基于欧姆内阻对锂电池健康状态的估算

锂电池的健康状态(SOH)是对电池管理的重要参数之一,它和锂电池的寿命有着直接的关系。为了更精确地估算出锂电池的健康状态(SOH),以锂电池欧姆内阻为研究对象,构建可判断锂电池老化程度的健康因子,基于数据驱动法,选用三次样条插值法为算法,建立健康因子与健康状态(SOH)的关系模型,从而达到以健康因子来估算健康状态(SOH)的目的。实验表明,实测数据和估算数据的估算误差较小,验证了方法的可行性。     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

基于SREKF的锂电池健康状态估计

健康状态(state of health,SOH)估计在电池管理系统中起着非常关键的作用。为了进一步提高锂电池SOH估计精度,提出基于平方根扩展卡尔曼滤波算法(square root extended Kalman filter,SREKF)的锂电池SOH估计方法。通过建立二阶RC等效电路模型(equivalent circuit model,ECM),将表示SOH的欧姆电阻(R_0)塑造为状态向量,利用锂电池欧姆内阻与SOH之间的内在关系,可得到锂电池的SOH。通过SREKF实时估计电池的内阻,该方法能保证状态协方差矩阵的对称性和非负性。在恒流工况与混合动力脉冲特性(HPPC)工况的验证结果表明,与EKF算法相比,SREKF算法能够更准确、更可靠地估计欧姆内阻,为电池SOH估计提供了一种有效的方法。     

电动汽车锂电池健康状态估算方法研究

实时监控电动汽车动力锂电池的健康状态不仅为电动汽车的维护提供便捷,且为能量均衡、SOC估算及保障电池组整体性能提供依据。描述了锂电池组健康状态(SOH)定义、总结锂电池SOH的主要影响因素,对比相关SOH模型优缺点及可行性,描述了基于Matlab建立自适应的锂电池SOH数学模型建立方法及过程,并介绍锂电池SOH的估算算法设计流程,并经实测数据验证对比分析估算结果。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题，提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs)，提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型，将IHF作为模型输入，SOH作为输出。最后，建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测，将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性，能够联合实现电池SOH和RUL长期稳定的预测。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

基于静动态一致性的退役动力电池模组阶梯式筛选方法

针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of health,SOH)及循环次数等参数间的关联特性,以电池模组内阻、剩余容量作为表征参数,采用密度权重Canopy改进的K-medoids聚类方法对外部特性参数相近的电池模组进行初次筛选;其次,将电池模组SOH动态一致性特性曲线作为表征对象,对其进行再次筛选;最后,采用非参数Bootstrap概率方法解析阶梯式静动态筛选下退役动力SOH估计的置信区间,评估动力电池模组筛选精度。结果表明,该文所提方法可将电池模组的筛选精度至少提高6.2%,为退役动力电池大规模筛选及梯次利用奠定理论基础。     

退役动力电池健康状态特征提取及评估方法综述

我国电动汽车动力电池退役高峰来临,电池梯次利用技术备受学术界和产业界的高度关注。与新电池相比,退役电池(retired battery,RB)一致性差、性能离散度高、安全隐患大,并且从电池单体、模块、电池簇到储能系统逐层集成过程中,上述问题会叠加、放大,导致系统整体性能不确定性增大。为实现退役动力电池安全可靠、规模化、多场景梯次利用,研究基于RB衰退机理的特征提取及健康状态评估技术非常关键。该文基于退役电池的性能衰退规律、电池安全状态演变机理,重点对RB健康状态特征参量表征和残值评估方法进行综述,分别从数据驱动方式以及模型驱动2个维度对提取RB特征和健康评估进行总结分析,提高基于RB衰退规律的退役电池健康状态和残值评估模型精度,对RB特征提取以及健康状态评估未来的研究方向进行展望。     

基于CNN-BiLSTM网络的锂离子电池健康状态检测方法

锂离子电池健康状态(SOH)是锂离子电池可靠运行的重要参考指标，为提高电池健康状态检测的精确性，提出一种基于CNN-BiLSTM网络的锂电池健康状态检测方法。该方法使用CALCE锂离子电池容量衰减数据集，提取电池健康因子(HI)作为模型输入数据，同时利用灰色关联分析法(GRA)验证HI选取的合理性，采用卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)构建网络模型，对电池容量进行预测，实现锂离子电池健康状态检测。实验结果表明，该方法SOH检测的平均绝对误差为1.3%,均方根误差为1.78%,精确度和可靠性较高。     

基于双卡尔曼滤波的梯次利用电池SOP估算研究

针对梯次电池性能退化导致电池峰值功率(SOP)估算不准确的问题,提出了基于双卡尔曼滤波(Dual EKF)的梯次电池SOP估算方法.首先建立梯次电池的二阶Thevenin等效模型;其次应用双卡尔曼滤波算法,基于该算法估算SOC(荷电状态)、欧姆内阻和实际容量;然后,利用最优估计预测工作电压与内阻,估算梯次电池SOP.通过仿真,验证了SOP估算方法的准确性.     

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GAN-CNN-LSTM的锂电池SOH估计

针对当前数据驱动的方法在估计锂电池的健康状态(SOH)时准确率较低的问题,提出了一种新的锂电池SOH在线估计方法.在对锂电池的SOH进行预测之前,利用生成对抗网络(GAN)对原始的锂电池数据进行数据增强,扩充了训练样本,利用卷积神经网络(CNN)与长短期记忆网络(LSTM)提取了输入数据的特征并对锂电池的SOH进行在线估计.实验结果表明,该方法相比于其他主流的数据驱动的方法,具有更高的估计准确率,在B0005锂电池单体上分别从充放电循环的30％、50％、70％开始估计SOH的均方根误差(root mean square error,RMSE)为0.0022、0.0022、0.0014.     

考虑动力电池梯次利用的充电站容量优化配置

为提高电动汽车充电站储能系统稳定性、安全性和经济性,提出一种考虑动力电池梯次利用的充电站光储容量优化配置方法。首先,针对退役动力电池考虑了电池充放电深度和循环次数对使用寿命的影响,建立了退役动力电池容量衰减和寿命损耗模型,基于容量衰减和寿命损耗模型建立退役动力电池荷电状态(state of charge, SOC)与健康状态(state of health, SOH)耦合关系评价模型;其次,在SOC与SOH耦合关系评价模型的基础上,以充电站年净收益最优为目标函数建立充电站容量优化配置模型;最后,在满足一定能量交换策略的前提下,以某地区光伏储能电站为例对模型进行求解。通过算例分析得出：基于退役电池SOC与SOH耦合关系评价模型进行梯次利用的储能容量优化配置能使整个储能系统的功率峰值降低,且相较于无评价模型系统的功率更加平滑,有利于延长储能系统的寿命周期,提高了系统的稳定性和经济性。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测

锂电池健康状态（SOH）预测是电池管理系统（BMS）最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法（GWO）-最小二乘支持向量机（LSSVM）的锂电池SOH预测方法,首先采用灰色关联分析（GRA）法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。     

主被动均衡技术及其在电池梯次利用中的应用

梯次利用退役动力锂电池不一致性更加明显,其电压、内阻、容量离散性更大,现有均衡技术不能满足要求。介绍了一种智能分时的主动被动协同均衡技术,该技术结合现有均衡技术的优点,能够实现对梯次利用电池的高效和快速均衡。验证结果表明,基于该技术的均衡电路能够满足电池梯次利用工作要求。     

基于电池健康度的微电网群梯次利用储能系统容量配置方法

对新能源汽车退役的动力电池进行梯次利用,可有效地提高储能电池的运行周期。根据退役后动力电池健康状态(state of health,SOH)的差异性,提出一种基于电池健康度的微电网群梯次利用储能系统容量配置方法。首先,考虑充放电深度对储能电池寿命的影响,提出基于荷电状态(state of charge,SOC)的储能电池有效容量估算方法,为储能电池梯次利用相关研究提供理论依据。其次,为有效延长储能系统运行寿命,根据电池SOH设置储能系统的动态安全裕度,提高储能系统配置及调控的准确性。最后,根据梯次利用储能系统设定好的动态安全裕度,综合考虑微电网群的供需平衡、联络线损耗、储能的运行寿命及成本等,合理地制定系统选址定容方案。仿真结果表明广泛的动力电池梯次利用有效地降低了投资成本,通过SOH监测设定调控动态安全裕度,降低微电网群储能配置成本,延长了蓄电池使用寿命。     

动力电池健康因子提取实验研究

动力电池梯次利用技术是解决退役电池去处问题的关键技术,其中锂电池健康状态(SOH是分类、配组的关键参数。目前锂离子电池健康状态估算方法以离线测试数据为主,解决其准确性和效率问题是难点。本文从实验出发,以测试数据为依据,在室温测试环境下进行单体电池的充放电老化实验,研究电池衰退容量与充放电曲线、内阻关系,提取表征电池的健康状态因子。在实验结果基础上,通过统计方法分析表征电池健康状态的健康因子与电池衰退容量相关性,量化各健康因子与电池容量的紧密程度,为锂动力电池的健康评价、一致性筛选、分类与二次成组提供数据支撑。     

基于电池健康度的微电网群梯次利用储能系统容量配置方法EI北大核心CSCD

对新能源汽车退役的动力电池进行梯次利用,可有效地提高储能电池的运行周期。根据退役后动力电池健康状态(state of health,SOH)的差异性,提出一种基于电池健康度的微电网群梯次利用储能系统容量配置方法。首先,考虑充放电深度对储能电池寿命的影响,提出基于荷电状态(state of charge,SOC)的储能电池有效容量估算方法,为储能电池梯次利用相关研究提供理论依据。其次,为有效延长储能系统运行寿命,根据电池SOH设置储能系统的动态安全裕度,提高储能系统配置及调控的准确性。最后,根据梯次利用储能系统设定好的动态安全裕度,综合考虑微电网群的供需平衡、联络线损耗、储能的运行寿命及成本等,合理地制定系统选址定容方案。仿真结果表明广泛的动力电池梯次利用有效地降低了投资成本,通过SOH监测设定调控动态安全裕度,降低微电网群储能配置成本,延长了蓄电池使用寿命。     

变电站用铅酸电池SOH估计

变电站用铅酸蓄电池组在核容时的单体电压下降率与浮充时的内阻均值与铅酸电池组的健康状态(SOH)有明显关系。通过分析核容和浮充状态对SOH的影响权重大小,分别建立了浮充时内阻均值及核容时单体电压下降率与SOH的关系模型,从而提出了一种基于融合模型的变电站用铅酸电池SOH估计算法。该算法针对变电站用铅酸电池组实际工况设计,针对性强,并采用电池电压下降率表征核容过程对SOH的影响,采用内阻变化表征浮充过程对SOH的影响,适用于变电站用铅酸电池的全生命周期。最后通过加速寿命实验验证所提出的算法,实验结果表明,该算法能够很好地表征变电站用铅酸电池的衰减状态,估计精度高。