锂离子电池健康状态估计及寿命预测研究进展综述

随着锂离子电池的应用越来越广泛,锂电池健康状态的精确估计和剩余寿命的实时预测对于锂电池系统的安全运行和降低运维成本具有重要意义。锂电池内部复杂的物理化学反应和外部复杂工作条件,使得实现精准的健康状态估计和寿命预测具有挑战性。该文综述近年来锂电池健康状态估计和剩余使用寿命预测方法的研究现状,分析基于物理/数学模型、数据驱动、模型法和数据驱动融合,以及多种数据驱动融合的锂电池健康状态估计方法的优缺点及适用条件,并对比分析不同数据驱动类型的锂电池寿命预测方法。指出锂电池健康状态估计及寿命预测尚存在的问题,并对未来研究方向进行展望,对完善锂电池健康状态估计和寿命预测算法理论体系、指导实际应用技术具有重要意义。

联合变分模态分解和长短时记忆网络的锂离子电池健康状态估计

准确估计和预测锂离子电池的健康状态SOH(state-of-health)对新能源领域的发展至关重要,因此提出1种基于变分模态分解VMD(variational mode decomposition)和长短时记忆LSTM(long short-term memory)网络的锂离子电池容量衰减预测模型。首先采用VMD方法将原始电池容量衰减序列分解成比较单一的固有模态分量IMF(intrinsic mode function)序列,然后应用LSTM对分解得到的一系列IMF分量进行训练预测,最后对各IMF分量的预测值进行有效集成得到电池容量衰减序列的最终预测结果。基于美国国家航天局NASA(National Aeronautics and Space Administration)锂离子电池数据集选取的4块电池的放电容量衰减序列进行实验对比分析,结果表明:相较于LSTM、BiLSTM、EMD-LSTM、EMD-BiLSTM及CEEMDAN-LSTM方法,所提方法可以明显降低序列的复杂度,减少各IMF分量的模态混叠现象,具有很高的预测精度,优于其他预测模型,预测的最大平均绝对误差不超过5%,均方根误差和平均绝对百分比误差控制在4%之内。

基于IViT的锂离子电池健康状态估计

准确预测锂离子电池的健康状态(SOH)至关重要。针对电池单个周期的不同阶段退化机制存在差异和实际运用场景下数据获取不完整等挑战,提出一种基于Involution-Vision Transformer(IViT)的锂离子电池SOH估计方法。从电压时间曲线中自动提取能有效表征锂离子电池退化信息的特征,使用Involution模块在不同位置上自适应地分配权重,利用Vision Transformer学习不同阶段的高级特征表示并捕获全局依赖关系。实验结果表明,IVIT的预测误差在0.5%左右,且当整体数据缺失50%的情况下误差仅为2%左右,证明了所提方法的有效性和稳定性。

基于卷积Fastformer的锂离子电池健康状态估计

锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。

基于数据驱动的锂离子电池健康状态估计研究进展综述

锂离子电池(LIBs)在电气化交通、电化学储能和移动电子产品等领域广泛使用,精准评估其健康状态(SOH)是确保安全可靠应用的基础。数据驱动法是当前评估SOH的主流方法,该方法无需考虑电池内部复杂的物理化学反应,依赖于直接的数据分析,且具有较高的精度。本文从锂离子电池SOH影响因素入手分析了基于数据驱动的电池SOH估计方法的研究现状,着重比较了机器学习、滤波器和时间序列等方法实施SOH估计的原理、优缺点。最后,针对电动汽车实际应用场景,对SOH估计方法的未来发展趋势进行了展望。

锂离子电池健康状态估计方法研究现状与展望

锂离子电池作为一种重要的储能电池,近年来发展逐渐成熟并被广泛应用于各种工业领域,有效缓解了能源转型和环境污染的压力。为保障锂离子电池能够安全、高效地长期服役,降低运行成本,实时准确地估计电池的健康状态变得尤为重要。文中对锂离子电池健康状态估计方法的发展现状进行了综述。首先,介绍了锂离子电池的老化机制和健康状态的相关概念。其次,介绍了包括基于测试、基于模型、基于数据驱动、基于不同方法融合在内的传统健康状态估计方法,以及基于先进感知技术的新型健康状态估计方法,展示了不同方法的改进过程,并对储能系统中锂离子电池模组的健康状态估计方法进行了简要概述。作为一种新兴方法,基于先进感知的方法对电池内部信息进行感知,具有广阔的应用前景。然后,分析比较了这些方法的优缺点和改进角度,为面对不同问题情境时如何选择合适的方法提供参考。最后,为推动锂离子电池的健康状态估计方法的实际应用,提出了该领域面临的挑战,并展望了该领域未来的研究方向。

采用格拉姆角场-卷积神经网络-时序卷积网络混合模型的锂离子电池健康状态估计

针对现有电池健康状态(SOH)估计存在估计精度低、时序特征捕捉不足的问题,提出了一种格拉姆角场-卷积神经网络-时序卷积网络(GAF-CNN-TCN)混合模型。利用GAF算法将不同长度的容量增量(IC)曲线转换成图像数据,并采用卷积神经网络从中提取特征;提出一种特征融合网络,将二维卷积神经网络从图像中提取的图片特征与一维卷积神经网络从IC序列中提取的时序特征进行融合;将提取的综合特征输入时序卷积网络模型中进行训练,实现了SOH的准确估计。利用美国国家航空航天局和牛津大学的锂离子电池数据集进行模型验证,结果表明:相较于长短期记忆(LSTM)模型,GAF-CNN-TCN混合模型输出的SOH与真实SOH之间的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了85.65%、86.12%、84.0%;相较于CNN-LSTM模型,所提模型的MAE、MAPE和RMSE分别降低了83.24%、83.75%、82.27%;相较于TCN模型,所提模型的MAE、MAPE和RMSE分别降低了76.92%、77.19%、76.01%。

基于CNN-Transformer的锂离子电池健康状态估计

目的健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。

基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计

准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要。然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状态评估。为了解决这些问题,提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module,DCM),从不同时间尺度进行自动特征提取,获得丰富且全面的特征表示。随后,不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit,GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention,ECA),对历史信息进行相关性动态权重分配,关注显著特征。最后,在两个公开数据集上验证了本方法的优越性,并与其他常用深度学习模型进行了比较。结果表明,本模型具有较高的SOH估计精度和良好的迁移性,两个数据集上的均方根误差分别仅为0.0110和0.0095,在跨数据集的迁移实验中均方误差仅为0.0092。

基于ECM和SGPR的高鲁棒性锂离子电池健康状态估计方法

锂离子电池健康状态(SOH)的准确估计对于保障电池系统安全运行具有重要意义.针对传统SOH估计方法在可变工况下失效的问题,提出了一种基于等效电路模型和稀疏高斯过程回归的锂离子电池SOH在线估计方法.通过两个在线滤波器,在恒流充电过程中动态地辨识了锂离子电池等效电路模型的各项参数,构建了工况不敏感的健康因子,结合稀疏高斯过程回归实现SOH的间接估计.该方法在多种工况下使用统一的信号处理方法和特征映射模型,兼具鲁棒性强和冗余度低的优点.实验结果表明,该方法在多种工况下的平均绝对误差不超过0.94%,均方根误差不超过1.12%,与现有方法相比,该方法在综合性能上具有显著优势.

基于经验模态分解-灰色关联度分析-蒲公英优化器改进Elman网络的锂离子电池健康状态估计

准确、可靠的锂离子电池健康状态(state-of-health,SOH)估计有助于提高电池设备的安全和稳定运行。针对目前SOH无法直接测量、健康特征难以提取和估计方法不足等问题,提出了一种基于经验模态分解-灰色关联度分析-蒲公英优化器(empirical mode decomposition-dandelion optimizer,EMDDO)Elman的锂离子电池SOH估计方法。基于NASA Ames研究中心公开的锂离子电池老化测试数据和实际实验测试数据,提出利用经验模态分解(empirical mode decomposition,EMD)对电池老化数据进行信号分解,从而得到反映电池SOH的特征分量,然后利用灰色关联度分析(grey relation analysis,GRA)对特征分量进行相关性分析来选择模型输入。最后,应用蒲公英优化器(dandelion optimizer,DO)对Elman网络的参数进行优化来提高神经网络的估计性能。实验结果表明,该方法能够准确地估计出锂离子电池的SOH,其估计结果的R2始终大于98%,此外,通过对电池数据在不同训练集数量情况下的SOH估计验证,进一步证明了所提出的估计模型有着良好的泛化性和鲁棒性。

基于支持向量机和模拟退火的锂离子电池健康状态估计

新能源汽车主要以锂离子电池作为储能单元,随着锂离子电池的老化,在充电过程中极易发生燃烧甚至爆炸,给电网和充电场站带来巨大安全隐患。电池健康状态(State of Health,SOH)是评价电池老化和性能衰减的重要指标。通过研究锂离子电池的充电特性,从中提取反映电池老化的特征向量,采用支持向量机(Support Vector Machine,SVM)估计电池的健康状态,并采用模拟退火算法优化SVM的超参数。研究表明,采用优化后的SVM预测SOH,决定系数为99.73%,预测误差小于0.05%,达到了较高的预测精度。研究成果可以为充电场站的安全运维提供锂离子电池的监测参数,提高充电过程的安全性能。

基于弛豫过程特征提取的锂离子电池健康状态估计

锂离子电池是当前固定式电化学储能的重要方式,电池健康状态(state of health,SOH)估计对于锂电池安全稳定运行具有重要意义。目前,健康特征的提取集中在电池的充电阶段,对静置阶段,即弛豫阶段提取健康特征的方法较少。本文基于电池充放电后弛豫阶段曲线,提出了一种从弛豫阶段提取健康特征并结合高斯过程回归进行SOH估计的方法。首先,根据三元离子电池的加速循环老化测试数据,分析了弛豫阶段时间常数的变化规律,采用了幂函数进行建模,较好地反映了电池端电压在弛豫阶段的变化。其次,提取了能够表征弛豫阶段的关键特征,结合高斯过程回归建立了电池SOH估计模型。最后,在不同老化电流倍率的电池上进行了精度验证,比较了采集15分钟和采集60分钟弛豫曲线时的误差结果,也比较了高斯过程回归方法相较于支持向量机与树回归方法的精度,并在多个荷电状态下(state of charge,SOC)验证了SOH估计精度。研究结果表明,所提出的SOH估计模型,在验证上其均方根误差最优可达到0.6%,在采用15分钟数据进行SOH估计时,均方根误差仍能小于1%,有着良好的估计效果。

改进的萤火虫算法优化反向传播神经网络动力锂离子电池健康状态估计

为保证电池的正常运行,对电池的健康状态进行估计是非常重要的工作。针对传统建模方法估计精度差、参数众多计算复杂且耗时长等缺点,本工作构建了基于改进的萤火虫算法(firefly algorithm,FA)优化的反向传播(back propagation,BP)神经网络,对锂离子电池的健康状态(state of health,SOH)进行估计,利用萤火虫算法的全局优化能力和收敛速度快的特点对BP神经网络的权值和阈值进行优化,并引入莱维飞行(Levy flight),提升全局搜索能力,扩大搜索范围,提高了估计精度。采用NASA艾姆斯研究中心的锂离子电池数据集,对改进优化前后的算法进行训练与估计,对比各算法之间的优劣程度。结果表明,莱维飞行改进萤火虫算法优化反向传播神经网络(LFFA-BP)算法相比于BP神经网络算法与萤火虫算法优化反向传播神经网络(FA-BP)算法,决定系数更高,误差波动范围更小,具有较高的估计精度。

基于AED-CEEMD-Transformer的锂离子电池健康状态估计

锂电池健康状态(state of health,SOH)的精确预测评估对电池设备安全稳定运行极为重要,通过对SOH的快速准确预测,可以提高电池设备的安全性并降低出现故障的风险。针对难以精确预测锂离子电池SOH的问题,本文采用电池容量作为SOH的指标,提出一种利用平均欧几里得距离(average euclidean distance,AED)和互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法建立基于Transformer网络结构的锂离子电池健康状态估计算法。首先,我们利用AED评估电池数据库中的电池与待预测电池初期循环容量之间的相似度,并选出具有相似容量退化趋势的电池作为训练集以提高模型的训练速度,然后利用CEEMD方法将电池容量曲线分解为容量再生部分以及退化趋势部分,将各个分量分别使用Transformer网络来建立锂电池退化模型,进而得到锂离子电池的SOH预测结果。本文使用分别来自斯坦福大学与马里兰大学的两个具有不同充放电策略与不同测试环境下的锂离子电池数据集来验证了所提出的电池预测算法的准确性。本文所提模型的均方根误差均能控制在4%以内,具有较好的精确性,并通过与基于LSTM、RNN、GRU的常用锂离子电池健康状态估计算法结果的比较,验证了所提出估计方法的优越性。

基于鹈鹕优化和极限学习机的锂离子电池健康状态估计

准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。

锂离子电池健康状态估计与剩余寿命预测

针对锂离子电池健康状态(state-of-health,SOH)估计与剩余有效工作时间(remaining useful life,RUL)预测进行探讨.提出了一种利用SOH参数反应电池状况,并且建模预测电池RUL的方法.改进了现有研究成果在RUL预测中不能更新其概率密度的缺陷.同时应用支持向量回归机(SVR-PF)改进标准粒子滤波算法具有粒子贫化效应的缺点.仿真结果表明提出的参数准确地反应了电池的状况,同时也准确地预测了电池的RUL;SVR-PF具有比粒子滤波更强的平滑与预测能力.

基于注意力改进BiGRU的锂离子电池健康状态估计

锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。

锂离子电池健康状态估计方法

为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.