共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
5.
针对锂离子电池健康状态(SOH)估算精度低、传统遗传算法(GA)易陷入局部最优、收敛速度慢的问题,为提高锂电池健康状态的估算精度,提出了交叉概率和变异概率自适应的调整策略对传统GA进行改进,在改进遗传算法(IGA)的作用下,使优良个体仍保持较好的进化能力,算法初期搜索范围、后期局部搜索能力以及收敛速度也得到加强。提取间接健康因子,再用改进的遗传算法对BP神经网络的初始参数寻优得到IGA-BP神经网络模型,基于NASA锂电池数据集分别用GA-BP与IGA-BP神经网络算法对SOH进行估算。结果表明:IGA-BP神经网络算法估算精度更高,且具备快速收敛的优势,平均绝对百分比误差和均方根误差分别下降了0.422%和0.412,拟合程度提高了8.1%。 相似文献
6.
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。 相似文献
7.
针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法 双高斯核RBF(ILM DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在15%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。 相似文献
8.
基于深度学习的锂离子电池SOC和SOH联合估算 总被引:2,自引:0,他引:2
锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。 相似文献
9.
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%。 相似文献
10.
锂离子电池健康状态(SOH)的准确预测能够保障电池安全稳定的运行。针对目前SOH预测模型准确性不高的问题,提出了一种改进粒子群优化算法(IPSOVP)和极限学习机(ELM)的SOH预测模型。首先,对电池数据进行分析,选择能够映射SOH变化趋势的健康特征;然后,采用Pearson相关系数分析法选出与SOH具有极高相关性的3个健康特征作为模型的输入,SOH作为输出;利用IPSOVP算法对ELM进行优化,建立IPSOVP-ELM模型进行SOH预测;最后,利用NASA电池数据集对IPSOVP-ELM模型进行验证,并与ELM模型、PSO-ELM模型、反向神经网络(BP)以及长短期记忆网络(LSTM)模型进行比较。实验结果表明,IPSOVP-ELM模型误差稳定在2%以内,具有更高的预测精度和鲁棒性,性能更好。 相似文献
11.
12.
13.
针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题,提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数,并估计SOH,将阻容等辨识结果作为输入,弥补估计SOC时应该考虑电池老化影响产生的误差,实现SOH对SOC的修正,提高模型精度。在新欧洲驾驶周期(NEDC)工况下,进行充放电实验,EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。 相似文献
14.
锂电池健康状态(SOH)的准确估算对电池系统的健康管理起着重要作用,为提高SOH的估算精度,提出一种将参数优化后的多元变分模态分解(MVMD)和随机配置网络(SCN)相结合的SOH估算方法。从锂电池充放电过程中提取多个健康因子(HF)作为SOH估算模型的输入,在斑马优化算法(ZOA)全局阶段引入自适应权重和最优领域波动策略,提高其全局搜索能力,得到改进全局的斑马优化算法(IGZOA),利用它对MVMD和SCN参数进行寻优,最后在9个基准函数测试IGZOA性能,在NASA和CALCE数据集上将所提方法与不同方法进行锂电池SOH的估算对比,结果表明,所提方法的均方根误差和绝对误差的平均值分别为0.84%,0.93%,具有更高的预测精度和泛化性。 相似文献
15.
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。 相似文献
16.
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。 相似文献
17.
18.
19.
荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明:标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。 相似文献
20.
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。 相似文献