适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明:四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.

基于IMOCS-BP神经网络的锂离子电池SOH估计

锂离子电池随着循环充放电次数的增长,其健康状态SOH(state-of-health)会随之发生一定程度的衰减。针对以上问题,设计了一种基于改进的多目标布谷鸟搜索IMOCS(improved multi-objective Cuckoo search)-BP神经网络的锂离子电池健康状态估计方法,在避免算法陷入局部最优的同时自适应改变布谷鸟搜索CS(Cuckoo search)算法更新概率和搜索步长,解决CS算法收敛速度慢和求解精度低的问题。以IMOCS算法和BP神经网络结合,对节点空间范围进行全局搜索,降低权值和阈值的初值对BP神经网络的影响,实现参数优化。通过Matlab仿真,验证了基于IMOCS-BP神经网络的SOH估计算法误差低、性能强,实现了锂电池SOH的精准预测。

基于EKF算法的纯电动汽车锂电池SOC与SOH联合估算

为提高对动力电池的荷电状态(state of charge, SOC)估算精度、动力电池的健康状态(state of health, SOH)对锂电池性能的影响,提出一种扩展卡尔曼滤波(extended kalman filtering, EKF)联合估算算法。根据现有的实验数据,分析锂电池特性,构建二阶RC等效电路模型,并进行参数辨识,搭建MATLAB仿真平台联合EKF算法进行SOC估算,将仿真结果与真实数据进行对比,结果表明,EKF联合估算SOC比EKF估算SOC误差精度约高1.2%,且抗干扰能力更强。

基于V2G与XGBoost技术的锂电池SOH估计与RUL预测分析

阐述针对锂离子电池特征提取困难导致SOH预测精确度较低的问题,提出一种基于V2G技术的充放电过程与XGBoost的锂电池SOH预测及RUL预测方法。通过从充电曲线中提取的滤波后曲线峰值与峰值对应点电压作为充电过程中的健康因子,以及放电过程中的周期放电电压达到最低点的时间和平均电压衰减,作为放电过程中的健康因子XGBoost模型的输入,进行电池SOH预测,结合SOH估计值和估算模型实现RUL的长期预测。实验结果表明,改进后的模型具有更高的估算精度,SOH估计和RUI预测精度较高。

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health,SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter,PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model,MGM)和时间卷积网络(temporal convolutional network,TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。

基于多模型组合和EIS的锂电池SOH和RUL预测

电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)是评价电池健康程度和剩余寿命的重要技术指标。SOH和RUL的估计是电池管理系统的重要组成部分,是实现电池管理系统智能监控和科学运营的基础。电池电化学阻抗谱(electrochemical impedance spectroscopy, EIS)是一种用于表征电池内部电化学过程的测试方法,它具备精度高和非侵入性损害等优点。多种研究表明,电池阻抗谱EIS与电池的SOH和RUL存在一些内在的联系,因此成为电化学领域的研究热点。基于EIS预测SOH和RUL,传统机器学习方法比较成熟,但预测精度和稳定性仍有局限,难以完全挖掘电池衰减规律。因此,需要与深度学习等方法相结合才能提高预测性能。将降维模型和多种深度学习模型引入SOH和RUL预测领域,并对模型进行有效组合,取得了很好的效果。将EIS所有频率对应的实部和虚部数据依次排列作为频率特征,首先使用主成分分析(principle component analysis, PCA)模型对EIS值进行降维,提炼出10个精炼的主成分,然后使用卷积神经网络(convolution neural network, CNN)模型提取EIS的空间特征,使用双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)模型提取EIS时间序列变化规律,使用注意力(attention)机制进一步选取EIS数据的时空特征中的重要部分,共同预测SOH和RUL。在测试数据上进行实验表明,SOH预测的均方误差(root mean square error, RMSE)达到0.146 8,RUL预测的均方误差达到2.614 5,效果均好于传统的方法。

基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计

锂离子电池健康状态(SOH)的在线估计对电池管理系统的安全稳定运行至关重要.为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长、计算量大、调试过程复杂的问题,提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法.该方法通过dQ/dV和dT/dV曲线分析,筛选出与电池SOH相关性较高的数据区间进行多维健康特征提取,并对其进行主成分分析降维处理得到间接健康因子;利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系.在此基础上,针对单一模型输出不稳定的特点,提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则剔除单一极限学习机不可靠的输出,从而提高锂离子电池SOH的估计精度.使用NASA和牛津大学的锂离子电池老化数据集对该方法进行验证,结果表明该方法的平均绝对百分比误差小于1%,具有较高的准确性和可靠性.

基于非线性降维IC特征的实车电池SOH估计

基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。

基于多方法融合的锂离子电池SOC-SOH联合估计

健康状态估计对电池的实用性和经济性具有指导意义.针对电池健康状态估计难度大且估计结果极易受噪声的影响,但融合算法估计效果好且受噪声影响小,提出了基于粒子群优化深度置信网络和自适应扩展卡尔曼/自适应H_(∞)滤波((PSO-DBN)-AEKF/AHIFF)融合算法在卷积神经网络(CNN)模型下的锂离子电池SOC-SOH联合估计.首先对于健康状态(SOH)数据的预处理环节采用小波变换的方法使得噪声显著去除.其次将去噪后的数据代入训练好的CNN模型进行SOH估计,并融合((PSO-DBN)-AEKF/AHIFF)算法进行健康状态估计,最后在DST工况和UDDS工况下,搭建Matlab/Simulink/Python环境下的Typhoon HIL602+硬件在环平台进行联合估计的验证,结果显示健康状态的估计误差在1%以内,荷电状态(SOC)的估计误差在2%以内,由此证明了多方法融合的SOC-SOH联合估计的有效性,且具有较好的估计精度和鲁棒性.

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题,提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数,并估计SOH,将阻容等辨识结果作为输入,弥补估计SOC时应该考虑电池老化影响产生的误差,实现SOH对SOC的修正,提高模型精度。在新欧洲驾驶周期(NEDC)工况下,进行充放电实验,EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。

基于双重注意力机制的电池SOH估计和RUL预测编解码模型

锂电池的健康状态(SOH)和剩余使用寿命(RUL)精确评估对电池安全稳定运行极为重要,而现有预测模型内部运行机制透明性低,导致评估可靠性较差。文中提出一种基于双重注意力机制的双向长短期记忆网络编解码模型进行SOH估计和RUL预测。编码侧的特征注意力机制和解码侧的时序注意力机制不仅通过动态分配特征和时序信息的权重提升了模型预测精度,还通过可视化权重的方法实现了模型可解释性。最后,利用NASA和CALCE公开的电池数据集进行实验测试,验证了所提方法具有较高的精度和可靠性。

基于单体到模组迁移的磷酸铁锂储能系统SOH评估方法

为了解决传统机器学习的电池健康状态(state of health,SOH)评估方法在应用于大规模电化学储能电站的应用场景时,存在的数据处理慢和评估效果差等问题,提出了一种基于单体到模组迁移的磷酸铁锂储能系统SOH评估方法。基于实验获取了磷酸铁锂电池和电池组的老化数据集,构建了迁移学习的SOH评估模型框架,验证了小规模样本再训练模型的评估效果;测试了采用长短时记忆神经网络(long short-term memory networks,LSTM)和门控循环单元(gated recurrent unit,GRU)等模型的评估效果;对比了不同片段的短特征样本数据对评估结果的影响。研究结果证明,经过小规模样本数据优化后的电池单体模型能够实现对电池组SOH的评估;以GRU为主网络的迁移学习模型对电池组SOH的评估综合性能最优;采用电压区间为24.5~30 V片段短特征数据集的模型,能够进一步提高评估准确性和速度,对电池组SOH评估均方差可降低至0.1%,符合大规模储能电站场景下的使用需求。研究成果为电化学储能电站的运行状态评估方法提供可能的技术参考和数据支撑。

基于SOM神经网络的蓄电池SOH快速检测研究

介绍了一种通过机器学习快速分离同组不健康电池及预测未知蓄电池健康度SOH的方法。IEC60896-22-2004和GB/T19638.2-2005标准规定了铅酸蓄电池的容量标准及检测方法。标准的容量测试方法需要使用C_(10)的电流恒流放电10个小时,试验方法在实际中难以应用于数量庞大的在用蓄电池组。研究一种基于机器学习的替代方法,对蓄电池组均衡电压后进行快速5分钟大电流充电和5分钟大电流放电,提取充放电的特征,通过SOM神经网络将每个蓄电池特征映射到二维平面,然后通过聚类分析分离不同容量性能的电池。更进一步,通过多次机器学习和按照标准方法获取真实容量,建立监督学习的训练集,利用SOM神经网络聚类中心距离或者时序相似性搜索算法用于快速评估未知电池样本的容量,准确率达96%。

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态(SOC)与健康状态(SOH)对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波(UKF)算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法(DAUKF),实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。

不同温度下基于PSO-LSSVM的锂电池SOH估计与RUL预测

电池的健康状态(SOH)和剩余寿命(RUL)是电池管理系统(BMS)的重要参数,准确地估计SOH和预测RUL对保障电池长期安全有效运行至关重要。选择锂电池等压降放电时间序列为间接健康因子,通过Pearson相关系数和Spearman秩相关系数说明所选健康因子与电池实际容量的相关性高;使用粒子群优化(PSO)算法寻找最小二乘支持向量机(LSSVM)的参数最优解,建立SOH估计及RUL预测模型。采用锂电池数据集对该方法进行验证,结果表明:在4,24,43℃三种不同环境温度下PSO-LSSVM的电池SOH估计结果平均绝对百分比误差(MAPE)均在1.05%以内,RUL预测结果与实际结果误差均在2.5%以内,说明所选方法具有良好的适用性和可行性。

基于多时间尺度锂电池在线参数辨识及SOC和SOH估计

电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池SOC(State of Charge)估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法。以18650三元锂电池为研究对象,采用基于二阶RC等效电路模型的多时间尺度DEKF算法,针对电池参数的慢变特性和状态的快变特性进行双时间尺度在线参数辨识和SOC估算;通过联邦城市驾驶计划(FUDS)测试验证,得出多时间尺度DEKF算法和传统离线辨识EKF算法对SOC估计的平均绝对误差分别为0.97%和2.46%,均方根误差为1.19%和2.69%,容量估计值对参考值最大误差仅为0.007 72 Ah;实验结果表明:所提出的多时间尺度DEKF算法,具有更好的鲁棒性和SOC估算精度并能实时反应SOH变化趋势。

基于TCN编码的锂离子电池SOH估计方法

为了能够准确可靠地估计锂离子电池的健康状态(State of Health, SOH),提出一种基于时序卷积网络(Temporal Convolutional Network, TCN)的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络,它能够对电池充电曲线上的采样点序列进行编码,通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度,对不同种类的电池也有良好的适应能力.

基于频繁项统计的锂动力电池SOH估计

快速而精确的估计电池健康状态(SOH)是保证动力电池系统安全的基础。纯电动汽车在运行过程中,传统的估计方法难以利用车载有限的计算资源,在线构建精确的SOH估计模型。针对该问题,提出一种利用短时监测数据在线构建电池健康指标(HI)的特征提取方法。该方法将不同电压区间内积累的电量看作频繁项,利用Lossy Counting算法构建概要数据结构对频繁项分布进行统计,基于频繁项分布规律的变化对电池健康状态进行表征。仿真和实验结果表明,该方法能利用车载计算资源,以较小的时间和空间复杂度提取电池健康状态指标。

基于温度和SOC的锂离子电池特征提取及SOH估计

为了解决电池日常使用过程中数据量获取不足和健康因子提取难的问题,通过分析不同温度下锂离子电池的荷电状态(SOC)与充电电压的变化曲线,提出基于温度和SOC的锂离子电池健康因子提取及健康状态(SOH)在线估计的方法.在电池的实际充电过程中,根据环境温度差异选取电压和电流作为健康因子.利用遗传-爬山算法优化极限学习机的网络参数,建立健康因子和SOH的映射关系,实现SOH在线估计.使用9组NASA电池老化数据进行验证,结果表明,本文方法具有估计精度高、环境温度适应性强的优点.

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化后的反向传播神经网络,提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入,预测电池的SOH。为了优化模型性能,使用遗传算法对模型进行训练和优化,提高了预测精度和鲁棒性。试验结果表明,该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景,可以为新能源汽车锂电池的健康管理提供有力的支持。