锂电池健康状态估算方法综述

电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。

基于参数反馈的城轨交通超级电容健康状态估算

随着城轨交通超级电容储能系统应用的日益广泛,其寿命问题引起了很大的关注。由于超级电容的寿命与其承受的电压、电流和温度密切相关,本文基于超级电容的电、热模型和高温加速寿命测试,提出一种超级电容健康状态估算模型。首先利用Arbin测试仪对超级电容进行恒电流充放电测试以辨识其电、热模型参数,基于北京地铁某线路典型工况下的电流曲线在80℃恒温箱中对超级电容进行加速循环寿命测试,并对容量进行监测。经过587次循环后,容量衰减为初始值的96.02%。根据测试结果计算得到超级电容健康状态估算模型参数,结合等效电路模型和热模型对超级电容的健康状态进行仿真分析,同时将容量C和等效串联电阻ESR实时反馈修正模型参数。最后在90℃恒温箱中进行加速寿命测试,容量C的实验测试结果与仿真结果之间的最大误差小于2%,验证了所提出的健康状态估算模型的准确性。

基于IGA-BP神经网络的锂电池健康状态估算

针对锂离子电池健康状态(SOH)估算精度低、传统遗传算法(GA)易陷入局部最优、收敛速度慢的问题,为提高锂电池健康状态的估算精度,提出了交叉概率和变异概率自适应的调整策略对传统GA进行改进,在改进遗传算法(IGA)的作用下,使优良个体仍保持较好的进化能力,算法初期搜索范围、后期局部搜索能力以及收敛速度也得到加强。提取间接健康因子,再用改进的遗传算法对BP神经网络的初始参数寻优得到IGA-BP神经网络模型,基于NASA锂电池数据集分别用GA-BP与IGA-BP神经网络算法对SOH进行估算。结果表明:IGA-BP神经网络算法估算精度更高,且具备快速收敛的优势,平均绝对百分比误差和均方根误差分别下降了0.422%和0.412,拟合程度提高了8.1%。

基于GWO-LSSVM的锂离子电池健康状态估算

针对目前应用于电池健康状态(SOH)估算的算法需用大量数据样本来进行训练且估算效果不佳的问题,提出了一种基于灰狼优化(GWO)算法的最小二乘支持向量机(LSSVM)算法来估算电池SOH,依据灰色关联度分析法筛选出恒流充电时间作为适合估算电池SOH的输入特征参数。以18650钴酸锂电池充放电循环试验为例,采用所建立的算法模型在不同比例的训练集样本下对不同容量规格的电池进行SOH估算,并将估算结果与基于网格搜索法的LSSVM算法、基于粒子群优化算法的LSSVM算法的估算结果进行对比,结果表明,基于GWO算法的LSSVM算法模型适用于小样本数据且估算误差较小,用于电池SOH估算的效果更好。

基于XGBoost算法的锂离子电池健康状态估算

由于锂离子电池内部电化学反应的复杂性以及外部工作环境的不确定性,难以对电池SOH(健康状态)进行准确估算。为了提高SOH的估算精度,提出一种基于XGBoost算法的锂离子电池健康状态估算方法。首先,利用Matplotlib对锂离子电池数据进行分析,并提取平均电压、电压差、电流差和温度差等特征量来描述电池的老化过程。然后,利用XGBoost算法建立估算模型,对电池SOH进行智能估算。实验结果表明:与线性回归、随机森林、支持向量机、K近邻算法这4种回归算法相比,所提方法的估算精度和泛化能力更优,并且可将估算误差控制在±0.4%左右。

锂离子电池状态估算与寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点问题。准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。为此,针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结了锂离子电池剩余使用寿命预测的方法和应用现状,涵盖锂离子电池荷电状态与健康状态估算和剩余使用寿命预测2部分核心内容,总结其优势与局限性,并分析了未来的发展趋势和研究挑战。

基于改进最小二乘支持向量机的锂离子电池健康状态快速估计方法

锂离子电池健康状态(State of health,SOH)是电池系统安全管理与运维的主要参数之一,准确快速的SOH估计对提高电池应用的安全性有着重要意义。针对目前存在的电池SOH估计速度与精度难以兼顾的问题,提出一种基于改进最小二乘支持向量机(Improved least squares support vector machine,ILS-SVM)的SOH快速准确估计方法。通过对LS-SVM算法设定合适的临界系数,舍弃部分支持向量,削弱边界样本对算法的影响,从而提高了算法的鲁棒性与运行速度,形成改进的LS-SVM算法。通过分析电池电压特性,选取特征电压数据区间进行估计,有效避免电池的完全充放电测量,提高SOH的估计效率。验证结果表明,所提出的电池SOH估计方法估计精度较高,大部分估计误差小于1%,且所提算法相比于改进之前的算法,运行速度提升最高可达20%。

基于证据推理规则CS-SVR模型的锂离子电池SOH估算

锂离子电池健康状态(SOH)的准确性影响电池的安全性和使用寿命.针对锂离子电池SOH估算问题,提出一种基于证据推理(ER)规则的布谷鸟搜索支持向量回归(CS-SVR)的SOH估算模型,并利用NASA Ames研究中心的锂离子电池数据集进行SOH估算试验.该方法以电池放电循环的平均放电电压和平均放电温度为模型输入,利用ER规则进行推理,得到输入数据的融合信度矩阵.将该矩阵输入CS算法优化的SVR模型得到电池SOH估算结果.结果表明,与5种估算效果较好的现有模型相比,基于ER规则的CS-SVR模型具有更良好的估算性能.

基于容量增量法的防爆锂电池老化指标分析

现有防爆锂电池矿用机车电池管理系统中电池健康状态仅用于预测电池剩余使用寿命,不对电池老化原因进行分析,对电池维护缺乏指导意义。针对该问题,首先分析了导致锂电池老化的内部因素,即锂离子损耗、活性物质溶解、内阻增加;然后基于容量增量法原理,提出了一种防爆锂电池老化指标分析方法,根据锂电池容量增量曲线高度和横向位置分别对锂离子损耗、活性物质溶解、内阻增加导致的锂电池老化进行量化分析,得出了相应的老化指标;最后介绍了电池管理系统中计算锂电池容量增量和确定容量增量曲线峰谷点的方法。采用电池充放电试验分析了充放电次数和充放电倍率对电池老化的影响:防爆锂电池以较小充放电倍率操作时,随着充放电次数增加,锂电池老化主要为锂离子损耗和活性物质溶解导致的老化;增大电池充放电倍率对内阻增加导致的电池老化影响最大。该方法有助于防爆锂电池管理系统更准确地估算电池健康状态,并为电池维护和电池管理系统的参数设定提供依据。