基于状态相依的RBF-ARX模型的锂离子电池剩余容量估计方法

锂离子电池剩余容量估计是电池管理系统中关键技术之一,也是实现锂离子电池安全稳定运行的前提。针对锂离子电池剩余容量有效估计问题,该文提出带外生输入的自回归模型(radial basis function-autoregressive exogenous,RBF-ARX)的锂离子电池剩余容量估计方法,利用结构化非线性参数优化方法辨识模型参数,并将“老化信息”与“能量”相结合,基于小波包能量分析从电池充电电流/电压曲线中直接提取能量特征作为新健康特征,采用传递熵对新健康特征进行筛选以构成模型输入,实现锂离子电池剩余容量的有效估计;最后,基于NASA公开的锂离子电池老化数据,通过不同训练/测试样本比例、不同模型展开综合分析。结果表明,所提出的基于状态相依的RBF-ARX模型的锂离子电池剩余容量估计方法与常用的数据驱动方法相比,误差指标中平均绝对误差、平均绝对百分比误差、均方根误差均保持在较低水平,具有良好的估计精度。

基于混合模型的储能用锂离子电池剩余寿命预测方法研究

针对储能系统在调峰、调频等工况下存在电池老化等安全问题,提出一种储能用锂离子电池剩余使用寿命(RUL)预测方法。该方法通过研究锂离子电池充电曲线特点,从电池恒流、恒压充电过程中提取短时电压电流片段数据作为表征电池老化的特征,提出一种B样条曲线的方法对得到的片段数据进行降噪处理,得到与容量高度相关的新健康因子(HF),然后运用蝴蝶优化策略改进的麻雀搜索算法对卷积神经网络-长短期记忆网络混合模型参数进行优化,最后以NASA数据集和实验平台实际运行数据对锂离子电池RUL进行预测并与其他方法对比验证,结果表明,NASA数据集预测结果均方根误差RMSE、平均绝对误差MAE范围控制在3.45%、2.42%之内,实验平台电池老化数据集预测结果RMSE、MAE范围控制在0.96%、0.83%之内,所提方法对锂离子电池RUL预测具有较高的准确性,能有效解决储能电池安全预警问题,可为电网稳定控制提供保障。

计及健康特征信息量的锂离子电池健康状态与剩余寿命预测研究

电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性,但并没有考虑其信息量及信息质量,低质量的数据输入会造成一定程度的预测偏差。针对上述问题,提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health,SOH)预测与剩余寿命(remaining useful life,RUL)估计模型。该模型在GA-BP神经网络的基础上,通过确定有效健康特征数据集,利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果,将过滤后的预测结果作为电池老化模型的输入,进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证,得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下,剩余寿命估计结果MAE、RMSE分别控制在0.0031mA·h、0.0042mA·h之下,具有良好的可行性与有效性。

基于电压数据片段混合模型的锂离子电池剩余寿命预测与健康状态估计

锂离子电池剩余寿命预测及健康状态估计作为储能安全中最为核心的问题,其重要指标往往集中在电池的容量与内阻,但在实际工作中,测量容量需要完整的充放电周期,测量内阻多须外加设备。针对上述问题,基于锂离子电池恒流放电工况,将放电初始片段瞬时压降幅值作为新健康因子,在面对新健康因子数据受噪声污染时,通过多阶Bezier曲线对新健康因子数据进行重构降噪并与循环圈数构建电池经验退化模型;在此基础上,以电压片段来定义电池健康状态,提出新的健康状态评估模型;最后,通过NASA公开的老化数据集与实验平台验证了所提退化模型与估计模型的可行性与有效性。