基于CS-SVR模型的锂离子电池SOH预测

提出基于布谷鸟搜索(CS)和支持向量回归(SVR)的锂离子电池健康状态(SOH)预测算法,通过CS进行SVR参数寻优,得到优化的SVR模型。以单次放电过程的平均电压和温度作为模型输入,得到SOH预测结果并计算预测误差。根据误差、采用CS算法进行模型优化,得到数据集中第5、7号电池预测的误差分别稳定在0.50%和0.75%以内。采用效果较好的基于平方指数和周期协方差函数(SE)的多尺度高斯过程回归(MGPR)算法、基于改进粒子群(IPSO)优化的SVR算法和基于遗传算法(GA)优化的SVR算法作为对比。CS-SVR算法与GA-SVR算法相比,预测结果更加准确,在第5号电池上的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别下降了0.31%和0.3,在第7号电池上则分别下降了0.14%和0.13。     

基于ICA和Box-Cox变换的锂离子电池SOH估计方法

对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。     

基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计

为了准确估计锂离子电池的健康状态（SOH）,提出了一种基于粒子群算法与极限梯度提升算法相结合的方法。首先利用主成分分析法（PCA）对电池数据进行预处理,提取并组成最佳健康因子数据组;在此数据的基础上,运用XGBoost算法建立锂离子电池退化过程模型,利用同类已有电池历史数据进行训练,通过粒子群算法优化XGBoost算法中五个主要参数,构建基于PSO-XGBoost的SOH预测模型;最后采用美国国家航空航天局电池数据集进行分析验证,并与现有的预测方法对比。结果表明,该方法平均绝对误差为0.003 922、均方根误差为0.005 553、最大误差为0.021 84,具有较高的预测精度。     

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。     

基于差分热伏安法的锂离子电池SOH诊断

当前基于容量、端电压和内阻等电特性参数的健康状态(state of health,SOH)估算模型在实际使用过程中难以真实反映电池老化状态.老化前后电池产生的热量必然存在差异,而温度也是反映SOH的关键特性参数.采用考虑电池温度的差分热伏安(differential thermal voltammetry,DTV)作为锂离子电池SOH诊断方法.分析和比较了6种电流倍率下电池DTV曲线,选取2 C和4 C倍率研究电池老化过程中的DTV特性,提取DTV峰特征参数分析电池衰退特性.接着分析峰特征参数与SOH的关联性.结果表明,4 C峰峰容量与SOH的线性关系最好,可以用于估算SOH.     

基于不同核函数SVR的锂离子电池SOH预测比较

电池健康状态(state of health,SOH)预测是电池故障诊断与健康管理的重要组成部分,准确地预测电池健康状态至关重要.支持向量回归方法因具有良好的回归能力而被作为预测电池剩余使用寿命的首选数据驱动方法之一.核函数将样本从低维空间映射到高维空间,以便进行精确分类,参数选择决定核函数的映射能力,训练集的大小和分...     

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...     

基于健康特征参数的锂离子电池SOH和RUL联合估计方法

锂电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)的准确估计对保证电池的安全稳定运行至关重要,然而两者都难以被直接测量。该文提出一种基于高斯过程回归(gaussian process regression,GPR)的SOH和RUL联合估计方法。该方法从充电曲线中提取健康特征(health factor,HF),并通过主成分分析(principle component analysis,PCA)进行降维处理得到间接健康特征(indirect health factor,IHF),然后利用GPR建立电池老化模型进行SOH估计。在此基础上,采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对IHF随循环次数增加的变化趋势进行预测,将其结果与所建立的电池老化模型结合,实现RUL估计。2组不同温度下的电池数据被用来验证算法的准确性和适应性,实验结果表明所提出的算法具有较高的精度和可靠性。     

基于FA-BP神经网络的锂离子电池SOH估算

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题.对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧...     

基于卷积神经网络的锂离子电池SOH估算

锂离子电池健康状态(SOH)描述了电池当前老化程度,其估算难点在于缺乏明确统一的定义、无法直接测量以及难以确定数量合适、相关性高的估算输入量。为了克服上述问题,该文从容量的角度定义SOH,并将锂离子电池恒流-恒压充电过程中的电压、电流、温度曲线作为输入,提出采用一维深度卷积神经网络(CNN)实现锂离子电池容量估算以获取SOH。在NASA锂离子电池随机使用数据集和牛津电池老化数据集上进行的实验结果表明,该方法能够实现准确的SOH估算,且具备网络参数少、占用内存小的优势。另外,通过实验讨论了网络输入、模型结构、数据增强对所提出的SOH估算方法的影响。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题,提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数,并估计SOH,将阻容等辨识结果作为输入,弥补估计SOC时应该考虑电池老化影响产生的误差,实现SOH对SOC的修正,提高模型精度。在新欧洲驾驶周期(NEDC)工况下,进行充放电实验,EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计

为提高锂离子电池荷电状态(state of charge,SOC)的估计精度并准确估计健康状态(state of health,SOH),以二阶RC等效电路模型为研究对象,基于Sage-Husa自适应滤波的思想,对传统的平方根无迹卡尔曼滤波(square-root unscented Kalman filter,SRUKF)进行改进,提出一种自适应SRUKF(adaptive square-root unscented Kalman filter,ASRUKF)算法,该算法通过对状态方差阵和噪声方差阵平方根的递推估算,确保了状态和噪声方差阵的对称性和非负定性。验证结果显示,相比于SRUKF算法,ASRUKF算法能够得到精度更高的SOC估计值,并在FUDS工况下将最大SOC估计误差降低4%。针对电池欧姆内阻和容量参数随着电池的老化而变化的现象,对内阻和容量进行实时在线估计,在此基础上完成对SOH参数的预测。验证结果表明,联合估计算法对电池的欧姆电阻和容量有一个较好的估计,进一步提升了电池状态的估计精度。     

基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(stateofhealth,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。     

基于粒子滤波的锂离子电池剩余寿命预测

在各种各样的装置与设备中,锂离子电池剩余寿命(remaining useful life,RUL)的准确预测起着重要作用,越来越多的研究人员开始重视对锂离子电池可靠性和安全性预测的研究。粒子滤波(particle filter,PF)方法一般用于模型结构已知或者可以获得模型的情况下,来估计和预测时间序列。改进已有的锂离子电池容量经验指数衰退模型,降低了状态方程参数估计的个数。实验比较了基于PF方法,原指数经验模型及改进经验模型的锂离子电池剩余寿命预测的精度,其结果显示改进后的模型提高了预测精度,降低了误差率,并且缩小了不确定性范围。     

基于无迹粒子滤波的车载锂离子电池状态估计

传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。     

基于AEKF滤波与H∞滤波的锂离子电池SOC联合估计

锂电池荷电状态（SOC）的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有卡尔曼滤波SOC估计方法存在估计精度低、鲁棒性差等问题,采用锂离子电池的二阶电阻-电容等效电路模型,通过HPPC循环脉冲实验和动态应力测试工况放电实验,结合带可变遗忘因子的递推最小二乘法（VFFRLS）及开窗理论,对等效电路模型参数进行在线辨识,提出利用自适应扩展卡尔曼滤波（AEKF）算法和H_∞滤波算法联合估计SOC的方法。结果表明：与AEKF算法相比,在DST工况下该算法可以使电池荷电状态估计的最大绝对误差减小3.902 9%,平均绝对误差减小0.962 2%,均方根误差减小0.551 5%。与H_∞滤波算法相比,在DST工况下该算法可以使电池荷电状态估计最大绝对误差减小1.309%,平均绝对误差减小2.893 4%,均方根误差减小2.613 6%。     

不同温度下基于模型滤波的锂离子电池SOC估计

建立了一阶电池等效电路模型来表现电池的特性,在不同温度下对电池参数进行辨识并建立电池参数与温度的函数关系,在不同温度下利用非线性预测滤波算法对电池进行SOC估计。结果表明,在不同温度下,所提出的方法都能得到很好的估计结果。     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。     

HELM实现锂离子电池SOH在线估算

锂离子电池的健康状态(SOH)估算对电动汽车的稳定安全运行十分重要,是提前预知电池寿命保障系统正常运行,避免灾难性事故发生的关键之一。针对目前健康因子(HI)构建复杂以及现有SOH估算方法模型参数多且复杂、耗时长等问题,提出了利用可直接测量的电池恒流充电时间和放电电压样本熵作为HIs表征电池的容量退化,降低HI构建的复杂度。引入分层极限学习机(HELM)模型建立SOH在线估算框架,以所构建的两种新HIs作为输入,离线训练HELM电池退化模型实现SOH在线估算。采用美国宇航局(NASA)、牛津大学(Oxford)公开数据集与自测数据集验证所提出的HELM框架对三元锂电池和钴酸锂电池SOH估算的有效性。训练样本和估算样本在相同温度条件下,最大绝对误差不超过1.05%,SOH估算精度较高;当温度条件和电池类型不同时,最大绝对误差不超过2.1%,表明该SOH估算框架具有较好的泛化性与迁移性。     

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。