零状态响应,分析离散化电池模型状态空间方程;将专家打分法引入TOPSIS算法中进行电池SOC量化估计,结合融入模糊尺度的贝叶斯网络,在相同时间分布尺度下通过电池SOH值计算电池观测样本中对应的SOC值,实现电池SOH与SOC联合估计。实验结果表明:所提方法可有效估计不同离散空间尺度下的电池SOC和SOH结果,估计方法具有良好的准确性与较高的精度。
文摘动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, BP-AdaBoost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,BP-AdaBoost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。
