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ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

基于Gassing模型的锂电池SOC估计与参数辨识

具有非线性、时变性的Gassing锂电池模型具有以下两大特点[1]:模型考虑了析气现象,使其适用范围拓广到SOC＞85％的临界情况;模型考虑了温度的动态变化对系统状态变量的影响.针对该模型,基于相关的试验数据,采用双Kalman滤波算法(DKF),同时实现了对模型参数的辨识和对SOC的在线估计.台架试验和实车验证表明,...     

基于改进GRU模型算法的锂电池SOC估计

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制,构建1DCNN-Bi-GRU-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。     

基于分数阶联合卡尔曼滤波的磷酸铁锂电池简化阻抗谱模型参数在线估计

电池特性建模及模型参数在线估计是电动汽车电池管理系统的关键技术,以磷酸铁锂电池这一非线性系统为研究对象,以包含分数阶元件的简化电池电化学阻抗谱模型为基础,建立了该模型的状态转移方程和系统观测方程,运用分数阶联合卡尔曼滤波器(FJKF)对该模型的扩散极化电压和模型参数进行了在线估计。试验结果表明,该模型能较好地表征磷酸铁锂电池的动态特性,分数阶联合卡尔曼滤波算法在参数估计过程中能够保持很好的精度,同时该方法对多种测试工况都有较好的适用性,算法估计得到的模型参数值具有较好的稳定性。     

基于BiGRU和PF的锂电池SOC估计

提出了一种基于双向门控循环神经网络 (BidirectionalGateRecurrentUnit,BiGRU)和粒子滤波 (Particle Filter,PF)相结合的方法,对电池的荷电状态 (StateofCharge,SOC)进行估计.利用 BiGRU 网络,根据可测量的电压 (V)、电流 (I)、温度 (T)等信息学习锂电池内部的动态特性.由于电池的平台期特性导致 BiGRU 网络在 捕捉测量数据与电池内部特性时会有一些波动,因此采用 PF对 BiGRU 网络的输出进行滤波,让最终的估计更加稳定.对所提出的方法在 FUDS和 US06工况下进行验证,实验结果显示 BiGRU 能很好地捕捉到电池的动态特性,从而避免了繁杂的建模过程,结合 PF,进一步提升了模型估计精度和鲁棒性.     

基于差分进化法的锂电池模型参数辨识算法研究

基于二阶RC等效电路模型,采用差分进化法对模型参数进行离线辨识.相比于传统的最小二乘法辨识电池模型参数模型,差分进化法的鲁棒性好、辨识精度高,因此被广泛应用于求解优化问题.     

基于粒子群优化算法的锂电池模型参数辨识

基于戴维南电池模型,采用粒子群优化算法进行离线参数辨识.粒子群优化算法作为一种高效并且简单的算法,在平衡全局优化能力和局部优化能力方面具有显著的优势.     

基于FFRLS-AEKF的动力锂电池SOC在线估计

针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态（SOC）估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波（AEKF）融合带遗忘因子最小二乘法（FFRLS）的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试（DST）和北京公交动力动态测试（BBDST）工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。     

基于BP神经网络的马斯京根模型参数动态估计

针对平均值法和流量分级法获取马斯京根模型参数导致实时洪水预报精度低的问题,本文提出基于BP神经网络的马斯京根模型参数动态估计方法。提取每场洪水的特征属性作为神经网络的输入,采用优化算法估计的每场洪水的参数作为神经网络的输出,对神经网络进行训练,并将此方法应用于实时洪水预报的参数估计,结果表明,此方法简单可行,精度较高,比较实用。     

基于改进多种群遗传算法的锂电池参数辨识∗

使用一种改进多种群遗传算法对锂电池的等效电路模型参数进行辨识,该算法的特点是将DNA 编码方法与粒子群遗传算法融入多种群遗传算法中,有效提高了算法的精度和局部搜索能力.结果表明,通过使用该算法得到的锂电池参数,对锂电池电压进行预测,得到的预测电压和实测电压的平均绝对误差为４．３５×１０－４ V,精度比传统多种群遗传算法有明显提高.该算法对准确辨识锂电池参数以及精确估计锂电池SOC等有重要意义.     

基于GRA-BP神经网络的锂电池剩余容量估计方法

针对锂电池老化过程中特征不明显、对容量波动点追踪不准确、模型长期使用后精度下降等问题,提出了一种基于灰色关联分析(GRA)-反向传播(BP)神经网络的锂电池剩余容量估计方法。通过GRA筛选出能够表征电池老化的特征量,利用计算机辅助寿命周期工程中心(CALCE)公开的锂电池充放电数据集训练BP神经网络模型,并实现电池剩余容量估计。结果表明,对于同一电池,训练集占80%时,容量衰减的估计误差为2.28%,在训练集仅占20%的情况下,估计误差为5.99%。     

基于ESP模型的锂电池参数辨识和SOC估计

精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

基于分数阶锂电池模型的FOMIAEKF算法SOC估计

以分数阶微分理论为依据,建立分数阶二阶RC等效电路模型,采用自适应遗传算法(AGA)结合脉冲放电实验对模型的参数进行辨识,并对整数阶模型和分数阶模型的精度进行对比.针对分数阶模型的特点以及扩展卡尔曼滤波器(EKF)算法的不足,提出了基于分数阶模型的多新息自适应EKF算法,通过与健康状态(SOH)联合估计来实时修正荷电状...     

基于模糊无迹卡尔曼滤波算法的锂电池SOC估计

针对未知噪声条件下在线估计锂电池荷电状态精度低的问题,提出了将无迹卡尔曼滤波算法与模糊推理相结合的模糊无迹卡尔曼滤波算法。为了验证算法的有效性,首先建立了适应于FUKF估计SOC的二阶电池模型,在此基础上,采用离线的参数辨识方法辨识模型中相应的参数并进行模型精确度验证,其次设计实验对比模糊无迹卡尔曼滤波方法与传统EKF、UKF方法的估算精度,实现FUKF方法精确度验证。实验结果表明在未知噪声条件下估算SOC,FUKF方法误差小于0.5%,EKF、UKF方法误差在0.5%～1%之间波动,FUKF方法较UKF方法具有收敛速度快、估算精度高的优点。     

基于小波神经网络算法的锂电池荷电状态预测∗

为了提高锂电池的使用寿命,提出一种基于小波神经网络的荷电状态 (StateofCharge,SOC)预测方法. 分析了马里兰大学 K２锂电池测试数据,在此基础上建立基于小波神经网络算法的锂电池SOC预测模型,然后对比预测值与实际值的误差,检验了预测模型的准确性,实现对锂电池 SOC的预测.试验结果表明,基于小波神经网络算法的锂电池SOC预测精度优于传统的 BP神经网络.该研究成果为锂电池SOC准确预测提供了一种新的预测方法.     

基于多新息CDKF算法的锂电池SOC估计

锂电池荷电状态(SOC)作为电池管理系统的核心指标之一,对电池管理系统运行起到至关重要的作用,其估计性能和鲁棒性是研究的重点.为提升SOC估计性能,建立二阶RC等效电路模型,将多新息理论(MI)与中心差分卡尔曼滤波算法(CDKF)结合,提出一种基于多新息的中心差分卡尔曼滤波算法(MI-CDKF),充分考虑当前时刻新息与...     

基于改进PNGV模型的动力锂电池SOC精确估计

作为动力锂电池的核心参数,锂电池的荷电状态(SOC)的精度估算决定了储能系统控制的精度和管理的可靠性,目前业内对于SOC估计算法的研究不够深入,导致精度低,计算量大,并且依赖于初始值精度,工程应用难度大,以至于动力锂电池管理系统的精确控制和管理难以实现。对电池等效电路PNGV模型进行改进,提高了模型精度,并结合拓展卡尔曼滤波算法(EKF)实现了高精度的SOC估计,通过电池实测和仿真验证,该算法提高了SOC估算精度,解决了SOC估计依赖初值精度问题,具有较高的工程应用价值。     

基于GAN-CNN-LSTM的锂电池SOH估计

针对当前数据驱动的方法在估计锂电池的健康状态(SOH)时准确率较低的问题,提出了一种新的锂电池SOH在线估计方法.在对锂电池的SOH进行预测之前,利用生成对抗网络(GAN)对原始的锂电池数据进行数据增强,扩充了训练样本,利用卷积神经网络(CNN)与长短期记忆网络(LSTM)提取了输入数据的特征并对锂电池的SOH进行在线...