基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术.该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法.通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型.利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型.之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性.实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平.     

基于SREKF的锂电池健康状态估计

健康状态(state of health,SOH)估计在电池管理系统中起着非常关键的作用。为了进一步提高锂电池SOH估计精度,提出基于平方根扩展卡尔曼滤波算法(square root extended Kalman filter,SREKF)的锂电池SOH估计方法。通过建立二阶RC等效电路模型(equivalent circuit model,ECM),将表示SOH的欧姆电阻(R_0)塑造为状态向量,利用锂电池欧姆内阻与SOH之间的内在关系,可得到锂电池的SOH。通过SREKF实时估计电池的内阻,该方法能保证状态协方差矩阵的对称性和非负性。在恒流工况与混合动力脉冲特性(HPPC)工况的验证结果表明,与EKF算法相比,SREKF算法能够更准确、更可靠地估计欧姆内阻,为电池SOH估计提供了一种有效的方法。     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

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%。     

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。     

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。     

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。