基于锂电池模型和分数阶理论的SOC-SOH联合估计

基于锂电池荷电状态（SOC）和健康状态（SOH）的耦合关系，设计了SOC-SOH联合估计系统。首先，构建锂电池等效电路模型和自适应扩展卡尔曼滤波（AEKF）算法，进行锂电池SOC估计；其次，建立锂电池分数阶模型，设计模糊控制器辨识分数阶模型参数，基于分数阶模型参数和电池充电工况确立健康因子，引入麻雀搜索算法（SSA）改进反向传播神经网络（BPNN），进行锂电池SOH估计；然后，集成SOC与SOH估计方法，设计联合估计系统；最后，设计锂电池老化实验、动态应力测试（DST）和US06动态实验方案，对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明，基于提出的SOC-SOH联合估计方法，估计误差小于1%，具有良好的估计特性。     

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曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于GAN-CNN-LSTM的锂电池SOH估计

针对当前数据驱动的方法在估计锂电池的健康状态(SOH)时准确率较低的问题,提出了一种新的锂电池SOH在线估计方法.在对锂电池的SOH进行预测之前,利用生成对抗网络(GAN)对原始的锂电池数据进行数据增强,扩充了训练样本,利用卷积神经网络(CNN)与长短期记忆网络(LSTM)提取了输入数据的特征并对锂电池的SOH进行在线估计.实验结果表明,该方法相比于其他主流的数据驱动的方法,具有更高的估计准确率,在B0005锂电池单体上分别从充放电循环的30％、50％、70％开始估计SOH的均方根误差(root mean square error,RMSE)为0.0022、0.0022、0.0014.     

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health, SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter, PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model, MGM)和时间卷积网络(temporal convolutional network, TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。     

基于欧姆内阻对锂电池健康状态的估算

锂电池的健康状态(SOH)是对电池管理的重要参数之一,它和锂电池的寿命有着直接的关系。为了更精确地估算出锂电池的健康状态(SOH),以锂电池欧姆内阻为研究对象,构建可判断锂电池老化程度的健康因子,基于数据驱动法,选用三次样条插值法为算法,建立健康因子与健康状态(SOH)的关系模型,从而达到以健康因子来估算健康状态(SOH)的目的。实验表明,实测数据和估算数据的估算误差较小,验证了方法的可行性。     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

梯次利用锂电池健康状态预测

从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况。基于锂电池一阶RC等效电路模型,研究基于增量式自回归模型(IARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法。实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

双卡尔曼滤波法估计电动汽车电池健康状态

选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

Online collaborative estimation technology for SOC and SOH of frequency regulation of a lead-carbon battery in a power system with a high proportion of renewable energy

In this paper, a collaborative online algorithm is proposed to estimate the state of charge (SOC) and state of health (SOH) of lead-carbon batteries that participate in frequency regulation of a power system with a high proportion of renewable energy. The algorithm addresses the inaccurate estimation of energy storage battery states caused by continuous and alternating charging and discharging over a short period. Analysis of lead-carbon battery chemistry and materials reveals that the resistance of the diaphragm is the most influential factor in battery aging. In addition, the hysteresis characteristics of an energy storage battery vary significantly between the charging and discharging stages. A second-order RC equivalent circuit model is proposed that considers the contact and diaphragm resistances, and hysteresis characteristics. Based on this, models for constant current charging interaction, constant voltage charging interaction, and dynamic discharging interaction are developed. The adaptive forgetting factor recursive leassquare (AFF-RLS) method is used to identify the parameters of the interactive models. Then an interactive multiple model with the embedded unscented Kalmanfilter (UKF) is used to estimate the SOC of the energy storage battery. The membrane and contact resistances identified by the interactive multi-model (IMM) are used to estimate the SOH, and online collaborative optimization of the SOC and SOH is achieved. The error of the proposed SOC estimation method is experimentally verified to be within 2%, which is less than 5% of the standard value, and the error of SOH estimation is within 0.5%, demonstrating the high accuracy of the proposed method.     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于AMEsim的锂电池健康状态估计模型实验研究

新能源汽车动力电池健康状态（state of health，SOH）是一个表征电池性能优良的重要评价指标。针对准确估计18650锂电池健康状态这一目标需求，在锂电池单体数学模型的基础上，通过其等效电路模型分析影响锂电池健康状态的因素，采用通用非线性模型（gneral nonlinear model，GNL）电池等效电路和扩展卡尔曼滤波算法，在AMEsim仿真环境下搭建了锂电池SOH估计模型，并对18650锂电池进行充放电循环实验，将采集到的数据集导入AMEsim估计模型的数据模块中进行算法仿真。仿真实验结果表明，SOH估算误差小于8%，建立的锂电池SOH估计模型满足估算精度高，响应速度快的目标需求。     

基于电压偏移序列的电池健康状态估计方法

针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法.该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysi...     

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。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

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。     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。