电动汽车锂电池SOC估测

SOC的估算对电动汽车锂电池的管理至关重要.该文提出了一种改进的安时积分法,在传统安时积分的基础上考虑温度对电池充放电的影响,及静置时间对SOC初值的影响,及时对SOC的初值进行修正,避免了传统安时积分法对误差的累积.以磷酸铁锂电池为例搭建实验平台,得到计算所需参数,并且验证了设计思路的可行性.     

基于扩展卡尔曼滤波模型的电动汽车锂电池SOC估算研究

针对新能源电动汽车锂电池电荷状态SOC估算问题,在锂电池二阶RC等效电路模型基础上,引入扩展卡尔曼滤波方法,利用扩展卡尔曼滤波方法处理复杂非线性系统能力,建立了扩展卡尔曼滤波锂电池SOC估算模型,并通过MATLAB/Simulink对新建模型仿真分析。仿真结果显示,建立的扩展卡尔曼滤波锂电池SOC估算模型具有较高估算精度,整体误差小于±0.05%,满足新能源电动汽车对锂电池SOC估算要求。     

基于Randles铅酸蓄电池模型的SOC和SOH在线估算分析

阐述基于Randles模型协同卡尔曼滤波算法对模型算法进行辨识,分析卡尔曼滤波算法在铅酸蓄电池SOC和SOH估算中的应用,探讨进一步提高SOC和SOH估算精度以及实用性的建议。     

基于SR-UKF算法的锂电池SOH预测

传统的扩展卡尔曼滤波（EKF）算法估计精度较低,无迹卡尔曼滤波（UKF）算法不能确保滤波过程中状态误差协方差矩阵非负性,因而易出现滤波发散问题。为此,文中通过平方根无迹卡尔曼滤波（SR-UKF）算法预测锂电池健康状态（SOH）。首先,利用UT变换对系统进行线性化处理;然后,利用状态误差协方差矩阵的平方根替代状态误差协方差矩阵,保证状态误差协方差矩阵非负性;其次,构建二阶RC等效电路模型,根据最小二乘法辨识模型初始参数;最后,将代表SOH的欧姆内阻作为状态变量,使用SR-UKF实时估计欧姆内阻,并根据欧姆内阻与SOH的关系获取锂电池的SOH。为验证SRUKF算法在不同放电情况下的适应性,通过恒流放电工况和HPPC放电工况对SR-UKF算法进行仿真。结果表明,相比于传统的EKF算法、UKF算法,SR-UKF算法预测欧姆内阻的效果更好。     

基于RTS-IEKPF算法的锂电池SOC估算

针对瞬间大电流充放电使电池非线性加剧,使用迭代扩展卡尔曼滤波算法(IEKF)估算电池荷电状态(SOC)时会有较大误差。为了减小误差,进一步提高SOC的估算精度,提出一种基于锂电池复合电化学模型的融合RTS最优平滑的迭代扩展卡尔曼粒子滤波算法(RTS-IEKPF)。该方法利用RTS(Rauch-Tung-Streibel)最优平滑算法与IEKF算法结合生成粒子滤波的建议分布,得到RTS-IEKPF,并用该方法来估算锂电池的SOC。实验结果表明,RTS-IEKPF算法SOC的估算精度优于PF,IEKF和IEKPF算法SOC的估算精度。     

基于EKF-PF算法的退役动力锂电池SOC估计

为准确估计退役动力锂电池的荷电状态（SOC）,避免其在储能系统中因放电容量不一致导致运行效果不佳,保障储能系统安全运行,提出了利用扩展卡尔曼粒子滤波算法（EKF-PF）与二阶Thevenin等效电路模型相结合的方法估计退役动力锂电池的荷电状态。该方法首先采用二阶Thevenin等效电路构建退役动力锂电池的等效电路模型,写出观测方程与状态方程;其次利用含遗忘因子的递推最小二乘法（FFRLS）对建立的等效电路模型进行参数辨识;最终通过EKF-PF算法在城市道路循环（UDDS）工况下对退役动力锂电池进行在线SOC估计,并与粒子滤波（PF）算法做对比。实验结果表明,EKFPF算法在估计退役动力电池SOC时能将其平均误差控制在1.23%以内,最大误差控制在3.37%以内,优于PF算法的估计结果。证明了EKF-PF算法在估计退役动力锂电池SOC时具有更高的精度和应用价值。     

基于联合算法的锂电池SOC与SOH协同在线预测

以18650型锂电池为研究对象,建立双极化Thevenin(DP-Thevenin)等效电路模型描述其动静态特征.分别以恒流脉冲放电实验和带遗忘因子的递推最小二乘法完成电池电动势及模型参数的辨识;在Simulink中搭建等效电路模型,以脉冲电流作为激励进行验证,得出模型响应电压与实际端电压契合度较好,平均误差为1.83...     

基于SOC估算的锂电池组复合型均衡拓扑设计

锂电池的均衡管理可以提高锂电池的使用寿命和续航里程。针对磷酸铁锂电池串联电池组中,电池组中各个单体电池之间存在电量不一致的问题,提出一种复合式均衡拓扑结构,通过对单体电池之间的电感或电池组间的变压器选择性放电均衡,实现电池组内的各个单体电池的电量均衡,并测量实际的锂电池放电曲线,拟合锂电池开路电压与SOC的曲线。此外,建立了对应的磷酸铁锂电池Simulink模型,使用SOC估算值作为判断均衡的条件,以提高启动或停止均衡子电路的准确性。在Matlab/Simulink的软件仿真下证明,所提出的复合式均衡方案均衡效果良好,易于实现,控制简易。     

基于LFOA-GRNN模型的矿用锂电池SOC预测

针对矿用电动汽车锂电池SOC预测易受到工况环境影响、建模复杂、预测误差大等问题,该文将电池端电压、放电电流、环境温度、湿度作为SOC的表征因子,构成样本集以训练广义回归神经网络(GRNN),再引入具有Levy飞行特征的双子群果蝇优化算法(LFOA)优化GRNN的平滑因子σ。LFOA结合了Levy飞行搜索和果蝇优化算法的优点,全局搜索能力更强,收敛速度更快。仿真结果表明,经LFOA优化的GRNN能更快地搜索到合适的σ,并有效预测电池任一充放电状态下的SOC,与FOA-GRNN模型比较,LFOA-GRNN模型预测精度更高、时间更短,最大绝对误差不超过0.03,具有较好的工程应用价值。     

基于神经网络与UKF结合的锂离子电池组SOC估算方法

锂离子电池组作为电动汽车的主要动力能源,对荷电状态的准确估计是电动汽车的关键技术之一。准确的SOC估计,对锂离子电池组的寿命维持及电动汽车的行车安全,具有十分重要的意义。基于此设计一种基于神经网络与无迹卡尔曼滤波器(UKF)相结合的SOC估算方法,既克服了UKF需要等效电池组电路模型的缺点,也能显著减小神经网络估算方法的最大误差。该实验数据来源于高级车辆仿真器(ADVISOR2002)基于实际工况的仿真结果,经实验数据证明,该方法具有有效性和实用性。     

采用门控循环神经网络估计锂离子电池健康状态

锂离子电池健康状态（State of Health，SOH）描述了电池当前老化程度，对于提前对电池的故障及失控做出预警避免电池的不安全行为具有重要意义。其估计难点在于难以确定数量合适、相关性高的估计输入以及设计合适的估计算法。通过对现有电池老化数据集的研究发现，电池充电过程中电压曲线数据相对稳定，且随着电池的老化出现规律性变化。因此，文中直接采用充电过程中电压数据作为估计SOH的输入，并在数据驱动的框架下，提出了一种基于门控循环神经网络（Recurrent Neural Networks with Gated Recurrent Unit, GRU-RNN）的锂电池SOH估计方法。该方法能够挖掘出一维电压数据中的时序特征和SOH之间的映射规律。在两个公开的电池老化数据集上的实验结果表明，提出的方法达到了1.25%的均方绝对误差和低于5.62%的最大误差，在估计精度上达到现有技术发展水平。     

空间仪器锂离子蓄电池管理控制器研究

为了满足实验类空间仪器对空间电源系统的低成本、高集成度、微型化的需求,设计了以C8051F040芯片为控制核心的空间仪器电源控制器。该控制器与传统设计方式的最大区别是采用高集成度的锂离子电池控制芯片(bq77PL900)代替了原有的模拟电路。通过使用该芯片不仅大大降低了控制器所占体积,减小了控制器的功耗,而且提高了控制器的抗干扰能力。为了提高系统的可靠性,该系统还采用在线EEPROM充注技术,可以及时发现控制器内部被打翻的数据并进行恢复。通过实验证明该设计简单可靠,而且能量转换效率也提高了5%左右。该设计可广泛应用于低成本的空间仪器的电源、微小型卫星的电源系统。     

一种有效的片上系统串扰估计模型

目前,片上系统(SOC)的制造技术已经进入了深亚米时代,然而片上系统内部信号传输线发生串扰而导致系统功能失效的可能性却大大增加了.在这种情况下,对串扰进行估计就显得十分重要.本文针对已有Devgan串扰模型的不足,提出了一种简单有效的串扰估计模型,并对该模型的估计效果和HSPICE的仿真结果进行了比较.     

Electrochemical characteristics of nanostructured silicon anodes for lithium-ion batteries

High-aspect periodic structures with thin vertical walls are studied as regards their applicability as negative electrodes of lithium-ion batteries. The nanostructures are fabricated from single-crystal silicon using photolithography, electrochemical anodization, and subsequent anisotropic shaping. The capacity per unit of the visible surface area of the electrode and the specific internal surface area are compared for structures of varied architecture: 1D (wires), 2D (zigzag walls), and 3D structures (walls forming a grid). Main attention is given to testing the endurance of anodes based on zigzag and grid structures, performed by galvanostatic cycling in half-cells with a lithium counter electrode. The influence exerted by the geometric parameters of the structures and by the testing mode on the degradation rate is determined. It is shown that the limiting factor of the lithiation and delithiation processes is diffusion. The endurance of an electrode dramatically increases when the charging capacity is limited to ～1000 mA h/g. In this case, nanostructures with 300-nm-thick walls, which underwent cyclic testing at a rate of 0.36C, retain a constant discharge capacity and a Coulomb efficiency close to 100% for more than 1000 cycles.     

锂离子电池负极材料SnO2的制备及其性能研究

以NaOH为沉淀剂,聚乙二醇400(PEG400)为分散剂,采用改进的化学沉淀法制备了前驱体粉末Sn(OH)2,在不同温度下煅烧得到了SnO2纳米颗粒.运用X射线衍射、扫描电镜、恒流充放电、循环伏安法等手段对所制材料的结构、表面形貌和电化学性能进行了研究.结果表明:采用改进的化学沉淀法可以得到平均粒度为80nm左右的SnO2纳米颗粒,其中700℃下煅烧合成的SnO2性能最佳,其首次放电比容量和充电比容量分别为1576.3mAh/g和836.7mAh/g,首次库仑效率为53.1％.经过20次循环充放电后,其比容量仍有411.4mAh/g.     

激光切割锂电池负极极片复合材料的数值模拟

为了探究负极极片复合材料的切割性质, 采用有限元模型, 对激光切割锂离子电池负极极片复合材料温度场进行数值模拟计算。由温度场分布取得了负极切缝宽度与切缝深度的尺寸大小, 从中研究激光功率、切割速率和光斑半径对负极表层材料切缝宽度与切缝深度的影响。结果表明, 负极表层切缝宽度随激光功率和光斑半径的增加而增大, 随切割速率增大而减小; 切缝深度随激光功率增加而增大, 随切割速率和光斑半径增大而减小。切割至中间铜箔后, 切缝深度变化速率趋缓, 负极材料的复合结构对切缝深度存在明显影响; 在功率为170W、光斑半径为47μm、切割速率变化至600mm/s左右时, 效果最为明显, 切割深度在该参量下达到60μm, 且突破这一阈值后增长速率得到明显提升直至极片完全切断。这一结果可为激光应用于锂离子电池极片复合材料切割提供参考。     

Interacting multiple model particle filter for prognostics of lithium-ion batteries

We propose a new data-driven prognostic method based on the interacting multiple model particle filter (IMMPF) for determining the remaining useful life (RUL) of lithium-ion (Li-ion) batteries and the probability distribution function (PDF) of the associated uncertainty. The method applies the IMMPF to different state equations. Modeling the battery capacity degradation is very important for predicting the RUL of Li-ion batteries. In this study, improvements are made on various Li-ion battery capacity models (i.e., polynomial, exponential, and Verhulst models). Further, three different one-step state transition equations are developed, and the IMMPF method is applied to estimate the RUL of Li-ion batteries with the use of the three improved models. The PDF of the predicted RUL is obtained by combining the PDFs obtained with each individual model. We conduct four case studies to validate the proposed method. The results are as follows: (1) the three improved models require fewer parameters than the original models, (2) the proposed prognostic method shows stable and high prediction accuracy, and (3) the proposed method narrows the uncertainty PDF of the predicted RUL of Li-ion batteries.     

Cycle life estimation of lithium-ion polymer batteries using artificial neural network and support vector machine with time-resolved thermography

A battery cycle life forecast method without requirements of contact measurement devices and long testing time would be beneficial for industrial applications. The combination of infrared thermography and supervised learning techniques provided the potential solution to this problem. This research investigates the application of machine learning techniques—artificial neural networks (ANNs) and support vector machines (SVMs)—in combination with thermography for cycle life estimation of lithium-ion polymer batteries. Infrared images were captured at 1 frame/min during 70 min of charging followed by 60 min of discharging for 410 cycles. The surface temperature profiles during either charging or discharging were used as the input nodes for ANN and SVM models. The results demonstrated that with thermal profiles as the input, ANN could estimate the current cycle life of studied cell with the error of < 10% under 10 min of testing time. While when compared to ANN, the accuracy of SVM-based forecast models was similar but generally required a longer amount of testing time.