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BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法北大核心CSCD

锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。     

基于电热耦合效应的锂电池荷电状态与温度状态联合估计

准确估计电池的荷电状态(SOC)和内部温度可以提高电池的性能和安全性。其中,电池模型的准确性和估计算法的适用性是关键。为了解决这两个问题,本文建立了圆柱形锂离子电池的多参数电热耦合模型。模型考虑电池SOC与温度变化之间的耦合关系,并且利用改进的熵热系数实验获得电池运行中产生的可逆热与不可逆热,通过可变遗忘因子最小二乘算法(VFFRLS)进行参数辨识,并对比独立的电模型与热模型的SOC与内部温度估计结果,验证了多参数电热耦合模型的准确性,结果证明所提模型相比较于单独的电热模型,估计精度提高了70%以上。最后,设计了一种基于奇异值分解的卡尔曼滤波(SVD-AUKF)算法来同时在线估计SOC和内部温度,并在改进的动态测试(DST)工况下对所提方法进行实验验证。结果表明：所提方法相较于扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)算法,能实现更高精度的SOC和温度估计,SOC与内部温度的平均误差分别是5%和0.2℃。     

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计CSCD

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一,准确估计可以提高电池的使用寿命。然而在SOC估计过程中,会受到如测量设备的精度、噪声等外界因素的干扰,降低SOC的估计精度。为了提高SOC的估计精度,针对扩展卡尔曼滤波(EKF)算法易受噪声干扰,提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据,并与传统的EKF进行对比,估计误差可以控制在3%以内,验证了该模型的有效性。     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

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.     

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络（BPNN）和自适应无迹卡尔曼滤波器（AUKF）的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络（BPNN）建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器（AUV）,而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。     

基于RLS-DLUKF算法的锂电池SOC预测方法研究

本工作以钴酸电池为研究对象,针对锂电池在复杂工况下电流的剧烈变化导致荷电状态(SOC)无法有效预测的问题,建立了以精确参数为基础的双层无迹卡尔曼滤波算法(DLUKF)架构来更精准的估算SOC.首先,以脉冲功率特性实验数据获取二阶电路模型中电池开路电压与荷电状态的函数关系及特性曲线;其次,为增强模型辨识过程中的自适应学习能力并解决模型参数估计不准确的问题,应用递推最小二乘(RLS)算法在线准确地识别出模型中的未知变量;最后根据输入的变量信息,利用UKF算法相互嵌套形成的DLUKF算法实现对SOC的快速预测来解决单一的UKF算法在高阶非线性系统里估算不准确、精度低的问题.在UDDS工况和FUDS工况下对DLUKF算法和单一的UKF算法进行比较,通过对比分析两种算法估计出的SOC曲线、SOC误差曲线、端电压曲线及端电压误差曲线,表明DLUKF算法预测SOC的平均误差比UKF的低且预测精度更高.     

基于并行卡尔曼滤波器的锂离子电池荷电状态估计

针对新能源电动汽车的电量显示与安全管理问题,对其锂离子电池的荷电状态展开研究,提出了基于并行卡尔曼滤波器的全寿命下的电池荷电状态(state of charge,SOC)估计算法.建立了电池Thevenin一阶RC等效电路模型,通过开路实验的数据处理获取静态OCV-SOC关系表达式,并利用具有动态遗忘因子的最小二乘法对模型参数进行了辨识.以安时积分法为状态传递方程,在扩展卡尔曼滤波的基础上利用最大似然估计准则使模型噪声协方差具有自学习能力.考虑模型参数随电池寿命衰减而改变的问题设计并行结构的滤波器来分别进行电池状态估计和参数修正,保证了数据传递中的纯洁性和独立性,从而实现了全寿命下的SOC估计.经过仿真实验验证算法的快速收敛性与实时性,估计精度在2％以内.     

基于加速寿命试验的锂离子电池可靠性分析方法

为了有效地提高锂离子电池寿命评估的准确性,延长储能系统在配电网中运行年限,文章提出了基于加速寿命试验的锂离子电池可靠性分析方法。综合考虑不同放电深度对锂离子电池寿命影响,建立了锂离子电池的寿命衰退模型;确定了荷电状态(SOC)与健康度(SOH)的关联特性关系;提出了基于逆幂率方程的储能系统加速寿命试验方法;基于情景分析法对锂离子电池的可靠性进行了分析。研究结果表明,文章所提出的试验方法能够准确地对不同运行状态下的锂离子电池储能系统进行可靠性评估,保证储能系统并网运行过程中的调控准确性。     

基于自适应CKF的老化锂电池SOC估计CSCD

锂电池的荷电状态(SOC)估算是电动汽车的系统管理与能量控制的重要参数。在SOC估算过程中,电池参数变化和老化问题会对结果造成很大影响。针对这一问题,在递推最小二乘法算法(RLS)辨识锂电池模型的参数的基础上更新电池容量,通过容积卡尔曼滤波(CKF)估算电池SOC,结合RLS和CKF实现在电池参数发生变化时准确估计SOC。以锂离子电池作为对象,应用所提出的算法实现锂电池的SOC在线估计,验证算法的准确性。     

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。     

电动汽车用锂离子电池SOC估算方法综述

综述了锂离子电池荷电状态(state of charge,SOC)估算方法的研究进展.作为电动汽车电池管理中的重要指标,SOC表征了电池在当前循环中剩余的电量.准确的SOC估算可有效地避免电池工作于过低电量等不良工况,保证电池始终运行在安全的状态中,从而有效提高电池使用的效率和延长使用寿命.介绍并比较了几种常用的SOC估算方法:安时积分法最为简单,但由于其是开环估算系统,无法对估计误差进行修正;开路电压法可以根据开路电压与SOC之间的对应关系实现查表式估算,然而由于需要长时间静置来获取稳定的电压值,不适用于在线估算;卡尔曼滤波族方法是前两种方法的结合,可依靠系统观测值的误差对状态估计值进行及时修正,搭配适合的电池模型可获得较高的估算精度且适用于在线估算;数据驱动的方法则需要长期性的历史数据进行数据库的建立.本文总结了每种SOC估算方法的优缺点以及改进的方案.基于以上分析,结合SOC估算算法在工程实际中应用的局限与面对的挑战,对锂离子电池SOC在线估算的发展做出了展望.     

Estimation of power battery SOC based on firefly BP neural network

针对BP神经网络算法对电动汽车电池荷电状态（state of charge,SOC）估算的缺陷,提出一种基于萤火虫（firefly algorithm,FA）神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。     

基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计

锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基于双向长短期记忆循环神经网络(bidirectional long short-term memory,Bi-LSTM)以及双向门控循环单元网络(bidirectional gated recurrent unit,Bi-GRU)估计锂电池的SOC取值.双向循环神经网络SOC估计模型由输入层、隐藏层和输出层组成.输入层输入电池电压、电流与温度序列;隐藏层在正向LSTM/GRU层的基础上增加反向LSTM/GRU层,引入逆序信息,基于输入序列上下文所含信息整体上学习、表征电池特性序列与SOC序列之间的内在关联;输出层输出模型的估计值.所拟模型使用Python语言结合TensorFlow后端在Keras框架中实现,并基于基准数据集在3种温度条件下结合多种工况进行性能分析.结果表明,双向学习策略能有效提升锂电池SOC的估计性能,较之单向学习模型具有更高的估计精度与鲁棒性.与构造电池等效模型等方法的思路不同,所拟方法基于数据驱动学习锂电池SOC的非线性特性,将易于观测的锂电池特性序列数据映射为待估计的SOC取值,为锂电池SOC估计提供了可能的新思路.     

基于BCRLS-ACKF的锂离子电池荷电状态估计

精确的锂离子电池荷电状态(state of charge,SOC)估计对于电池管理系统至关重要.模型参数辨识是SOC估计的前提,也是影响其估计精度的关键因素.为了有效避免噪声对参数辨识的影响,采用偏差补偿递推最小二乘法(BCRLS)进行在线参数辨识.在此基础上,采用自适应容积卡尔曼滤波(ACKF)算法估计电池SOC,对系统噪声进行实时更新以提高估计精度.此外,对于计算过程中由于协方差矩阵失去正定性而出现平方根无法分解的问题,利用奇异值分解的方法代替Cholesky分解,以提高数值计算的稳定性.最后将BCRLS与ACKF相结合以实现模型参数和SOC的联合估计,并在不同工况和初始值不精确的情况下进行算法验证,结果表明本文所提算法具有较高的精度,平均绝对误差在2％以内.     

基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计

锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础.传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优.针对这些问题,提出了自适应灾变遗传-循...     

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。