基于改进概率神经网络的储能电池荷电状态估计

锂离子电池荷电状态(SOC)估计技术是储能电站电池管理系统重要组成部分。为了实现对SOC的准确估算,提出一种改进概率神经网络(MPNN)用于储能电池荷电状态估计。相较于传统神经网络,结合概率函数和补偿机制的MPNN,不仅可避免陷入局部最优,而且具有更优秀的拟合能力,可进一步提高SOC估计精度。仿真实验表明,所提MPNN方法的SOC估计值平均绝对误差和均方误差均低于1%,获得了满意的性能。

氢驱动化学反应制备Li7Al3Si4合金及其电化学性能

采用氢驱动的化学反应法制备Li7Al3Si4三元合金,研究了高能球磨对其结构、颗粒形貌及电化学性能的影响。结果发现,放氢后的产物主要包含Li7Al3Si4和LiAlSi及微量Si。在550~650℃的范围内,随着反应温度的提高,样品的放氢量有所增加,但颗粒尺寸也有所增大。电化学研究表明,600℃放氢样品的最大放电和充电容量分别为996和845mAh/g,相应的库伦效率为~85%,30个循环后的容量保持率约为50%。高能球磨改变了样品的颗粒形貌和相组成,从而改善了其循环稳定性能。12h球磨的样品的最大放电容量约为968mAh/g,30个循环后的容量保持率约为58%。

储能用锂离子电池电热耦合模型研究进展

高精度的电池模型是提升电池管理系统工作效率的关键,对于实现电池系统状态评估、寿命预测和健康运行具有重要意义。归纳和总结锂离子电池性能、温度非均匀特性和锂离子电池电热耦合模型构建方法及存在的问题。目前尚缺乏针对大规模储能电池全生命周期、复杂结构和环境因素条件下电热互动机制研究。基于经验方程和基于电池内部机理的电池热分析模型,存在计算速度慢、精度低和通用性差等问题。基于数据驱动的模型是一种更加高效的电池热学模型构建方法。在电池组层面,大多基于串并联方式和电池状态参数构建模型,不能准确模拟电流和环境温度非均匀条件下电池动态特性。依据储能电池系统复杂结构和环境特点,提高模型计算速度和精度成为下一步研究方向。

基于流形学习的锂离子电池故障诊断方法

锂离子电池容易受到滥用和老化等因素的影响。电池系统故障会导致车辆安全事故发生,为保障车辆的正常运行,对锂离子电池故障的诊断至关重要。提出一种基于流形学习的锂离子电池故障诊断方法。首先,通过变分模态分解(VMD),对电池的电压信号进行分解和重构;然后,基于重构信号,通过局部线性嵌入算法提取无量纲特征参数;再使用局部离群因子(LOF)算法检测故障电池;最后,将故障检测时间与真实车辆的报警时间进行比较。该方法能及时准确地检测出故障电池,相较于电池管理系统,提前17个采样点发出故障预警。

混合动力轿车用集中式锂离子动力电池管理系统设计

混合动力轿车锂离子电池组的管理中需要检测大量的电池单体电压.为降低对电池组单体电压的采样循环时间,增强管理系统数据采集的实时性,该文设计了一种基于分时并联采样方式的电池管理系统,它能够可靠地实现对动力电池运行时状态参数的监测,提高电池SOC的估算精度.

数据驱动的锂离子电池智能故障诊断算法

基于电动汽车实车数据及电化学模型,提出结合电化学参数的数据驱动电池故障诊断算法,增强故障诊断模型在电化学参数层面的解释性。针对实车电化学参数辨识准确性问题,通过对潜在故障片段数据进行敏感度分析,并基于列文伯格-马夸尔特(LM)算法,分阶段辨识电化学模型的相关参数,能较精确地获得潜在片段的电化学参数,且模型预测电压与真实值平均误差小于12 mV。该方法基于实车电池序列特征和电化学参数组合,对实车数据进行筛选和故障类型标定,并用一维卷积神经网络端到端学习实车数据和故障标签的映射关系,平均F_(1)分数为0.8411,平均召回率为0.9335。