基于灰色关联度分析-长短期记忆神经网络的锂离子电池健康状态估计

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析（GRA）以及长短期记忆（LSTM）神经网络的锂离子电池健康状态估计方法。该方法通过分析电池在老化过程中的充电增量容量曲线变化模式,提取电池老化特征。为了降低计算复杂度,引入灰色关联度分析法进行特征分析与筛选,并将其作为长短时间记忆神经网络的输入,进行网络预训练进而估计电池的健康状态。最后,利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。实验结果表明,所提出的方法表现出优秀的电池健康状态估计性能,并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性。     

基于实车数据的电动汽车电池健康状态估计

针对实际工况下电动汽车电池充放电电流不稳定,难以获取满充满放数据带来的电池健康状态估计困难的问题,研究以容量作为健康状态评价指标,以安时积分逆过程计算的深度充电片段电池容量及实车运行特征数据为数据样本,建立特征数据和容量之间的机器学习模型,得到剩余充电片段容量的估计,提出了一种结合安时积分法和机器学习模型对全时间段电池健康状态进行估计的方法.模型评价结果表明,该方法合理有效,对实际工况下电动汽车电池健康状态的实时估计有重要意义.     

基于新健康指标的锂离子电池容量估计研究

最大可释放容量和内阻常用于锂离子电池的健康状态估计,由于操作条件复杂,在线应用的容量通常难以估计。此外,测量内阻成本高,无法在线测量。通过对NASA PCoE的数据进行分析,提出了一种新的健康指标(HI)用于锂离子电池容量估计。通过对原始健康指标的提取,利用Box-Cox变换对提取的HI序列进行优化,提高健康指标与容量的相关性。实验结果表明,新建立的健康指标对锂离子电池容量估计具有较高的精确度,为锂离子电池健康状态估计提供了理论基础。     

一种基于改进网格搜索和广义回归神经网络的锂离子电池健康状态估计方法

为了准确估计锂离子电池的健康状态,本文提出一种新的基于改进网格搜索(GS)和广义回归神经网络(GRNN)的估计方法.首先,对集中的数据进行处理,并通过相关性分析方法,提取有效的特征数据,包括电压、电流等.其次,提出一种基于改进网格搜索和广义回归神经网络的回归模型来估计电池的健康状态.最后,使用两个锂离子电池公共数据集验...     

基于增量能量法和 BiGRU-Dropout 的锂电池健康状态估计

锂离子电池健康状态(SOH)的精确估计是电池管理系统面临的核心问题之一。针对实际的电池容量很难直接测量和容量再生导致的SOH估计误差问题,提出了一种基于增量能量法和双向门控循环网络(BiGRU)-Dropout的锂离子电池健康状态估计方法。首先分析增量能量曲线随电池老化的衰退规律,提取出最大峰值高度作为电池SOH的新健康因子。通过翻转层和门控循环网络层所搭建的BiGRU网络得出健康因子与SOH的映射关系,同时添加Dropout机制网络层防止出现过拟合现象,建立SOH估计模型用于电池SOH精确估计。实验结果表明,在不同充电倍率条件下,该方法均可快速、准确地估计电池SOH。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题，提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs)，提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型，将IHF作为模型输入，SOH作为输出。最后，建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测，将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性，能够联合实现电池SOH和RUL长期稳定的预测。     

动力电池健康因子提取实验研究

动力电池梯次利用技术是解决退役电池去处问题的关键技术,其中锂电池健康状态(SOH是分类、配组的关键参数。目前锂离子电池健康状态估算方法以离线测试数据为主,解决其准确性和效率问题是难点。本文从实验出发,以测试数据为依据,在室温测试环境下进行单体电池的充放电老化实验,研究电池衰退容量与充放电曲线、内阻关系,提取表征电池的健康状态因子。在实验结果基础上,通过统计方法分析表征电池健康状态的健康因子与电池衰退容量相关性,量化各健康因子与电池容量的紧密程度,为锂动力电池的健康评价、一致性筛选、分类与二次成组提供数据支撑。     

基于电压极差特征的储能电池组早期健康状态检测

为了更加高效地评估储能电池组的健康状态（SOH）,提出一种基于电压极差特征的早期健康状态检测方法。首先基于大容量磷酸铁锂储能电池组开展循环老化试验,测量每次循环的电压极差信号,并从中提取关键时间点的电压特征;其次,基于皮尔逊（Pearson）相关系数及灰色关联度分析法（GRA）筛选与电池组老化高度相关的健康因子。最后,通过麻雀搜索算法（SSA）优化双向长短时记忆网络（BiLSTM）的超参数,搭建SSA-BiLSTM健康状态估计模型,实现储能电池组SOH评估;并结合常规机器学习算法验证了健康因子的有效性和估计模型的优越性。结果表明,所提取充放电静置30 min的电压极差特征能够有效反映电池组容量衰退趋势,多种模型验证下SOH估计误差均低于±0.8%。其中,本文所提出的SSA-BiLSTM模型均方根误差（RMSE）低至0.07%。因此该方法能够有效地对大容量储能电池组的SOH实现在线监测。     

基于ICA和Box-Cox变换的锂离子电池SOH估计方法

对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。     

变温度下IHF-IGPR框架的锂离子电池健康状态预测方法

通过研究锂离子电池的容量退化与充放电过程中电流、电压、温度等参数的变化趋势的关系,提出一种不同温度条件下基于锂离子电池间接健康特征(IHF)和改进高斯过程回归(IGPR)模型的电池健康状态(SOH)预测方法.针对变温度预测时IHF提取问题,在充放电阶段自适应地提取电压、时间曲线中的健康特征(HF),采用随机数法获取最优的区间.针对容量再生问题,以有理二次协为核函数建立SOH预测的高斯过程回归(GPR)模型,并引用共轭梯度算法优化GPR模型.最后,以方均根误差(RMSE)和平均绝对百分比误差(MAPE)两项评价指标对所提出的框架在电池数据集上设计了单电池、多电池实验进行验证.结果表明:基于常温下等充电时间电压差(CVD-ETS)与高(低)温下等压降放电时间(DTD-EVS)的IGPR方法可以预测锂离子电池容量退化的非线性趋势,所提方法具有小样本性以及较高的预测精度与广泛的适用性.     

锂电池健康度和剩余寿命预测算法研究

为了实现锂电池健康状态检测和电池故障诊断,在电池全生命周期退化数据基础上,分别使用容量增量分析和差分电压分析法进行特征提取,使用皮尔逊相关系数对健康因子进行相关性分析,并将其输入到人工神经网络用于电池健康状态(state of health, SOH)预测。针对电池容量非线性的退化特性以及局部重生现象,使用双指数函数对其进行建模。同时结合粒子滤波算法对模型参数进行估计,实现电池剩余使用寿命(remaining useful life, RUL)的概率密度预测。实验结果表明所提出的方法能够实现SOH的精准预测和RUL的不确定性估计。     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

联合精确估算电池的健康状态

以动力电池的电压、电流、温度和内阻作为输入,荷电状态作为输出,建立四输入一输出的神经网络仿真模型预测电池的荷电状态。再以荷电状态为基础,改进电池健康状态的估算方法,分别利用改进型容量法、改进型内阻法和电压法3种方法分别估算出电池的健康状态,并利用遗传神经网算法建立了3种方法联合在一起的电池健康状态估算模型。以4节12 V的串联锂离子电池组模块为研究对象分别进行了Simulink仿真和实验研究,通过采集动力电池充放电时的电压、电流、温度、内阻和放电量数据,测试了电池的荷电状态和健康状态。实验结果表明电池荷电状态的预测精度为1.6%,仿真模型运行和实验结果显示联合法估算健康状态的最大误差为1.5%,高于其他3种单独的方法。本文提出的健康状态预测方法,省略了传统神经网络算法估算健康状态寻找健康因子的复杂步骤,同时也避免现有电池的健康状态估计单一参量判定方法的局限性。     

基于TCN-BiGRU的锂离子电池健康状态评估

准确估算锂离子电池的健康状态可以有效保障锂离子电池的安全使用,但现有锂离子电池SOH评估方法存在评估精度不理想等问题。为此,本文提出了一种基于TCN和BiGRU相结合的电池SOH评估方法。首先,从电池充电数据中提取构建健康因子,并验证其与电池容量之间的相关关系;然后,利用TCN模型处理长序列依赖数据并开展特征提取,同时在该模型中添加Dropout层以防止过拟合,提升了模型的泛化性;最后,通过BiGRU模型进行历史数据特征建模并对数据退化趋势进行估计,最终实现对锂离子电池SOH的精确评估。利用实验室搭建的电池退化试验台获取的四组电池退化数据进行方法验证,结果表明所提模型所估计的SOH在决定系数、绝对平均误差以及均方根误差3个指标上的均值分别为0.990 4、0.017 1、0.022 3,明显优于其他对比方法。     

Prediction of health level of multiform lithium sulfur batteries based on incremental capacity analysis and an improved LSTM

Capacity estimation plays a crucial role in battery management systems, and is essential for ensuring the safety and reliability of lithium-sulfur (Li-S) batteries. This paper proposes a method that uses a long short-term memory (LSTM) neural network to estimate the state of health (SOH) of Li-S batteries. The method uses health features extracted from the charging curve and incremental capacity analysis (ICA) as input for the LSTM network. To enhance the robustness and accuracy of the network, the Adam algorithm is employed to optimize specific hyperparameters. Experimental data from three different groups of batteries with varying nominal capacities are used to validate the proposed method. The results demonstrate the effectiveness of the method in accurately estimating the capacity degradation of all three batteries. Also, the study examines the impact of different lengths of network training sets on capacity estimation. The results reveal that the ICA-LSTM model achieves a prediction accuracy of mean absolute error 4.6% and mean squared error 0.21% with three different training set lengths of 20%, 40%, and 60%. The analysis demonstrates that the lightweight model maintains high SOH estimation accuracy even with a small training set, and exhibits strong adaptive and generalization capabilities when applied to different Li-S batteries. Overall, the proposed method, supported by experimental validation and analysis, demonstrates its efficacy in ensuring accurate and reliable SOH estimation, thereby enhancing the safety and performance of Li-S batteries.     

基于 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

基于最小二乘支持向量机误差补偿模型的锂离子电池健康状态估计方法

对锂离子电池的健康状态(state of health,SOH)进行准确估计是电池安全稳定运行的重要保障。为此,提出一种基于最小二乘支持向量机误差补偿模型(least squares support vector machine-error compensation model,LSSVM-ECM)的锂离子电池SOH估计方法。该方法将电池容量的衰退过程分为总体趋势和局部差异,对于容量衰退的总体趋势,由电池容量历史衰退数据建立经验退化模型(empirical degradation model,EDM),并计算SOH真实值和模型输出值之间的误差;对于容量衰退的局部差异,以等压升时间作为输入,经验模型的拟合误差作为输出,建立LSSVM误差补偿模型,对EDM的预测结果进行动态补偿。公开数据集和实际实验测试的验证结果表明,所提方法具有较高的预测精度和较强的鲁棒性。     

一种编解码器模型的锂离子电池健康状态估算

随着锂离子电池应用领域的愈加广泛,实时、准确的评估其健康状态(state of health,SOH)成为确保电池安全可靠运行的重要要求。该文提出一种基于注意力机制解码器模型的锂离子电池SOH估算方法,该算法结合与GRU的特点,将数据编码成一组包含内在特征的序列,并由注意力帮助解码器完成最终的解算。该算法无需建立电池模型,也不需要过多的先验知识,仅通过单个采样周期的电压、电流采样值即可获得较高精度的SOH估计值。为适应更多应用场景,该文设计定长片段放电数据、定长片段充电数据及变长片段充电数据等3种输入模式,验证实验中,3种估算模式的平均绝对误差均小于1%,表明该估算方法具有估算周期短、估算精度高及适应性强等特性。     

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.