基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于CNN-Bi-LSTM的锂离子电池健康状态估算

锂离子电池健康状态（state of health,SOH）是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警，保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征，结合卷积神经网络（convolutional neural networks,CNN）和双向长短期记忆网络（bi-directional long short-term memory,Bi-LSTM），提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征，输入数据获取方便，无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征，最终实现精确SOH估算。美国国家航空航天局（national aeronautics and space administration,NASA）电池老化数据集上的测试结果表明，所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32，精度优于Bi-LSTM和CNN-LSTM两种方法。     

基于RNN的锂离子电池SOC估算研究进展

深度学习的日益流行和不断的突破,积极地推动了估算锂离子电池荷电状态(SOC)新方法的研发.常用于文本翻译、语音识别等领域的循环神经网络算法已开始应用在电池SOC估算领域.概述了几种常用于电池SOC估算的循环神经网络算法,并根据结构复杂度将其分为简单、深度以及扩展循环神经网络算法.此外,从模型输入变量、数据预处理、循环神经层数及其神经元数、优化器、损失函数、测试文件、研究的温度、使用的电池类型以及估算误差方面对这些循环神经网络算法进行了比较,总结了这几种估算方法的优缺点,让读者对循环神经网络算法有更直观的了解.循环神经网络算法与其他算法相结合来估算电SOC,将会成为重点研究方向.     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题，提出一种基于主成分分析(PCA)与改进LM算法 双高斯核RBF(ILM DGRBF)神经网络的方法，实现了SOH的准确估算。首先，提取与锂离子电池容量衰退高度相关的健康因子(HI)，采用PCA方法进行降维处理，减少HI之间冗余度。其次，创建双高斯核RBF神经网络，利用改进LM算法实现网络参数在线学习，建立ILM DGRBF神经网络。再次，利用数据增强的电池测试数据训练ILM DGRBF实现SOH估算。验证表明，经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势，可用于SOH的估算；与其他模型相比，所建ILM DGRBF模型具有更高的估算精度和更好的鲁棒性，估算结果的误差控制在15%以内。最后，基于该方法构建一种新的SOH智能估算系统，为电池安全管理提供参考依据。     

基于人工神经网络估算锂离子电池的SOH

越来越多的动力机械采用锂离子电池作为其动力源。准确估算锂离子电池的SOH能够给动力机械安全可靠地运行提供保障。在不同的实验条件下对18650型锂离子电池做充放电循环实验,由实验结果得到锂离子电池的充放电循环特性,根据其循环特性采用人工神经网络寻找电池端电压与SOH之间的非线性关系,进而估算锂离子电池的SOH。估算结果表明,采用BP神经网络能够准确地估算锂离子电池的SOH,估算误差基本控制在3%以内。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

一种编解码器模型的锂离子电池健康状态估算

随着锂离子电池应用领域的愈加广泛,实时、准确的评估其健康状态(state of health,SOH)成为确保电池安全可靠运行的重要要求。该文提出一种基于注意力机制解码器模型的锂离子电池SOH估算方法,该算法结合与GRU的特点,将数据编码成一组包含内在特征的序列,并由注意力帮助解码器完成最终的解算。该算法无需建立电池模型,也不需要过多的先验知识,仅通过单个采样周期的电压、电流采样值即可获得较高精度的SOH估计值。为适应更多应用场景,该文设计定长片段放电数据、定长片段充电数据及变长片段充电数据等3种输入模式,验证实验中,3种估算模式的平均绝对误差均小于1%,表明该估算方法具有估算周期短、估算精度高及适应性强等特性。     

基于改进LSTM的脉冲大倍率工况下锂电池SOC估计

锂离子电池是电力系统中不可或缺的重要储能元件。针对脉冲大倍率放电下锂离子电池荷电状态(State of Charge,SOC)预测问题,采用改进的长短期记忆循环神经网络(Long Short-term Memory,LSTM)搭建三元锂电池SOC预测模型。所用方法在原有LSTM基础上增加两个门控单元,通过增强LSTM内部输入和输出的交互,提高模型的动态逼近能力。在脉冲大倍率放电工况下,将所用方法与BP神经网络(Back Propagation,BP)、LSTM神经网络相比较,验证了算法在脉冲放电下的预测性能。实验结果表明,改进方法可准确表征三元锂电池工作特性,满足了SOC估计的实际需求。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,AdaBoost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。     

基于LSTM神经网络的锂离子电池荷电状态估算

针对锂离子电池荷电状态(state of charge, SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory, LSTM)搭建电池SOC预测模型。利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入。将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能。采用带动量的随机梯度下降(stochastic gradient descent, SGD)进行权重更新,并加入Dropout正则化方法。在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性。测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

动力锂电池折旧率的规律研究

碳酸铁锂电池在使用过程中,各项参数会发生规律性变化,其折旧率的规律是反映锂电池能量的重要指标。通过建立电池模型,研究了锂电池剩余电量的估计方法,列举了常见的电池SOC(电池的荷电状态,State of Charge)的估计方法,分析了各种方法的优点和局限性,提出基于人工神经网络模型的SOC预测方法,并在车仿真软件ADVISOR上进行仿真分析。最后通过动力电池SOC的仿真结果,给出了电动汽车动力电池SOH(电池的寿命状态,State of Health)的预测方法,提出通过曲线拟合模型进行预测,得出电池衰减速度的规律。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.     

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。