基于组合频率阻抗特征的锂离子电池健康状态估算北大核心CSCD

电池健康状态(state of health,SOH)的准确估算是保证电动汽车高效安全运行的关键。从电化学阻抗谱(electrochemical impedance spectroscopy,EIS)中提取健康特征可实现电池SOH的准确估算,但在线采集EIS数据对车载设备要求较高不易实现,而采集单频率阻抗作为特征进行SOH估算又面临精度较低的问题。针对该问题,本文提出一种基于组合频率特征的SOH估算方法,首先,通过对实验数据进行分析,将前120次循环的10 Hz虚部和后320次循环7.94 Hz的虚部进行组合,形成电池组合频率阻抗特征。然后,基于组合频率阻抗特征,利用B1和B2电池测试数据建立电池SOH估算的长短期记忆(long short term memory,LSTM)神经网络模型,并通过B3和B4号电池数据对模型进行验证。结果显示,采用组合频率阻抗特征建立的SOH估算模型的均方根误差最小为0.3%,相比采用单频率阻抗特征所建立的模型,其误差减小23.9%以上。由此可见,本文所提出的基于组合频率特征的SOH估算方法,不仅阻抗测量过程简单,且估算精度较高,可应用于电池SOH的在线估算。     

基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用,对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题,提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性,从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数,利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数,选取较高相关度特征作为深度神经网络的输入,建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明,与传统神经网络相比,深度神经网络学习可明显提高梯次利用电池健康状态的预测精度,为退役动力电池健康状态评估提供理论依据。     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

电化学阻抗谱识别不同化学体系退役动力锂离子电池北大核心CSCD

退役动力锂离子电池梯次利用可充分提高动力电池的经济性,然而目前动力电池标识信息混乱、电池荷电状态差异和工作电压重叠均导致无法直接或依据开路电压准确分辨磷酸铁锂动力电池与镍钴锰三元动力电池。为此,基于动力锂离子电池的结构和等效电路,建立了容量与动力电池界面电容、反应电阻、韦伯阻抗和液相电阻的对应关系,通过分析动力电池容量对电化学阻抗实部和虚部的影响探讨了利用阻抗法快速识别退役动力锂离子电池化学体系的可能性。结果表明电化学阻抗实部与虚部的比值与电池容量无关,据此可利用该比值随频率的变化差异快速识别不同化学体系的动力锂离子电池,从而避免依据充放电判断电池化学体系的低效率。此外,软包装磷酸铁锂和镍钴锰三元电池的测试结果也表明10 Ah、12.5 Ah和50 Ah的磷酸铁锂电池阻抗虚部与实部比值随交流信号频率的变化基本相同,但与镍钴锰三元电池明显不同,初步验证了该方法的有效性。     

结合高斯过程回归与特征选择的锂离子电池容量估计方法

由于锂离子电池本身复杂的老化特性,准确预测电池的健康状态和剩余寿命是一个尚未解决的挑战,这限制了消费电子、电动汽车和电网储能等技术的发展.电池的老化机制复杂且相互耦合,难以采用基于模型的方法进行准确的建模.本工作提出了一种基于数据驱动的锂离子电池容量估计方法,通过分析电池的电压-放电容量曲线随循环老化的演变模式,提取具有电化学意义的特征,采用高斯过程回归(Gaussian process regression,GPR)对电池的容量进行预测.该模型的输入特征可以在线获取,不需要对电池进行完整的充放电循环即可估计容量.在钴酸锂电池和磷酸铁锂电池数据集上分别进行了实验验证,结果表明该方法具有较好的泛化能力,对不同类型的电池均能实现准确的容量估计.将本文的方法与阻抗谱作为输入的GPR模型进行对比试验,结果表明该特征能获得更好的估计精度.这一结果说明了合适的特征选择能显著影响锂离子电池的数据驱动模型性能,为电池的状态预测与诊断提供了参考.     

基于卷积Fastformer的锂离子电池健康状态估计

锂离子电池的健康状态（state of health,SOH）是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。     

基于SOP动态一致性的退役动力电池模组筛选方法研究

针对退役电池初始特性参数不一致性,多因素影响下电池模组筛选效果不佳的难题,提出一种基于SOP动态一致性的电池模组筛选方法。首先,为表征退役动力电池梯次利用筛选时初始特性,选取退役动力电池的端电压、容量和内阻作为静态筛选的参量,并提出基于密度思想的改进K-均值聚类的静态筛选方法;其次,从静态筛选结果中选取一致性较好的单体电池,建立电压、荷电状态（SOC）、电池健康状态（SOH）等因素与功率状态（SOP）的特征关系,对退役动力电池SOP动态特性进行估计;最后,将SOP一致性较好的退役电池串联成组,建立SOP与电池模组寿命损耗关联关系,基于SOP动态一致性进行电池模组的动态筛选。通过仿真分析验证所提筛选方法的有效性,可有效延长退役电池的使用寿命。     

基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计

锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础.传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优.针对这些问题,提出了自适应灾变遗传-循...     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

基于注意力改进BiGRU的锂离子电池健康状态估计

锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行.然而在实际应用中,容量较难直接测得,导致SOH估算困难.为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法.首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性.其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量.最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性.在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1％以下.