电动车锂离子电池健康状态模型研究进展

锂离子电池以其优异的性能在电动汽车领域得到了广泛应用.详细阐述了锂离子电池健康状态的定义,总结了电池健康状态的衰退机理和影响因素.回顾了近年来锂离子电池健康状态模型的研究进展,介绍了不同类型的锂离子电池健康状态模型,包括电化学模型、经验模型和等效电路模型,并对未来锂离子电池健康状态模型的研究方向进行了展望.     

关于锂离子电池健康状态预测方法的研究进展

锂离子电池寿命对于实际应用至关重要,研究其寿命影响因素,并进行精准寿命预测,对于提升电池组使用可靠性和降低电池组成本具有重要的意义。立足应用,简要分析了电池性能衰退机理,重点综述了预测电池日历寿命和循环寿命方法的研究进展。还对电池寿命测试和电池全寿命周期性能估计中的关键问题和研究方向进行了探讨。     

锂离子电池健康状态评估方法研究进展

电化学储能是现代电力系统中不可缺少的一环,其特点是能量密度大、响应速度快、转换效率高、建设周期短、站址选择多等.储能电站的应用场景非常宽泛,如在电源侧平滑出力波动及处理跟踪、电源调频辅助服务、备用电源等;电网侧用来参与电网调峰调频、优化电网潮流分布、改善电能质量、虚拟电厂、延缓输电设备拥堵升级、微网等;用户侧可以完成削...     

基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH).该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异.为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(regΔV,通常为峰下的部分荷电状态区间)提取F...     

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,提出未来需要改进的方向。     

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。     

退役锂离子电池健康状态快速评估方法

锂离子电池退役高峰期到来,退役锂离子电池健康状态(State of Health,SOH)快速评估方法因可有效缓解电池退役问题而得到高度重视.提出一种基于层次分析(Analytic Hierarchy Process,AHP)的退役锂离子电池健康状态快速评估方法.首先选取可并行测试的健康因子并分析其可行性与有效性,并采...     

基于CNN-Bi-LSTM的锂离子电池健康状态估算

锂离子电池健康状态（state of health,SOH）是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警，保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征，结合卷积神经网络（convolutional neural networks,CNN）和双向长短期记忆网络（bi-directional long short-term memory,Bi-LSTM），提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征，输入数据获取方便，无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征，最终实现精确SOH估算。美国国家航空航天局（national aeronautics and space administration,NASA）电池老化数据集上的测试结果表明，所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32，精度优于Bi-LSTM和CNN-LSTM两种方法。     

退役三元电池健康状态在线估算方法研究

为了准确获得退役电池在梯次利用过程中的健康状态,以退役三元锂离子电池单体为研究对象,提出一种无损、快速的动态阻抗测试方法,通过测试电池在充放电过程中的动态阻抗,建立合适的等效电路模型,对动态阻抗谱进行拟合.拟合结果表明,电池的欧姆内阻和电荷转移内阻与健康状态成负相关,弥散系数与健康状态成正相关,感抗与电池健康状态无直接...     

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。     

基于DP模型的锂离子电池能量状态估算

估算能量状态是电池管理系统的主要功能之一,因为对于电动汽车而言能量状态是预测续航里程、能量管理分配和优化以及实现电池组均衡的的重要参数。传统的功率积分方法,其准确性依赖于较高精度的电压、电流传感器,因而成本高。因此,基于改进的戴维南电路模型,将扩展卡尔曼滤波法(EKF)用来估算电池的剩余能量状态和荷电状态,且使用遗忘递推最小二乘法在线实时辨识模型参数。结果表明,此方法具有较好的估算精度,在复杂动态电流测试工况估算误差可以保持在2%以内,而且能量状态(SOE)比荷电状态(SOC)更适合反映能量的变化。     

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...     

基于数据驱动的锂离子电池健康状态估计技术

电池健康状态（stateofhealth,SOH）是影响锂离子电池大规模应用的关键因素,而基于数据驱动的锂离子健康状态估计方法已经成为当前相关研究的热点课题。为了系统地剖析数据驱动下电池SOH估计方法的关键技术和难点问题,从电池数据来源、特征工程、估计模型以及验证途径4个核心环节出发,综述当前研究的进展。通过多种不同方法基本机理的分析和优缺点对比,凝炼出制约技术发展的瓶颈问题,展望未来研究的重点方向,推动基于数据驱动的锂离子电池SOH估计技术的进一步发展与应用。     

基于能量加权高斯过程回归的锂离子电池健康状态预测

针对容量再生现象影响锂离子电池健康状态预测(SOH)建模精度的问题,提出一种经验模态分解(EMD)的能量加权高斯过程回归(EWGPR)方法。该方法将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用EMD分解获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH预测模型。基于NASA锂电池数据集的仿真实验结果表明,EWGPR方法比基本GPR算法具有更高的精度和适应性,单步预测和多步预测的均方根误差(RMSE)分别减少了3%和10%。     

车用锂离子电池模块振动测试分析

车用锂离子电池模块按照QC／T743及SAEJ2380两个标准进行振动，本文分析了不同振动标准对电池模块振动性能的评价。从电池模块结构、放电容量、交流内阻和振动过程中电芯的温度变化多角度分析振动对车用锂离子电池模块性能的影响。经过振动测试，车用锂离子电池模块的结构完好，振动前后交流内阻和放电容量保持稳定。在振动过程中，电池模块放电容量降低至初始放电容量的80％左右。从振动放电容量角度看，SAEJ2380标准要求的振动等级略高于QC／T743标准。     

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%。     

基于特征频率阻抗的锂离子电池健康状态评估

随着锂电池的广泛使用,快速准确的估计锂电池健康状态对于电池安全管理十分重要。为准确估计锂电池健康状态,为电池管理系统提供策略,该文在电池正常工作温度范围内对不同荷电状态、不同健康状态的锂电池进行电化学阻抗谱测试,并对锂电池电化学阻抗谱的弛豫时间分布进行分析,筛选出可有效表征锂电池健康状态的特征频率,建立包含温度影响的锂电池健康状态估计模型,提出基于电化学阻抗谱的锂电池健康状态估计方法。实验结果表明,处于低频区的极化过程S1与S2不受锂电池荷电状态的影响。在不同温度下,极化过程S1与S2受电池健康状态的影响较为显著,可以有效表征电池健康状态。该文建立的电池健康状态估计模型可以将健康状态估计误差控制在2.5%以内。弛豫时间分布方法可以实现锂电池特征频率的筛选,且电化学阻抗谱可用于电池健康状态估计,提升电池安全水平。     

锂离子动力电池的市场形势

锂离子电池具有质量比能量高的突出优点,因而人们期望它能在电动汽车和电动助力车领域做出令人满意的贡献.但它的体积比能量不高,跟阀控密封铅酸电池(VRLA)一样,内阻是VRLA电池的3-4倍,低温时内阻增加更快;电池组的性能远低于单电池,加上其价格是VRLA电池的4倍以及人们对其安全性放心不下.这些因素使其在电动助力车领域...