基于多核相关向量机优化模型的锂离子电池容量在线估算

准确的锂离子电池容量在线估算是电池管理系统的核心功能之一。基于放电过程的电池容量估算易受运行工况的复杂外界因素影响,该文基于部分充电数据的容量增量曲线,提取表征电池容量退化的两个老化特征,建立以老化特征为输入量、电池容量为输出量的多核相关向量机优化模型。以灰狼优化算法确定多核相关向量机的核函数权值和核参数,结合在线提取的老化特征估计电池容量。利用Matlab和LabVIEW联合仿真,建立基于多核相关向量机优化模型的电池管理系统。通过马里兰大学单体电池老化数据集和大连理工大学电池组老化数据集进行模型验证。结果表明,该文提出的电池容量在线估算方法对单体电池和电池组容量估计误差均在2.3%以内。

采用极限学习机实现锂离子电池健康状态在线估算

电池健康状态(SOH)估算是电动汽车电池管理系统核心技术之一。为准确在线估算锂离子电池SOH,提出在动态工况下构建表征电池衰退的健康指标(HI),并引入极限学习机(ELM)离线训练电池全生命周期的ELM衰退模型,实现SOH在线估算。实验结果表明,该方法能准确在线估算锂离子电池SOH,估算误差不超过2%。

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。

灰色神经网络模型在线估算锂离子电池SOH

锂离子电池是一个复杂的电化学动态系统,难以通过单一的监测电池内部的物理和化学特性实现健康状态(state of health,SOH)在线估算。为此提出以欧姆内阻增加量、极化内阻增加量和极化电容减少量作为电池的健康因子(health indicator,HI),并引入灰色神经网络离线训练以HI为输入,电池容量退化量为输出的灰色神经网络模型,最后通过在线构建电池HI实现电池SOH估算。实验结果表明所提出的HI能够有效表征电池健康状态,灰色神经网络模型与BP神经网络模型相比,具有更高的SOH在线估算精度,估算误差不超过2%。

基于电化学模型的锂离子电池健康状态估算

针对电动汽车锂离子电池健康状态在线估算问题,提出了一种基于伪二维模型参数的估算方法.该方法通过拆解同类估算目标电池,以扫描电镜测量电池结构参数,利用遗传算法辨识其他未知电化学模型参数,建立一种新的基于化学计量比的电池正极容量计算法则,估算电池健康状态.同时考虑老化对电池正极化学计量比的影响,进一步提高健康状态估算精度.采用电池老化数据集验证该方法的有效性,结果表明所提出的估算方法能在短时动态工况下实现电池健康状态的准确在线估算.

最大可用容量和内阻实现锂离子电池快速筛选

针对目前锂离子电池初筛选方法存在耗时久、计算量大等问题,提出了一种快速获取电池最大可用容量和欧姆内阻的方法。通过该方法获取欧姆内阻:建立电池一阶RC等效电路模型;对电池进行一次动态工况放电实验;利用带遗忘因子的递推最小二乘法辨识模型欧姆内阻。最大可用容量是利用动态工况放电前后电量阶跃值和电池荷电状态(S OC)差值关系估算获得。通过实验测试验证了所提出方法 ,最大可用容量估算误差不超过1.3%,欧姆内阻估算误差不超过3%。将该方法用于电池筛选中,实验结果表明筛选时间相比传统筛选方法缩短了三分之一。该研究对锂电池初筛选有一定的实用价值。

Hermite插值法建立锂离子电池开路电压模型

传统的开路电压(Open Circuit Voltage,OCV)模型建模方法中,利用最小二乘法拟合OCV曲线,使得OCV测试点不能全部落在曲线上,建模精度低,为此提出利用Hermite插值法建立电池OCV模型。首先通过对电池进行间隔放电获得若干个OCV测试点;其次利用分段三次Hermite插值函数建立OCV模型并拟合OCV曲线;最后验证所建立OCV模型的有效性。验证实验通过对电池进行不同温度下的UDDS动态工况放电实验,将OCV曲线应用在扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现的电池SOC估算中,通过对比SOC估算结果验证OCV模型精度。实验结果表明,在不同温度下Hermite插值法OCV模型具有可行性,与传统OCV模型相比Hermite插值法OCV模型具有更高的建模精度。

不同时间尺度下锂电池SoC估算研究

针对当前电池荷电状态(SoC)估算算法在处理器运算过程中计算量大,耗费处理器资源多的问题,提出在SoC估算中同时增大辨识时间尺度和估算时间尺度;采用带遗忘因子递推最小二乘算法辨识电池模型参数,并探究不同大小的时间尺度对SoC估算精度的影响;仿真结果表明,随着辨识时间尺度和估算时间尺度增大,SoC估算精度下降且计算量快速下降,计算消耗时间呈指数减少;当时间尺度过大时,SoC估算精度难以保证,计算消耗时间减少不明显,收敛时间长;在综合考虑估算精度和计算耗费时间情况下,可以找到一个最优的时间尺度用于保证SoC估算精度同时大大降低计算量;该方法为后续实现电动汽车SoC在线估算提供理论依据。