基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。     

基于VF-DW-DFN的锂离子电池剩余寿命预测北大核心CSCD

锂离子电池作为各类储能系统与设备的重要组成部分,准确预测锂离子电池的剩余使用寿命对于保障电池相关产业和设施的可靠性与安全性起着关键作用。针对锂离子电池剩余寿命预测中存在的非平稳、非线性特性导致单一数据驱动方法的预测精度低、泛化性能差等问题,提出了一种基于变分滤波、数据规整和深度融合网络的数据驱动融合(VF-DW-DFN)方法。首先,利用变分滤波法去除原始电池退化序列中的随机噪声干扰,得到相对平稳的退化特征数据。然后,采用最优嵌入法构造预测滑窗,实现特征数据规整,减少信息损失。其次,设计了一种新型深度融合网络对电池非线性退化数据进行建模,辨识电池数据中的退化模式,实现最终的锂离子电池剩余寿命预测。最后,在钴酸锂锂离子电池数据集上进行了剩余寿命预测实验,实验预测的平均均方根误差为1.41%,平均剩余寿命绝对误差小于2个循环周期。实验结果表明所提出的方法泛化性能好,预测精度高,误差小,能够对锂离子电池的退化过程进行有效建模和准确预测。     

基于VMD-PSO-GRU模型的锂离子电池剩余寿命预测北大核心CSCD

准确预测锂电池的剩余使用寿命(remaining useful life,RUL)对降低电池使用风险和保证系统的安全运行起着非常重要的作用。为了消除电池容量序列受容量再生等影响,提高预测结果的准确性和稳定性,提出了一种基于变分模态分解(variational modal decomposition,VMD)与参数优化的门控循环神经网络(gate recurrent unit,GRU)相结合的RUL预测模型。首先采用VMD算法将锂电池的容量序列分解为一系列平稳分量;然后采用多层GRU网络对各分量进行预测,针对预测结果不稳定的问题,在模型训练前利用粒子群算法(particle swarm optimization,PSO)对GRU模型的参数进行优化;最后叠加各分量的预测值作为最终预测结果。在NASA数据集上对本模型进行了验证,当采用20个已知电池序列数据预测时,预测结果的最大平均绝对百分比误差和均方根误差控制在0.88%和0.0148以内,RUL预测的最大误差不超过2个充电周期,具有较高的鲁棒性和预测精度。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

基于主成分分析与WOA-Elman的锂离子电池SOH估计北大核心CSCD

准确估计锂离子电池健康状态(state of health,SOH)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度,然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升SOH估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的SOH估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的SOH进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池SOH,并且具有更好的泛化性能。     

基于PCA-GPR的锂离子电池剩余使用寿命预测

从充电过程中的电压-容量曲线中提取出一个与电池寿命高度相关健康因子（HI）。然后利用主成分分析（PCA）对影响电池寿命的多维因素进行分析和降维,结合高斯过程回归（GPR）机器学习方法提出一个基于PCA-GPR的锂离子电池剩余使用寿命预测模型。最后进行锂离子电池剩余使用寿命预测并与PCA-BP神经网络、PCA-支持向量机（SVM）模型进行比较。结果表明,利用该文提出的HI及预测模型可有效提高锂离子电池剩余使用寿命预测精度,其中通过贝叶斯优化器优化后的PCA-GPR模型的预测效果最佳。     

基于SVD-SAE-GPR的锂离子电池RUL预测北大核心CSCD

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。     

基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。     

基于锂离子嵌入模型的NCM811电池性能北大核心CSCD

本工作以NCM811电池为主要研究目标,探究在正常工作情况下的电池性能。具体包括不同环境温度与放电倍率下的放电性能,以及初次循环与第2000次循环时的电池容量变化,得到电池的电压曲线,并将结果与NCM523电池以及NCA电池进行对比。同时,由于NCM811电池存在热安全问题,因此,探究了其在热失控情况下自身的电压与温升情况,总结了其温度传递规律,并与实验结果进行对照。基于上述结果得到:电池在正常工作情况下,NCM811电池在倍率充放电性能上表现优异,在大倍率充放电时电池容量保存较好,NCM523电池与NCA电池均表现出电池容量衰减;在电池的循环老化方面,与NCM523电池相同,NCM811电池也表现出明显的容量衰减,NCA电池容量几乎不发生变化;在高低温放电方面,电池在低温时的产热均高于高温时的产热,在相同的环境温度下,NCM811电池温升最为明显,存在较大的热安全隐患,NCM523电池与NCA电池升温较为平缓;在电池发生热失控时,电池电压突降至0 V,温度短时间内升至1200 K左右,仅在发生热失控的部分,温度随时间变化明显,其余部分温度趋于恒定。与实验过程相比,仿真过程热失控触发时间较晚,温度升高较快,电池最高温度较低。     

锂离子电池加速循环测试研究北大核心CSCD

以圆型21700 4.8 Ah电池为测试样本,采用零和脉冲法进行加速循环测试研究。以所筛选的10%SOC作为最优的荷电态测试区间,对3种不同正负极材料组成的实验电池进行7天的加速循环测试,以基准电池参数为对比,综合多种参数对电池循环性能优劣进行分析评价。通过对电池加速循环前后的容量保持率分析,即可获得与常规循环测试一致的测评结果:负极二元化电池的放电容量保持率最高,为99.75%,其次是基准方案电池,为99.43%,而正极二元化电池的放电容量保持率最低,为96.33%。此外,通过对电池在加速循环过程中的直流内阻和极化电压增长率的分析,正极二元化电池的增长率远高于其他两种电池。进一步通过对电池瞬时及弛豫阻抗的拆解分析,可知导致正极二元化电池循环较差的原因主要是其正极及负极上均发生了大量的副反应,由于界面膜增厚及沉积物增多导致固相扩散阻抗增大,因此弛豫阻抗增长率达40%。通过对循环后电池进行EIS测试及正负极的物性分析发现,正极二元化电池的扩散阻抗显著较高,且其正极二次颗粒碎裂程度较高,此结果可初步解释正极二元化电池在加速循环中因正极碎裂引发副反应导致固相扩散阻抗增长率较高的现象。该加速循环测试方法以实际循环制式为依据,不引入额外的温度及倍率等应力影响因素,通过对各种测试参数的综合分析,达到定性判断实验电池循环性能优劣的目的,不仅可以大大缩短电池循环测评周期,同时可以为电池循环衰减原因分析提供依据。     

基于1DCNN-LSTM的锂离子电池SOH预测

为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法.首先采用多通道串联电压、电流、温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息,最后通过...     

基于优化Elman神经网络的锂电池容量预测北大核心CSCD

锂离子电池容量的精确预测有利于提升电池的使用安全和避免电池滥用,受其复杂的内部电化学反应和外部使用条件影响,对其老化后的容量精确预测一直是电池管理系统的难点之一。为实现锂电池全服役周期内容量的高效准确预测,本文提出了一种基于遗传算法优化的Elman神经网络(GA-Elman)电池容量预测模型。首先选择电池不同循环下的放电容量增量、内阻以及温度数据作为有效表征电池老化和容量衰减规律的特征量,其次运用主成分分析算法对特征量进行降维以降低训练量数据维度,然后基于Elman神经网络构建电池容量预测模型,并引入遗传算法优化Elman神经网络的权值和阈值,实现对电池容量的高效精确预测,最后在不同电池上对该模型进行了验证。验证结果表明:与传统Elman神经网络和长短期记忆神经网络(long and short term memory neural network,LSTM NN)预测模型相比,GA-Elman神经网络预测模型有更好的预测精度和更高的运算效率。在不同电池上该模型预测结果的最大平均绝对误差为0.92%,最大均方根误差为1.02%,最小拟合系数为0.9679,表明该模型可以精确预测锂电池衰退过程中的容量并且对不同电池有较强的适应性。     

基于电化学-热耦合模型的锂离子电池组件产热分析北大核心CSCD

研究电池电化学过程产热对锂离子电池的热管理至关重要。本工作建立了三元NMC锂离子电池的电化学-热耦合模型,首先通过对该电池进行不同倍率的放电与温度实验测试,验证了该模型在电压和温度变化预测准确性。然后针对不同温度下的表现进行模拟仿真研究。在室温下,无论倍率大小,负极产热总是小于正极产热,虽然负极的极化热高于正极,但其可逆吸热较大,导致产热水平低于正极。而随着放电倍率的增加,正极产热所占比例减小,负极所占比例先增加后减小,而集流体产热所占比例持续增加。然而,低温条件下的电池放电表现出与室温情况不同的产热特性,首先,低温导致低倍率负极产热率比例大大增加,负极可逆热为总可逆热的主要贡献热。而高倍率负极产热率减少,正极则呈相反趋势。其次在低温下放电时间随倍率增加呈现不同趋势,高倍率下放电电压快速降低导致放电不完全,在低倍率0.5~1 C放电运行时出现了电压反弹现象但基本放电完全,这是由于低温限制了负极颗粒内部锂离子及时向外扩散,造成电阻增加与电压快速降低,同时大量产热导致自身温升,从而在低倍率下获得电压反弹并保持持续放电的能力。     

基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断北大核心CSCD

新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测,而传感器故障会导致荷电状态等指标出现误差,严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断,提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization,GAPSO)和模糊神经网络(fuzzy neural network,FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断,该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据,然后对故障数据进行预处理及特征提取,最后采用GAPSO-FNN算法对电池传感器进行故障诊断,并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明,基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%,相比于模糊神经网络准确率提升了10%,故障诊断准确率能够达到95%,在减少故障诊断所需信息量的同时,有效地提升了故障诊断的准确率。     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

基于大倍率电流脉冲的动力锂离子电池阻抗模型优化北大核心CSCD

随着中国能源转型的推进,动力电池使用量逐年上升。随之而来的电池安全运行问题逐渐凸显。在保障电池稳定运行的电池管理系统(Battery management system,BMS)中,等效电路模型(Equivalent circuit model,ECM)是其工作的基础核心。而目前的电池管理系统模型主要为线性模型,且受限于计算量和芯片的计算能力,无法合理表达电池在极端工况下,如大功率等情况下的非线性特征。针对这一问题,本文从可用功率角度出发,对电池进行了不同倍率的脉冲放电实验,分析了不同倍率情况下电池内阻的非线性特征,改进了电池的等效电路模型,建立了高倍率条件下阻抗随电流的变化关系。实验结果表明改进后的等效电路模型的模型误差为1.74%,远小于旧模型的8%。研究成果比传统等效电路模型相比提高了精度,且计算量比P2D(Pseudotwo-dimensions,P2D)模型小,预期可以用于BMS中电池模型可用功率的在线仿真计算,避免动力电池过功率放电,提高电动自行车使用安全性。     

基于正交试验的锂离子电池热失控仿真北大核心CSCD

锂离子电池热失控是由多种因素耦合而导致的结果,得到影响锂离子电池热失控影响因素的重要性程度对于提高电池安全性具有极大意义。对此,针对针刺导致的锂离子电池热失控,利用COMSOL软件仿真分析了不同针刺位置、速度、直径、SOC(state of charge)对锂离子电池单体针刺热失控影响,得到对单体电池热失控影响的重要因素。基于单体针刺热失控仿真结果,以4个锂离子电池单体组成的模组为研究对象,利用单因素仿真试验分析不同钢针直径R、电池SOC以及针刺电池个数N对电池模组热扩散影响;基于此,本文分析了针刺电池个数N、钢针直径R及电池SOC耦合作用热失控的正交试验。结果表明:相对于针刺位置、针刺速度对电池单体热失控影响,电池SOC和针刺直径R对电池单体热失控影响较为显著,且针刺直径R越小,单体电池热失控越剧烈;电池SOC越大,热失控时电池温度分布越不均匀;针刺直径R越大,模组热扩散需要时间越长;当SOC在100%~85%范围内时,模组内各电池单体的热失控最高温度变化较为明显;针刺电池个数N越大,模组热失控越剧烈,但位于模组中间位置的电池热失控最高温度有所降低。针刺电池个数N、SOC、针刺直径R对电池模组热失控温度和扩散时间的影响程度主次顺序为:N>R>SOC*R>SOC*N>N*R>SOC,其中,针刺电池个数N对电池模组热扩散影响最显著,且不同因素间的交互作用不容忽视。本工作为提高电池的安全性及电池设计提供了参考依据。     

基于SMIV-1DCNN的燃气轮机剩余使用寿命预测方法研究

为了实现船用燃气轮机剩余使用寿命的预测,对燃气轮机健康监测参数进行斯皮尔曼(Spearman)相关关系分析,采用平均影响值(Mean Impact Value, MIV)进一步分析监测参数对性能退化的敏感性,筛选出敏感特征;对得到的燃气轮机特征参数进行预处理,以消除外界环境的影响;研究了一维卷积神经网络(One Dimension Convolutional Neural Networks, 1DCNN),挖掘滑窗特征参数与运行时间的映射关系,实现燃气轮机剩余使用寿命预测。基于美国国家航天局发布的航空发动机退化数据集,验证了SMIV-1DCNN剩余使用寿命预测方法的有效性;开展了船用燃气轮机性能退化剩余使用寿命预测仿真试验。仿真试验结果表明,该方法不受燃气轮机初始状态影响,剩余使用寿命预测绝对误差56.10、平均绝对百分误差107.87、均方误差70.95,预测性能优于BP神经网络、LSTM神经网络与GRU神经网络。     

基于CEEMDAN和ISOA-ELM的锂电池荷电状态预测北大核心CSCD

锂电池具有能量密度高、输出电压高、无记忆效应等优点,但过充过放电易引发安全事故,精确预测锂电池荷电状态(SOC)让其工作在最佳状态,具有重要现实意义,本文提出了一种基于自适应噪声集成经验模态分解(CEEMDAN)和数据驱动模型组合预测锂离子电池荷电状态的方法,对锂电池原始电流数据进行模态分解,得到多个子序列模态分量,提出一种基于惯性权重与Levy飞行机制的改进海鸥算法(ISOA),对极限学习机预测模型(ELM)参数进行优化,构建ISOA-ELM锂电池预测模型;训练模型得到锂电池SOC预测结果。实验结果表明,该模型在实际工作中能够更贴合实际SOC,更有利于锂电池工作在最佳状态。     

计算机技术在锂离子电池检测中的应用北大核心CSCD

伴随着时代的发展,环境污染与能源短缺已成为我国可持续发展过程中亟待解决的重要问题。基于储能视角,锂离子电池能够有效缓解我国化石能源短缺问题,随着科技的进步,锂离子电池的应用领域越来越广泛,如使用锂离子电池的电动汽车、手机等产品,为了保证这些产品的生产质量,常常需要对锂离子电池进行安全检测。