锂离子电池开路电压快速估计研究

提出了一种离线式锂离子电池开路电压快速估计方法,在短时间内完成对需要经过长时间搁置才能稳定的开路电压的预估。建立了一个带有权重的电压弛豫模型并利用短时间内搁置电压数据和模型预估值构造损失函数,通过优化算法对损失函数中的参数进行寻优。电池开路电压预估流程包括对电池进行放电,搁置和开路电压预估,整个过程所需时间为30～40 min,即通过30～40 min就可以完成对需要进行数小时静置后才能稳定的开路电压的预估。为了检验此模型的适用性,设计了三元锂电池在不同电池荷电状态(State of charge,SOC)下、不同温度下和以不同的放电倍率放电下开路电压预估的试验,以及设计了电池容量循环衰减试验,并在电池容量衰减后继续对电池开路电压进行预估。试验结果表明,此模型可以通过短时间搁置便能精确地预测电池在不同SOC和不同温度下以及电池容量衰减后的开路电压。提出的离线式锂离子电池开路电压快速估计方法能够快速、准确地预估电池稳定开路电压,在电池SOC以及电池健康状态(State of health,SOH)等状态估计及电池容量估计方面有重要作用,能够大大缩短预估时间。     

考虑混杂充电数据的锂离子电池容量估计

准确有效的电池容量估计对于电动汽车的安全性等有着十分重要的意义.目前结合健康因子提取的电池容量估计方法受到了广泛的关注,然而大多数研究没有考虑到电池实际应用中每个循环的充电数据会根据充放电情况的不同而具有不同的充电数据结构,这会导致健康因子的提取不能连续有效地进行,无效或缺失的健康因子序列会导致无法有效地估计电池容量,由此开展考虑混杂充电数据的锂离子电池容量估计方法研究.考虑三种最常见的充电数据结构组成混杂充电数据,根据不同的数据结构提取有效健康因子,再由粒子群算法寻优获得最佳健康因子;以相关向量回归为工具,通过健康因子估计健康因子的方法获取其中一种完整健康因子序列;以完整的健康因子序列训练长短时记忆网络以达到估计未来电池容量的目的 .仿真试验结果表明,RVM估计健康因子的相对误差均保持在1％以内,未来电池容量的估计相对误差基本在2％以内,达到较高的估计精度,可满足一定的实际应用需求.     

基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测

精确、可靠的电池容量预测可以避免电池滥用,提升电池使用安全;同时在此基础上开展的剩余寿命估测能够为电池系统维护及更换提供参考.基于改进双最小二乘支持向量机方法和Box-Cox变换,提出一种锂离子电池容量及剩余循环寿命的协同估算方法.首先提取老化电池部分容量增量曲线包络面积作为特征量,通过Box-Cox变换进一步提高特征量与目标估计量之间的相关性.然后基于瑞利熵理论改进传统最小二乘支持向量机算法的稀疏性,建立电池容量和剩余使用寿命协同估算模型,结合层次分析法和熵权法对估算结果进行充分地评估.最后,采用粒子群优化算法搜索改进最小二乘支持向量机算法中的最优超参数组合.估算结果显示所研究的方法能够显著提高特征参数与估计量之间的线性相关性,容量估计误差小于1.44％,剩余使用寿命预测误差小于47次循环,验证了算法的有效性.     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

三元动力锂电池组全生命周期最优寿命均衡策略

为解决电池成组无法克服的一致性问题,获得最优的电池组寿命,设计可提升电池组一致性的均衡方案,对其实行干预,并验证该策略的可靠性。结果表明：在各工作区间内,经循环处理的电池表现出不同的容量衰减速率,逐渐提升放电深度（DOD）时,电池容量衰减更快。高荷电状态（SOC）区间与高DOD循环,容量衰减进一步加快。以相同均衡方法调节此单体的放电起点SOC为80%,确保容量衰减速率相对最差单体更慢,实现充分放电,确保控制组内所有单体电池一致。电池组的一致性获得了显著改善,循环处理250次后,单体电池达到相近容量,容量一致性也由0.006 3减小为0.001 2,均衡效果良好。设计的电池寿命均衡策略优化了长时间尺度范围的电池组容量一致性。     

基于多物理过程约束的锂离子电池优化充电方法

锂离子电池在快速充电过程中极易触发内部过热,并加速寿命衰退,因此在确保快速充电的同时主动约束锂离子电池重要中间物理状态具有重要意义。因此,提出一种基于多物理过程变量约束的电池快速充电方法。建立电-热-老化综合模型,并在典型充电场景下进行电热模拟精度验证;在此基础上,设计基于模型的荷电状态与内部温度估计方法,兼顾充电速度、温度约束与寿命衰退抑制,设计基于模型预测控制的快速充电策略。试验验证结果表明,所提出的充电策略能主动限制电池内部温度始终低于预定阈值,在相似的充电速度前提下,所提出的充电策略相比优选的恒流恒压充电法具有更低的寿命衰减速率,两者200次快充-放电循环的容量衰减分别为2.12%和4.88%。所提出的快速充电策略基于模型预测控制方法实现了电池内部状态的有效约束,综合提升了锂离子电池充电过程的快速性、安全性和耐久性。     

一种适用于多工况的电动汽车电池均衡算法

电动汽车的均衡技术缩小了电池组中不同单体电池的容量差异,但是均衡的策略却根据车辆的用途不同而不同.私家车由于充电时间较长,研发人员会设计在充电模式均衡;出租车由于放电时间较长,研发人员会设计在放电模式均衡.提出了可以适用不同用途的均衡算法,无论是充电时间较长还是放电时间较长,都可以很好地减小不同单体电池容量差异.考虑到出租车的连续长时间运行,根据不同静置时间对应不同OCV来对电池原有的OCV进行补偿,进而达到只要静置时间超过14 min就可以计算均衡时间,而传统的均衡算法至少均衡时间达到1h以上.此补偿算法是创新点,通过实验数据比较此算法,缩短了均衡时间,达到了预期目的.     

电动汽车锂离子动力电池健康状态在线诊断方法

随着电动汽车的快速发展,高比能锂离子电池的衰减问题日益受到关注,其健康状态是耐久性管理的核心参数,对延长电池寿命提高系统可靠性至关重要。以三元材料锂离子电池为研究对象,基于正负极的开路电压模型,描述正负极和全电池的匹配关系并在全新电池尺度上重构其开路电压-荷电状态曲线,分析正负极匹配关系在电池经历各种老化模式后的演变特性,从而在全新电池尺度上重构老化电池的开路电压-荷电状态曲线,并据此提出了改进的锂离子电池老化模式无损定量诊断方法,克服了现有方法必须以电池的真实开路电压-荷电状态曲线为诊断依据的局限性,从而更加适用于实车在线应用。采用扩展卡尔曼滤波算法,从电池动态电流工况放电数据中辨识开路电压随放电容量的变化曲线,并使用所提出的老化诊断方法拟合该开路电压曲线,可以定量分析电池遭受的正极材料损失、负极材料损失和可用锂离子损失。在此基础上,提出电池最大可用容量的估计方法和真实开路电压-荷电状态曲线的辨识方法,结果表明,在动态工况下容量估计误差在1%以内,开路电压-荷电状态曲线的方均根误差在6 mV以内。该方法应用于电池组,可以实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。     

基于电化学-热耦合模型的锂离子电池容量衰减研究

锂离子电池电极上的SEI副反应是导致电池容量衰减的主要原因之一。本文基于SEI副反应建立了模拟电池容量衰减的电化学-热耦合模型，研究了不同环境温度和不同放电倍率下的SEI膜厚度增长规律，分析了电池相对容量的衰减问题，得出了一些有用的结论。结果表明：高温在一定程度上会加快SEI反应速率，但温度的升高对于SEI膜生长速度的影响是有限的。高倍率放电情况下，倍率大小对SEI膜厚度增长影响很小，低倍率放电情况下，倍率越低，SEI膜越厚。SEI膜厚度与电池相对容量在一定程度上呈负相关。     

利勃海尔新近推出LR 1250.1电动履带起重机和HS 8070.1履带起重机

利勃海尔推出了首台电池供电的履带起重机,其规格为200 t容量的LR 1200.1和250 t容量的LR1250.1。LR1250.1型不插电履带起重机无需电缆即可运行,其特点是可在作业现场为电池充电,电池容量可供4个小时吊装操作。新一代HS8070.1履带起重机的起重能力为70t,具有自动装载系统,可轻松拆卸以进行运输。HS8070.1的动臂与HS8100.1兼容,故可使用适用于两台机器的附件。     

基于扩展H∞粒子滤波算法的动力电池寿命预测方法

动力电池的性能随着使用会出现不可避免的老化,直接影响着电动汽车的性能和使用。在动力电池使用过程中对其进行剩余寿命的预测,可以确定动力电池的最佳维修和更换时机,进而有效延长动力电池寿命,增加电动汽车的续驶里程。因此,采用扩展H_∞粒子滤波算法进行动力电池的剩余寿命预测。进行锂离子动力电池循环老化试验,获取其全寿命周期的容量衰减数据。采用双指数拟合的方法建立电池容量衰减模型,并验证其准确性。将模型参数作为状态量,采用扩展H_∞粒子滤波算法对模型参数进行实时估计与更新,获得剩余循环次数以及预测结果的可信度。仿真结果表明,基于扩展H_∞粒子滤波算法得到的动力电池剩余寿命预测结果与基于粒子滤波得到的预测结果相比更加精确。     

六自由度振动老化条件下锂离子电池的 衰退机理诊断与 SOH 预测

电动汽车锂离子电池会受振动与老化影响而加速衰减,为了诊断振动老化条件下的衰退机理,实现健康状态(SOH)预测,采取如下措施:首先,分析电池受振动影响的衰减结果;其次,辨识衰退模式,利用容量增量-微分电压(IC-DV)曲线对衰退模式进行量化,Z组结果为:活性物质损失(36.94%)、锂离子损失(35.12%)、电导率损失(1.9%);最后,将量化结果输入建立的GA-Elman模型实现SOH预测,结果误差保持在5%以内,满足电池管理系统(BMS)预测的要求。该研究为振动老化条件下锂离子电池的衰退机理诊断与SOH预测提供了依据,有助于BMS制定相关策略延长电池使用寿命。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

A Comparative Study on Open Circuit Voltage Models for Lithium-ion Batteries

The current research of state of charge(SoC) online estimation of lithium-ion battery(LiB) in electric vehicles(EVs)mainly focuses on adopting or improving of battery models and estimation filters. However, little attention has been paid to the accuracy of various open circuit voltage(OCV) models for correcting the SoC with aid of the ampere-hour counting method. This paper presents a comprehensive comparison study on eighteen OCV models which cover the majority of models used in literature. The low-current OCV tests are conducted on the typical commercial LiFePO_4/graphite(LFP) and LiNiMnCoO_2/graphite(NMC) cells to obtain the experimental OCV-SoC curves at different ambient temperature and aging stages. With selected OCV and SoC points from experimental OCV-SoC curves, the parameters of each OCV model are determined by curve fitting toolbox of MATLAB 2013. Then the fitting OCV-SoC curves based on diversified OCV models are also obtained. The indicator of root-mean-square error(RMSE) between the experimental data and fitted data is selected to evaluate the adaptabilities of these OCV models for their main features, advantages,and limitations. The sensitivities of OCV models to ambient temperatures, aging stages, numbers of data points,and SoC regions are studied for both NMC and LFP cells. Furthermore, the influences of these models on SoC estimation are discussed. Through a comprehensive comparison and analysis on OCV models, some recommendations in selecting OCV models for both NMC and LFP cells are given.     

基于机械振动信号的锂离子电池组连接故障诊断

为满足高电压大容量的实际应用场景和需求,锂离子电池组往往由成百上千的电池单体通过螺栓、焊接等方式串并联组成。电池组单体间的连接故障会导致接触电阻升高和连接处异常发热,严重影响电池组的性能和安全。提出一种基于机械振动信号的锂离子电池组连接故障诊断方法。利用压电陶瓷传感器实现电压信号和振动信号的相互转换,在每种故障模式下采集振动信号;基于稀疏测度指标和熵测度方法在频域和时域提取故障特征以描述锂离子电池组在不同连接故障模式下的故障特性;利用最大相关最小冗余算法降低高维特征空间的冗余度,选择出最重要的特征;在此基础上,建立基于差分进化算法优化的支持向量机诊断模型。结果表明,该方法诊断准确度为0.963,可以准确检测到锂离子电池组的连接故障并明确故障发生的位置。     

基于荷电状态的锂离子电池组主动均衡控制

针对锂离子电池组中单节电池间的差异性会对电池组的可使用寿命以及容量利用率造成严重影响,设计了一种电感式主动均衡电路。基于递推最小二乘扩展卡尔曼滤波(RLS-EKF)算法在线估算锂离子电池的荷电状态(SOC),同时以SOC值作为均衡准则对锂离子电池组实施均衡控制,实现了一种主动均衡控制策略,并开发了锂离子电池组能量均衡管理系统测试平台。实验结果表明,RLS-EKF算法的SOC估算误差在3.5%以内,并且所提出的主动均衡控制方法极大改善了电池间的差异性,电池的容量利用率大幅度提高。     

一种退役锂电池健康状态估计方法

针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R₀)作为状态方程参数。其次利用区域概念,计算出特定的区域容量与区域电压,减少电池参数估计所需要的数据、时间。然后通过扩展卡尔曼滤波(Extended kalman filtering)算法估计电池参数SOC和R₀,进而对电池健康状态(State of health, SOH)进行估计。最后,利用电池测试设备(Arbin-BT2000)对18650电池进行充放电实验,验证该方法的可行性。实验结果证明SOH估计所需参数明显减少,使得电池数据测量所需时间明显缩短,并且估计误差不超过4%,误差较小,说明所提出方法能快速、有效地估算出电池SOH。     

锂离子电池循环寿命的融合预测方法

针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足:过度依赖电池经验退化模型和模型输入变量单一的问题,提出了一种相关向量机、粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法。通过相关向量机提取电池历史数据的退化趋势,构建趋势方程替换以往的电池经验退化模型,作为粒子滤波算法的状态转换方程。引入自回归模型的长期趋势预测值,替换观测值构建粒子滤波算法的观测方程。将3种方法相融合估计电池剩余寿命。实验结果表明:融合方法不仅预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型,通用性强。