数据驱动的锂离子电池健康状态估计

为契合纯电动汽车实车电池数据特点,提出一种数据驱动的锂离子电池健康状态(SOH)估计方法。基于前馈神经网络和循环神经网络模型,通过电池动态放电数据学习其动态特性,并参考锂离子电池电化学模型中电池端电压的组成公式,设计电池系统辨识神经网络的结构。该神经网络能较精确地学习电池的端电压响应和预测电池的恒流放电电压曲线,平均误差小于20 mV。基于曲线相似度计算法,利用模型预测的恒流放电电压曲线,对电池的容量和SOH进行估计。所提出的方法可对电池SOH进行精确估计,误差小于2.5%。     

基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法

锂离子电池作为重要的储能元件,其荷电状态(SOC)直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算,提出一种基于门控循环单元神经网络(GRU-RNN)和Huber-M估计鲁棒卡尔曼滤波(HKF)融合方法的锂离子电池SOC估算模型。该方法利用Huber-M估计改进卡尔曼滤波器的鲁棒性,并将基于GRU-RNN所估算的锂离子电池SOC值作为改进卡尔曼滤波器的观测量。在两组锂离子电池数据集上分别进行锂离子电池SOC估算实验。实验结果表明,基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算,而且能够降低测量误差及异常值对估算结果的影响,使锂离子电池SOC估算结果快速且精确收敛。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.     

基于CNN-BiLSTM网络的锂离子电池健康状态检测方法

锂离子电池健康状态(SOH)是锂离子电池可靠运行的重要参考指标，为提高电池健康状态检测的精确性，提出一种基于CNN-BiLSTM网络的锂电池健康状态检测方法。该方法使用CALCE锂离子电池容量衰减数据集，提取电池健康因子(HI)作为模型输入数据，同时利用灰色关联分析法(GRA)验证HI选取的合理性，采用卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)构建网络模型，对电池容量进行预测，实现锂离子电池健康状态检测。实验结果表明，该方法SOH检测的平均绝对误差为1.3%,均方根误差为1.78%,精确度和可靠性较高。     

基于改进回声状态网络的锂离子电池剩余使用寿命预测

锂离子电池凭借其优越的性能被广泛用于纯电动汽车及大型电气系统。然而，随着锂离子电池循环充放电，电池性能大幅度衰退，会间接导致用电系统的性能衰退或发生故障。因此，准确预测锂离子电池剩余有效寿命(RUL),能够保障电池安全可靠运行。为了提高锂离子电池RUL的预测精度，提出了一种基于改进粒子群算法(IPSO)回声状态网络(ESN)的锂离子电池RUL预测方法，实现在线准确预测锂离子电池RUL。首先，通过遗传算法(GA)的交叉和变异操作优化PSO,提高粒子局部与全局寻优能力。然后通过GA-PSO对ESN网络参数进行优化，建立退化预测模型，利用NASA公开的锂离子电池实验数据进行仿真实验。结果表明，在相同数据集条件下，与改进粒子群算法和门控循环单元(IPSO-GRU)神经网络、遗传算法的极端学习机(GA-ELM)、非线性自回归(NARX)动态神经网络、改进蚁狮优化算法支持向量回归(IALO-SVR)、间接健康指标与ESN的预测方法相比，GA-PSO-ESN有更高的预测精度、稳定性和泛化能力，表明了该方法的有效性。     

基于GA-BP神经网络的锂离子电池SOC估计

电池荷电状态(state of charge,SOC)的估计是电动汽车电池管理系统(battery management system,BMS)的最为重要的关键技术之一。为此,提出了一种基于改进型遗传算法(genetic algorithms,GA)的BP神经网络的锂离子电池SOC估计。利用MATLAB人工神经网络工具箱和谢菲尔德(Sheffield)遗传算法工具箱共同建立GA-BP神经网络模型,用于预测锂离子电池在任一状态下的SOC。经仿真实验表明,与经典的BP神经网络预测方法相比,基于改进型GA-BP神经网络的锂离子电池荷电状态估计精度有效提高了,且具备良好的收敛性。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,AdaBoost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。     

基于QGA-QBP的动力电池SOC估计

提出了一种基于量子遗传算法改进量子神经网络模型的荷电状态估计方法.考虑电池健康状态指标,分析引入内阻参数对电池估计精度的影响.针对传统神经网络及其改进算法的不同估计缺陷,在其基础上进行量子编码并动态自适应调整量子旋转角,缩短搜索时间的同时提高了收敛精度.最后在MATLAB仿真测试,验证了所提算法相较传统神经网络的收敛性能优势.     

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。     

锂离子电池健康状态估计方法研究综述

电池管理系统是锂离子电池高效、安全运行的重要保障.电池的状态估计在电池管理系统中发挥着重要的作用.健康状态是锂离子电池状态估计的重要指标之一.通过对近几年国内外锂离子健康状态估计方法相关文献的整理,综述了锂离子电池健康状态的定义和估计方法,并对现有的估计方法进行了分类和阐述.最后针对现有估计方法的不足,提出未来需要改进...