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BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题，结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点，提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理，构建了BiLSTM-STW神经网络模型，采用自适应矩优化算法(adaptive moment estimation, Adam)对模型超参数进行优化，实现模型修正；然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据，对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量；最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明，所构建的神经网络模型能够精确预测锂电池的剩余容量，相比LSTM神经网络模型有更好的精确度。     

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health, SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter, PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model, MGM)和时间卷积网络(temporal convolutional network, TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。     

计及健康特征信息量的锂离子电池健康状态与剩余寿命预测研究

电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性，但并没有考虑其信息量及信息质量，低质量的数据输入会造成一定程度的预测偏差。针对上述问题，提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health, SOH)预测与剩余寿命(remaining useful life, RUL)估计模型。该模型在GA-BP神经网络的基础上，通过确定有效健康特征数据集，利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果，将过滤后的预测结果作为电池老化模型的输入，进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证，得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下，剩余寿命估计结果MAE、RMSE分别控制在0.0031 mA·h、0.0042 mA·h之下，具有良好的可行性与有效性。     

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。     

基于多核相关向量机优化模型的锂离子电池容量在线估算

准确的锂离子电池容量在线估算是电池管理系统的核心功能之一。基于放电过程的电池容量估算易受运行工况的复杂外界因素影响,该文基于部分充电数据的容量增量曲线,提取表征电池容量退化的两个老化特征,建立以老化特征为输入量、电池容量为输出量的多核相关向量机优化模型。以灰狼优化算法确定多核相关向量机的核函数权值和核参数,结合在线提取的老化特征估计电池容量。利用Matlab和LabVIEW联合仿真,建立基于多核相关向量机优化模型的电池管理系统。通过马里兰大学单体电池老化数据集和大连理工大学电池组老化数据集进行模型验证。结果表明,该文提出的电池容量在线估算方法对单体电池和电池组容量估计误差均在2.3%以内。     

基于健康因子的锂电池剩余寿命预测方法

分析了锂电池的容量衰退趋势,从锂电池的充放电过程参数中提取与容量高度相关的健康因子,构建了基于BP(Back Propagation)神经网络的锂电池剩余寿命预测模型。分别采用健康因子拼接和其他特征拼接作为预测输入,对试验结果进行评估,指出所提取的健康因子结合BP神经网络模型预测速度快、精度高,具有较好的应用价值。     

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。     

基于锂电池模型和分数阶理论的SOC-SOH联合估计

基于锂电池荷电状态（SOC）和健康状态（SOH）的耦合关系，设计了SOC-SOH联合估计系统。首先，构建锂电池等效电路模型和自适应扩展卡尔曼滤波（AEKF）算法，进行锂电池SOC估计；其次，建立锂电池分数阶模型，设计模糊控制器辨识分数阶模型参数，基于分数阶模型参数和电池充电工况确立健康因子，引入麻雀搜索算法（SSA）改进反向传播神经网络（BPNN），进行锂电池SOH估计；然后，集成SOC与SOH估计方法，设计联合估计系统；最后，设计锂电池老化实验、动态应力测试（DST）和US06动态实验方案，对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明，基于提出的SOC-SOH联合估计方法，估计误差小于1%，具有良好的估计特性。     

基于ICA的锂电池SOH估计曲线确定方法研究

针对如何提取容量增量(IC)曲线上更有效的特征参数进行锂电池健康状态(SOH)估计问题,提出了一种基于修正的洛伦兹电压容量(RL-VC)模型。首先使用传统滤波方法对锂电池进行容量增量分析(ICA)。然后使用RL-VC模型进行对比,获得相应的特征参数并计算容量建模误差。在基于自主搭建的试验平台上获得的试验数据与开源数据集NASA中的动态数据集NCM中分别进行试验。VC容量建模的误差分别在0.23%和0.16%以内。RL-VC模型拟合的IC曲线提取的特征参数与锂电池容量高度线性相关,为后续SOH工作奠定了基础。基于RL-VC模型的IC分析方法相较于传统滤波方法,不仅在电池老化方面具有更高的鲁棒性,同时在特征参数提取方面避免了主观性和不确定性。     

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BP神经网络的镉镍电池放电特性预测

为准确预测镉镍蓄电池的放电特性,采用安时积分法预测剩余容量,再以电池工作温度、放电电流、剩余容量为输入量,工作电压为输出量,建立基于Levenberg-Marquardt(LM)算法的BP神经网络模型,经过训练及检验,该模型的预测结果准确,相对误差小于0.5%。实验表明,该模型在温度-20~60℃和放电电流33~165 A能精确预测电池的剩余容量和工作电压,进而准确建立了蓄电池温度、剩余容量、放电电流和工作电压之间的映射关系。     

基于BP-EKF算法的电动汽车电池管理系统SOC精准估计

以数字信号处理器DSP(TMS320LF2407)为主控芯片,完成了电动汽车电池管理系统平台的搭建。电池荷电状态(SOC)的精准估计是电动汽车电池管理系统的核心任务之一,本文为提高SOC估计的准确性,提出了基于BP神经网络法与拓展卡尔曼滤波(EKF)法相结合的一种新算法(BP-EKF)。在对磷酸铁锂电池进行试验分析之后,运用Matlab的人工神经网络工具箱建立BP神经网络,并利用试验得到的数据对所建立的BP神经网络进行训练,从而利用训练好的BP神经网络优化补偿拓展卡尔曼滤波算法的估计结果。经过仿真实验验证两种算法的准确性,结果表明,与单纯的EKF滤波法相比,基于BP-EKF算法的SOC估计值的准确性有了显著的提高,且具备很好的适用性。     

基于SAM-BiGRU网络的锂电池RUL预测

针对现有锂电池剩余使用寿命(RUL)预测方法精度低等问题，提出一种基于自注意力机制(SAM)的双向门控循环单元(BiGRU)网络模型。将锂电池的容量数据作为该模型输入序列，通过自注意力机制捕捉到锂电池容量历史信息中的关键时间点，并为其分配权重，利用BiGRU模型学习其容量退化趋势，据此实现剩余寿命预测。所提方法应用于CALCE锂电池数据集的CS2系列35、36、37号锂电池，实验结果表明所提方法 35、36号锂电池上的预测误差均在1.5%以内，37号锂电池预测误差为2.22%。     

基于负极主导区间的电池神经网络老化预测

电池的老化估计是目前电池领域研究的热点,使用神经网络的方法对锂离子电池进行老化预测具有广阔的应用前景,但是目前神经网络模型的建立往往缺乏电池老化机理的研究,不仅需要大量的实验数据,而且要进行完整的充放电才能建立模型,因此无法在线应用。提出了一种基于磷酸铁锂电池的负极主导区间预测电池老化的方法。磷酸铁锂电池的负极主导区间中包含丰富的老化信息,通过在负极主导区间建立神经网络模型,结合短暂的阶跃放电实验即可实现对电池容量的在线预测,平均误差小于2%。     

电动汽车电池剩余量的估测方法

为有效地对电动汽车锂电池荷电状态(SOC)进行估算,采用自适应神经网络模糊推理系统(ANFIS)建立电池组电压降模型,再通过编写Matlab程序对BP神经网络进行训练,并用所建BP神经网络模型对SOC进行预测.经实验验证,此法精度较高且能有效预测电池的开路电压和SOC的映射关系,对延长电池寿命具有重要意义.     

基于AG-BP算法的锂电池模型参数在线估计

对现有锂电池DP(dual-polarized)模型及其参数辨识方法进行研究,提出基于AG-BP算法的双极化锂电池模型参数在线辨识方法。结合混合动力脉冲测试和MATLAB CF曲线拟合工具箱得到神经网络的训练及测试数据库。结合正弦脉冲电流注入法,将注入电池的电流幅值、频率、电池电压响应幅值、温度、SOC(state of charge)作为BP神经网络的输入参数,实现了基于BP (back propagation)神经网络的锂电池DP(double polarization)模型的参数估计。将BP神经网络的权值矩阵、阈值向量作为基因编码,运用遗传算法实现了对神经网络的初始权值和阈值进行优化,提高了参数估计精度,并通过仿真实验对系统的参数估计精度进行了验证。     

基于SE-SAE特征融合和BiLSTM的锂电池寿命预测

预测锂电池剩余使用寿命(RUL)时，针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题，提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长短期记忆(BiLSTM)实现锂电池RUL的预测方法。充分提取锂电池电压、电流等HI。利用SAE对多个锂电池HI特征进行特征融合，并结合SENet通道注意力机制，增加重要特征在提取过程中的表现能力。利用BiLSTM网络对融合HI进行训练预测。采用NASA和马里兰大学计算机辅助寿命周期工程中心(CALCE)锂电池数据集进行验证，训练预测数据均采用50%的比例划分，预测结果的均方根误差(RMSE)平均值达到0.017。     

磷酸铁锂电池性能衰退与容量预测模型研究

动力电池由于老化导致的性能衰退与储能系统功率吞吐能力密切相关。为了揭示磷酸铁锂电池的老化特性,进行了实验研究。通过不同恒定倍率下的循环老化实验和特性实验,获取了磷酸铁锂电池特征参数的变化规律以及容量增量分析(ICA)曲线的变化趋势。实验结果表明,磷酸铁锂电池的容量和欧姆内阻随老化变化明显。利用半经验老化模型结合2 C循环老化实验结果验证了电池可用容量预测结果,预测模型能够有效地预测电池可用容量衰减,预测误差在2%以内。     

基于EKF的锂电池SOC估算与试验研究

锂离子电池以其无泄漏、无污染、无噪声等优点,近年来广泛应用于工业及生活领域。目前常用的基于扩展卡尔曼滤波(EKF)的锂电池SOC(荷电状态)估计方法由于建模不准确而导致估计结果误差较大,严重影响到电池管理系统的性能及整机系统的控制。针对该问题,采用精度较高的Randles模型,并在拟合电池的OCV(开路电压)-SOC曲线时通过引入自然指数函数并增加多项式阶数等方法提高拟合精度。使用EKF对锂电池SOC进行估计,与理论结果相比模型改进后估计误差的标准差比改进前下降了64.43%。试验结果表明通过改进电池模型大大提高了基于EKF方法的锂电池SOC估计精度,对于提高电池管理系统以及整机系统性能具有重要意义。