基于神经网络模型的梯次利用锂电池容量估计

针对梯次利用电池容量一致性较差,传统的容量测试方法耗时、耗力、耗材,通过一整车梯次利用电池容量内阻特性研究,发现容量和内阻没有线性相关性。基于不同电池不同采样时间直流内阻所建立的极化内阻均不相同,建立了不同采样时间直流内阻-容量的非线性神经网络仿真模型,并取30个电池模块不同采样时间直流内阻输入进行了仿真,实现了对梯次利用电池容量的快速估计。与传统的容量测试方法结果对比,仿真结果与测试结果基本吻合,验证了该方法的正确性。     

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PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

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。     

电池剩余容量估算方法综述

为提高二次电池的利用率而将退役电池进行梯次利用,使得对退役电池的性能评估逐渐变得重要。在退役电池的性能评估和在对电池的剩余容量估算中,可求出电池的当前容量,并为退役电池的筛选和梯次利用提供判断依据。本文总结已有的对电池剩余容量估算方式及相关的对电池健康状态、剩余使用寿命的估算,并对电池剩余容量估算的前景做出展望。     

基于老化机理分析退役磷酸铁锂电池分选方法

随着电动汽车保有量的逐年上升,退役电池梯次利用已经成为能源合理利用的必然趋势,可是在经历电动汽车复杂和严苛的工况运行后,构成电池组的单体内部老化程度不尽相同,外特性上也呈现出电池单体特性不一致。如果要进行退役电池梯次利用,首先要解决退役电池的无损检测和分选问题。以退役磷酸铁锂电池为研究对象,通过对电池的容量、内阻以及电池的容量增量(increment capacity,IC)曲线进行测试和分析,对磷酸铁锂电池内部的老化机理进行判别,提出基于老化机理分析的退役磷酸铁锂电池分选方法,并对该方法进行实验验证。结果表明,利用该方法分选出的电池所构成的电池组在电池组容量利用率和温度一致性方面都具有较好的效果。     

基于BP神经网络预测静置电池的剩余电量

提出基于MATLAB神经网络工具箱预测静置电池剩余电量的方法。建立了以电池端电压和新旧程度为输入变量的BP网络,用实验数据对网络进行训练及检验。用该网络预测某型MH/Ni电池在静置状态下的剩余电量,误差小于3%。     

基于ANN锂电池混合储能系统容量优化配置

针对单类型锂电池储能难以同时满足能量型、功率型储能应用场景需求,文章采用混合储能技术实现不同类型锂电池储能在能量和功率特性上的互补,不仅减少了功率变换器等附属设备投资,同时最大限度地发挥不同锂电池储能技术优势。以储能系统功率容量匹配最佳、储能投资回收期最短建立目标函数,引入BP神经网络(BP-ANN)算法求解锂电池混合储能系统功率容量最优配置,使其在满足经济性的前提下满足工程需要,提高储能效益。最后,通过Matlab编程进行算例分析,验证所提方法的合理、有效性。     

基于模糊神经网络的坦克蓄电池剩余容量预测

由于坦克蓄电池是一个复杂的非线性系统,要想对其建立一个准确的数学模型是极其困难的。而神经网络具有解决非线性问题,建立模型比较方便的特性。采用模糊神经网络对蓄电池剩余容量进行预测。以实验数据为依据,并通过MATLAB仿真和验证,结果表明:模糊神经网络对蓄电池剩余容量预测准确可行。为坦克蓄电池充电和使用维护提供了依据。     

磷酸铁锂电池低温性能及放电容量预测研究

为研究磷酸铁锂电池的低温放电性能,选取14500和32650型号电池为研究对象,对其低温放电容量及欧姆内阻等性能进行测试。结果表明:随着温度的降低,其容量呈现了不同程度的下降,而欧姆内阻随温度的降低而增加,且增加的幅度越来越大;低温对不同型号电池放电容量的影响存在差异,即随着温度的下降,容量越小的电池衰减越迅速。利用Matlab建立以常温充电容量、温度、欧姆内阻为输入,放电容量为输出的BP神经网络模型,此模型具有较高的准确性,误差在5%以内。     

基于并联锂电池剩余容量的相位互补动态均流

针对当前锂离子电池连接形式存在的问题进行了深入分析,提出了基于剩余容量的锂电池并联的动态均流方案,不仅解决了并联电池间环流问题,而且使电池组的输出电压更加平稳。使用saber仿真软件对电池并联模型进行了仿真,证明采用相位互补动态均流控制的电池组输出电压纹波系数最小。相位互补动态均流控制对于稳定锂电池并联电压,提高电池的利用率具有重要的应用意义。     

基于剩余容量的锂离子电池组均衡策略

不一致性使得电池在成组后容量利用率方面远不及单体电池,现有的均衡方法注重防止电池过充过放,控制策略没有兼顾能量利用效率,均衡过程能量损失较大。基于单体电池剩余容量估算,通过对电池体质的在线辨识,将电池划分为倾向于过放、倾向于过充以及与整体平均剩余容量变化一致3类,并依据电池体质合理地分配每类电池的均衡能量。实验表明该方法较传统的电压中心均衡策略能够有效缩小单体电池剩余容量差异,电池组容量利用率提升了3.3%。     

基于Res-LSTM网络的多元化电池剩余容量实时预测

针对储能系统电池容量实时预测中存在的电池新旧程度不一,放电倍率、采样间隔多样等多元化问题,提出了一种全新的基于安时残差连接的长短时记忆网络。通过进行多通道传感信号的特征变换,使其更适用于多元化电池放电的实时剩余容量预测。所提方法相比于常见基线方法误差降低了11.8%,并且在多倍率测试下方差较小,具有更高的鲁棒性。     

基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

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。     

基于卡尔曼滤波器的蓄电池剩余容量估算法

蓄电池剩余容量是反映蓄电池性能的重要参数,蓄电池剩余容量的准确估算可以防止电池过度充放电,提高电池寿命。在分析现有估算方法的基础上,建立了一种基于卡尔曼滤波器的蓄电池数学模型,利用卡尔曼滤波器实现了蓄电池剩余电量的最小均方差估算。给出了算法的软件流程和试验结果,证明了此种估算法的可行性。     

极地超低温环境下磷酸铁锂电池容量估计

阐述了影响磷酸铁锂电池低温性能的因素,使用超低温试验箱模拟极地的超低温环境,用磷酸铁锂电池在不同等级温度下进行充放电实验,并绘制放电曲线图。通过对实验结果的分析获取了磷酸铁锂电池的低温特性:随着温度的降低,磷酸铁锂电池的放电容量会随之减小,在20、10、0、-10、-20、-30、-40、-50℃以标称电流3A放电,可用容量分别为标称容量的93.33%、86%、80.67%、78%、70%、64%、32%、24%。分析磷酸铁锂电池放电容量与开路电压的相关性,提出了磷酸铁锂电池的容量估计方法。     

磷酸铁锂电池容量衰退轨迹分析方法

以A123系统公司出品的2 200 m A×h磷酸铁锂电池为研究对象,以3C电流倍率25℃常温条件下满充满放进行了3 500次循环,同时每200个循环测试1C电流倍率条件下的充放电曲线、内阻衰退情况、容量衰退情况、OCV-SOC曲线以及1/20C电流倍率条件下的d Q/d V峰值曲线变化情况。为了验证上述容量衰退机制的分析方法,将3 500循环后的A123磷酸铁锂电池在手套箱中拆解并组装成扣式半电池,正极半电池与负极半电池的测试结果以及拆解前后的容量匹配分析验证了上述容量衰退分析方法的正确性和有效性。