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的区间.针对容量再生问题,以有理二次协为核函数建立SOH预测的高斯过程回归(GPR)模型,并引用共轭梯度算法优化GPR模型.最后,以方均根误差(RMSE)和平均绝对百分比误差(MAPE)两项评价指标对所提出的框架在电池数据集上设计了单电池、多电池实验进行验证.结果表明:基于常温下等充电时间电压差(CVD-ETS)与高(低)温下等压降放电时间(DTD-EVS)的IGPR方法可以预测锂离子电池容量退化的非线性趋势,所提方法具有小样本性以及较高的预测精度与广泛的适用性.     

基于增量能量法和 BiGRU-Dropout 的锂电池健康状态估计

锂离子电池健康状态(SOH)的精确估计是电池管理系统面临的核心问题之一。针对实际的电池容量很难直接测量和容量再生导致的SOH估计误差问题,提出了一种基于增量能量法和双向门控循环网络(BiGRU)-Dropout的锂离子电池健康状态估计方法。首先分析增量能量曲线随电池老化的衰退规律,提取出最大峰值高度作为电池SOH的新健康因子。通过翻转层和门控循环网络层所搭建的BiGRU网络得出健康因子与SOH的映射关系,同时添加Dropout机制网络层防止出现过拟合现象,建立SOH估计模型用于电池SOH精确估计。实验结果表明,在不同充电倍率条件下,该方法均可快速、准确地估计电池SOH。     

一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术.该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法.通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型.利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型.之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性.实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平.     

基于 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

基于EMD-ARMA的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命难以预测以及预测结果不精确等问题,提出了采用电池循环剩余容量数据作为时间序列样本,基于经验模态分解对各分解出的子序列建立自回归移动平均(ARMA)预测模型,并经过Pearson相关系数验证各子序列的相关性,加权重构后实现电池剩余寿命(RUL)预测。实验采用NASA锂离子电池数据集,用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准,对所提模型(EMD-ARMA预测模型)、Elman神经网络模型和ARMA模型的预测结果进行对比分析。试验结果表明,在正常工况下,所提的EMD-ARMA预测模型计算的RMSE和MAE的值为三个模型中的最小值,预测误差小于1%;并且预测误差随预测起始点的后移会逐渐减小,证明所提预测算法在长期预测上有较稳定的收敛性,预测精度也有显著提高。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题，提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs)，提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型，将IHF作为模型输入，SOH作为输出。最后，建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测，将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性，能够联合实现电池SOH和RUL长期稳定的预测。     

基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明：所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。     

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。     

锂离子动力电池寿命预测的研究进展

近些年来,锂离子电池作为一种新型能源,其寿命研究成为了各个领域关注的重点问题.对锂离子电池寿命的影响因素、电池健康状态(SOH)估计进行了研究,总结了国内外近几年来电池寿命预测的方法,并对其中基于性能的研究方法(粒子滤波算法、基于粒子滤波算法的改进算法和多种模型相结合的融合算法等)进行了分析和比较,以此为基础,找出了电...     

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。     

基于最小二乘支持向量机误差补偿模型的锂离子电池健康状态估计方法

对锂离子电池的健康状态(state of health,SOH)进行准确估计是电池安全稳定运行的重要保障。为此,提出一种基于最小二乘支持向量机误差补偿模型(least squares support vector machine-error compensation model,LSSVM-ECM)的锂离子电池SOH估计方法。该方法将电池容量的衰退过程分为总体趋势和局部差异,对于容量衰退的总体趋势,由电池容量历史衰退数据建立经验退化模型(empirical degradation model,EDM),并计算SOH真实值和模型输出值之间的误差;对于容量衰退的局部差异,以等压升时间作为输入,经验模型的拟合误差作为输出,建立LSSVM误差补偿模型,对EDM的预测结果进行动态补偿。公开数据集和实际实验测试的验证结果表明,所提方法具有较高的预测精度和较强的鲁棒性。     

基于深度学习的锂离子电池SOC和SOH联合估算

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。     

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。     

改进全局ZOA优化MVMD-SCN的锂电池SOH估算

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。     

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,并采用相关度指数分析健康因子对电池健康状态的表达能力。在此基础上以层次分析法评估电池的健康状态。最后比较不同方法对电池健康状态评估的精度。结果表明所提方法比单要素评估精度更高,比动态评估更容易实现,测试时间更短。     

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life, RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。