基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。     

粒子群优化神经网络电动汽车SOC估算方法

为了解决纯电动汽车电池剩余电量估算难题,采用粒子群优化神经网络方法,用于BP(Back Propagation,BP)神经网络权值和阈值优化,并把优化后的神经网络用于荷电状态(SOC)离散估算.以100 Ah LiFePO4电池作为实验对象采集实验数据,将温度、充放电倍率和充放电电压作为PSO-BP(Particle Swarm Optimization,PSO)神经网络输入特征向量,将电池SOC作为输出向量进行网络学习和训练,用训练好的网络对不同充放电倍率下SOC进行离散点预测,采用插值估算实现实时预测.实验结果表明,PSO-BP算法对SOC值为20％～ 80％区间估算准确,能够满足电动汽车正常运行的SOC估算要求.     

电动汽车电池剩余量的估测方法

为有效地对电动汽车锂电池荷电状态(SOC)进行估算,采用自适应神经网络模糊推理系统(ANFIS)建立电池组电压降模型,再通过编写Matlab程序对BP神经网络进行训练,并用所建BP神经网络模型对SOC进行预测.经实验验证,此法精度较高且能有效预测电池的开路电压和SOC的映射关系,对延长电池寿命具有重要意义.     

基于PSO-BP的电动汽车锂离子电池SOC估算

针对BP神经网络算法对电动汽车锂离子电池荷电状态(SOC)估算的缺陷,提出粒子群(PSO)优化BP神经网络的方法,采用温度、电压、电流、充放电倍率作为PSO-BP神经网络的输入向量,以SOC作为输出向量,进行网络学习和训练,并不断进行神经网络权值、阈值的调整优化。在Matlab中进行仿真验证,实验结果表明BP神经网络算法和PSO-BP神经网络算法均可以使误差减小,但是使用PSO-BP神经网络算法估算SOC效果更优、误差更小、收敛性更佳,可将误差减小到4%以内。     

基于AG-BP算法的锂电池模型参数在线估计

对现有锂电池DP(dual-polarized)模型及其参数辨识方法进行研究,提出基于AG-BP算法的双极化锂电池模型参数在线辨识方法。结合混合动力脉冲测试和MATLAB CF曲线拟合工具箱得到神经网络的训练及测试数据库。结合正弦脉冲电流注入法,将注入电池的电流幅值、频率、电池电压响应幅值、温度、SOC(state of charge)作为BP神经网络的输入参数,实现了基于BP (back propagation)神经网络的锂电池DP(double polarization)模型的参数估计。将BP神经网络的权值矩阵、阈值向量作为基因编码,运用遗传算法实现了对神经网络的初始权值和阈值进行优化,提高了参数估计精度,并通过仿真实验对系统的参数估计精度进行了验证。     

基于滤波算法的锂电池SOC估算方法对比分析研究

电池荷电状态(State of Charge,SOC)作为电池管理系统中的重要参数之一,为保证电池管理系统的安全可靠和延长电池循环使用寿命,准确估算SOC具有重要意义。通过建立戴维宁(Thevenin)等效电路模型,结合卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)算法,实现对锂电池SOC估算精度进行对比研究。仿真结果表明,EKF算法仿真估算SOC精度明显高于KF的估算精度,估算精度可达2%。     

基于双无迹卡尔曼滤波的锂电池SOC估算

锂电池荷电状态(SOC)估算是电池管理系统的重要内容之一.为了提高SOC估算精度,以二阶RC等效电路为模型,采用双无迹卡尔曼滤波(DUKF)算法对电池模型参数和SOC进行在线联合估算.通过恒流放电测试、动态应力测试(DST)和不同初始SOC值的鲁棒性测试,验证了所提方法的准确性和稳定性.     

基于Transformer的锂离子电池SOC估计方法

此处提出了基于Transformer的荷电状态(SOC)预测模型以提高对锂离子电池的SOC预测精度及效率。首先将易于测量的电压电流等数据作为编码器的输入,利用编码器端的多头注意力机制来提取深层特征,充分地利用输入数据的特征信息,同时将目标SOC作为解码器端的输入,将编码器的输出输入至解码器端,最后输出时移后的SOC得到预测结果。为了防止标签泄露,在解码器端的输入采用了掩码机制,同时实现了卷积神经网络提取特征和循环神经网络利用数据变化的时序性。利用锂电池的工况放电实验数据进行训练,以均方误差(MSE)作为评价标准。实验结果表明,所提出的基于Transformer模型具有较高的预测精度。     

基于神经网络的动力电池SOC研究

利用神经网络进行了动力电池荷电状态(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)算法建立了动力电池的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。     

基于改进PNGV模型的动力锂电池SOC精确估计

作为动力锂电池的核心参数,锂电池的荷电状态(SOC)的精度估算决定了储能系统控制的精度和管理的可靠性,目前业内对于SOC估计算法的研究不够深入,导致精度低,计算量大,并且依赖于初始值精度,工程应用难度大,以至于动力锂电池管理系统的精确控制和管理难以实现。对电池等效电路PNGV模型进行改进,提高了模型精度,并结合拓展卡尔曼滤波算法(EKF)实现了高精度的SOC估计,通过电池实测和仿真验证,该算法提高了SOC估算精度,解决了SOC估计依赖初值精度问题,具有较高的工程应用价值。     

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BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

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。     

回溯搜索算法改进RBF算法的锂离子电池SOC估算研究

随着电动汽车的发展和应用,动力电池SOC估算的意义越来越重要,为了提高SOC估算的精度,本文在标准RBF网络模型的基础上提出了利用回溯搜索算法改进RBF神经网络模型。通过对锂电池模型中的目标函数进行优化求解,利用寻找最佳的目标权值和阈值提高RBF网络模型的SOC估算精度。最后搭建了实验仿真平台,对改进前后的算法SOC估算进行了仿真对比分析,实验结果证明了改进后RBF网络比标准RBF网络算法SOC估算精度更高,并把估算误差降低到2%以内,对锂离子电池有较好的估算精度,具有一定的理论研究意义。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

基于改进EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

基于改进GRU模型算法的锂电池SOC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。针对现有神经网络SOC估计方法在复杂工况下存在精度低，稳定性差等问题，本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制，构建1DCNN-Bi-GRU-ATT模型。其次，为解决ReLU激活函数易出现死神经元现象，将其改进为PReLU激活函数。同时，为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题，改用Huber-Loss作为网络损失函数。最后，将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明，在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%，与改进前及其他模型相比，本文模型在12种情况中综合表现更为稳定和准确，有更高的泛化性。