钠离子电池健康状态预测

钠离子电池健康状态(SOH)预测对于电池优化管理有重要意义,但由于钠离子电池老化机理复杂,影响因素众多,精准SOH预测挑战巨大.为此,本研究从健康状态时序测量数据出发,提出了基于双指数模型的粒子滤波法(DEM-PF)和基于小波分析的高斯过程回归法(WA-GPR),以实现钠离子电池单步SOH和剩余可用寿命(RUL)预测.前者直接采用双指数函数构建时序SOH数据模型,并结合PF算法进行模型参数更新;后者采用小波分析实现时序SOH数据多尺度解耦,采用GPR构建各尺度数据模型并进行融合后实施预测.实验结果表明,相比DEM-PF方法,WA-GPR方法的单步SOH和RUL预测效果更好,单步SOH预测均方根误差为0.8％,RUL预测误差最小为3次循环,从而为钠离子电池管理提供有效支撑.     

结合高斯过程回归与特征选择的锂离子电池容量估计方法

由于锂离子电池本身复杂的老化特性,准确预测电池的健康状态和剩余寿命是一个尚未解决的挑战,这限制了消费电子、电动汽车和电网储能等技术的发展.电池的老化机制复杂且相互耦合,难以采用基于模型的方法进行准确的建模.本工作提出了一种基于数据驱动的锂离子电池容量估计方法,通过分析电池的电压-放电容量曲线随循环老化的演变模式,提取具有电化学意义的特征,采用高斯过程回归(Gaussian process regression,GPR)对电池的容量进行预测.该模型的输入特征可以在线获取,不需要对电池进行完整的充放电循环即可估计容量.在钴酸锂电池和磷酸铁锂电池数据集上分别进行了实验验证,结果表明该方法具有较好的泛化能力,对不同类型的电池均能实现准确的容量估计.将本文的方法与阻抗谱作为输入的GPR模型进行对比试验,结果表明该特征能获得更好的估计精度.这一结果说明了合适的特征选择能显著影响锂离子电池的数据驱动模型性能,为电池的状态预测与诊断提供了参考.     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.     

基于LSTM的锂电池储能装置SOC与SOH联合预测

锂电池储能装置在电网中承担削峰填谷、调频保电的重要工作,因此有必要预测其运行状态,为下一步制定运维与检修计划提供依据.为实现锂电池储能装置荷电状态(state of charge,SOC)与健康状态(state of health,SOH)的联合预测,首先分析了预测电压与温度的必要性和SOC与SOH的关联性,然后提出采...     

基于主成分分析与WOA-Elman的锂离子电池SOH估计北大核心CSCD

准确估计锂离子电池健康状态(state of health,SOH)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度,然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升SOH估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的SOH估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的SOH进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池SOH,并且具有更好的泛化性能。     

基于组合频率阻抗特征的锂离子电池健康状态估算北大核心CSCD

电池健康状态(state of health,SOH)的准确估算是保证电动汽车高效安全运行的关键。从电化学阻抗谱(electrochemical impedance spectroscopy,EIS)中提取健康特征可实现电池SOH的准确估算,但在线采集EIS数据对车载设备要求较高不易实现,而采集单频率阻抗作为特征进行SOH估算又面临精度较低的问题。针对该问题,本文提出一种基于组合频率特征的SOH估算方法,首先,通过对实验数据进行分析,将前120次循环的10 Hz虚部和后320次循环7.94 Hz的虚部进行组合,形成电池组合频率阻抗特征。然后,基于组合频率阻抗特征,利用B1和B2电池测试数据建立电池SOH估算的长短期记忆(long short term memory,LSTM)神经网络模型,并通过B3和B4号电池数据对模型进行验证。结果显示,采用组合频率阻抗特征建立的SOH估算模型的均方根误差最小为0.3%,相比采用单频率阻抗特征所建立的模型,其误差减小23.9%以上。由此可见,本文所提出的基于组合频率特征的SOH估算方法,不仅阻抗测量过程简单,且估算精度较高,可应用于电池SOH的在线估算。     

基于改进的高斯过程回归的SOC估计算法

为了提高锂离子电池荷电状态(SOC)的估计精度,文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法,首先选取数据集,将电池测量参数电流和电压作为模型的输入向量,SOC作为模型的输出向量来训练模型,为了提高模型精度,文中改进了高斯过程回归模型.将上一时刻估计的SOC值加入到移动窗口中,并与电流和电压一起作...     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

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PCA-GPR的锂离子电池剩余使用寿命预测

从充电过程中的电压-容量曲线中提取出一个与电池寿命高度相关健康因子（HI）。然后利用主成分分析（PCA）对影响电池寿命的多维因素进行分析和降维,结合高斯过程回归（GPR）机器学习方法提出一个基于PCA-GPR的锂离子电池剩余使用寿命预测模型。最后进行锂离子电池剩余使用寿命预测并与PCA-BP神经网络、PCA-支持向量机（SVM）模型进行比较。结果表明,利用该文提出的HI及预测模型可有效提高锂离子电池剩余使用寿命预测精度,其中通过贝叶斯优化器优化后的PCA-GPR模型的预测效果最佳。     

锂离子电池全寿命周期个性化退役与评价方法

锂离子电池(Lithium-ion batteries, LIBs)广泛应用于储能系统(Energy storage system, ESS)、电动汽车(Electric vehicles,EVs)等领域。然而,电池在运行过程中容量会逐渐下降直至退役。传统方法以80%健康状态(State of health, SOH)作为退役标准,未考虑电池实际衰退速率,不仅不能充分利用健康电池,而且难以有效保障非健康电池的安全性。同时,SOH相等但电池老化特性和衰退速度不一定相同。仅以SOH评价无法准确反映电池老化差异。为此,提出一种锂离子电池全寿命周期个性化退役标准和老化评价方法。以容量衰退梯度和SOH为特征,首次定义全新退役指标(Index of decommissioning,IoD),计算IoD在80%SOH下的分布,获取退役阈值,并以此阈值为标准定义电池退役时刻。提出一种全新的健康状态评价指标—电池容量跳水度(Terminal diving rate,TDR),评价电池在使用过程中出现的非线性老化现象。通过在MIT公开数据集上验证,所提方法计算简单、鲁棒性强,能够实现电池个性化退役,更有效...     

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。     

全钒液流电池健康状态(SOH)特性北大核心CSCD

电池系统健康状态(SOH)特性的准确掌握和评估对于提高电池储能系统的可调度特性和运行的经济性具有重要意义,是新型储能系统大规模应用非常重要的一个指标。本研究基于自主开发的全钒液流电池系统测试平台,模拟全钒液流电池系统实际运行工况开展了近2年的充放电实验。本文对全钒液流电池测试平台2年内的容量、能量效率,平均价态及电池内阻变化进行了总结和分析。实验数据表明,在本研究运行工况下全钒液流电池系统年度SOH降低幅度大约为4%,能量效率保持基本稳定。分析发现,平均价态变化使得放电末期浓差极化内阻快速增加是导致全钒液流电池系统容量衰减的主要原因,同时全钒液流电池系统SOH表现出与其他固态电池非常明显的差异性,即全钒液流电池的SOH是可100%恢复的。     

Comparison of data-driven lithium battery state of health estimation methods

回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态（stateof health,SOH）估算方面的研究进展。人工神经网络适合模拟动力电池,能达到很高的精度;支持向量回归计算量小,理论基础完善,在动力电池SOH估算研究中应用广泛;高斯过程回归精度高并能给出预测结果的置信区间,近年相关文献数量呈现增长趋势。针对现行SOH定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH。进而分别建立了BP神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测,定量对比结果验证了三种方法在计算量和精确度方面的特点。最后展望了数据驱动方法与新能源汽车大数据在动力电池SOH估算研究方面的应用前景。     

锂离子电池健康状态估算方法研究进展

随着锂离子电池(Lithium-ion batteries,LIB)在电动汽车、储能电站和备用电源等领域的广泛应用,准确、及时地估计电池健康状态(State of health, SOH)是确保电池系统运行可靠性和安全性的关键因素。锂离子电池内部复杂的电化学反应和多变的外部使用条件,使得实现精准的健康状态估计具有挑战。随着人工智能、大数据分析等技术的快速发展,电池SOH评估的方法也逐渐多样化。首先介绍电池的老化机理和SOH概念,随后介绍了实验法、基于模型、数据驱动和融合方法,详细分析了每种方法的特点,并比较了在实际应用中相应的优势和局限性。最后,对SOH估算的未来趋势进行了展望。     

基于WOA-XGBoost的锂离子电池剩余使用寿命预测北大核心CSCD

使用早期数据准确预测电池剩余使用寿命(RUL)可以加速电池的改进和优化。然而电池退化过程是非线性的,且在早期阶段容量衰减可忽略不计,使得RUL预测具有挑战性。为解决这一问题,本工作使用电池早期循环数据,并构建WOA算法和XGBoost算法的混合预测模型预测RUL。文章首先对电池实验数据进行预处理,观察放电电压-容量退化曲线和容量增量曲线的变化,选取与实际容量状态相关性较高的潜在特征,并将其时间序列数据作为XGBoost预测模型的输入,然后采用WOA算法对模型进行参数优化。最后使用由丰田研究所提供的84个在多步充电和恒流放电条件下的锂离子电池数据进行验证,结果表明所提出模型仅使用前100个周期循环数据即可对整个电池寿命预测,测试误差低于4%。     

一种基于模态分解和机器学习的锂电池寿命预测方法北大核心CSCD

锂离子电池剩余使用寿命(RUL)是电池健康管理的一个重要指标。本工作采用电池容量作为健康状况的指标,使用模态分解和机器学习算法,提出了一种CEEMDAN-RF-SED-LSTM方法去预测锂电池RUL。首先采用CEEMDAN分解电池容量数据,为了避免波动分量里的噪音对模型预测能力的影响,且又不完全抛弃波动分量里的特征信息,本工作提出使用随机森林(RF)算法得到每个波动分量的重要性排序和数值,以此作为每个分量对原始数据解释能力的权重。然后将权重值和不同波动分量构建的神经网络模型得到的预测结果进行加权重构,进而得到锂离子电池的RUL预测。文章对比了单一模型和组合模型预测精度,加入了RF的组合模型预测精度让五种神经网络的表现都有进一步的提升。最后,对表现较好的两种网络——LSTM和GRU引入了简单编码解码(SED)的机制,让其更好地学习到序列数据全局时间上的特征和远程的依赖关系。以NASA数据集作为研究对象进行该方法的性能测试。实验结果表明,CEEMDAN-RF-SED-LSTM模型对电池RUL预测表现效果好,预测结果相比单一模型具有更低的误差。     

基于简单循环单元的储能锂离子电池SOC和SOH联合估计方法

锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

磷酸铁锂电池优化多因子状态在线评估方法

针对目前锂离子电池在线估计方法不准确的问题,提出了一种基于优化充电电压片段下多个健康因子的磷酸铁锂电池健康状态综合在线评估方法,将充电电压片段内所充电量估计的电池容量与实际电池容量的误差最小作为目标,利用遗传算法寻优充电电压片段。在此基础上,分别对表征电池健康状态的充入电量、充电时间以及内部阻抗三个健康因子进行在线评估,归一化处理得到各健康因子对应的健康状态,再通过最小序列优化法实时获取电池综合健康状态。最后对磷酸铁锂电池进行老化充放电实验,对比仅采用电池内阻单因子评估方法,结果表明该方法能有效减小充电过程中电池健康状态估计误差,且适用性更强。