基于改进型LSTM-RNN的锂离子电池SOH估计系统

本文提出和制作了一种基于改进型长短时记忆循环神经网络(LSTM-RNN)的锂离子电池健康度(SOH)估计系统。该系统可有效提取锂电池SOH值随老化过程的变化特征,不依赖电池内部模型,就能准确估计SOH。系统通过18650磷酸铁锂电池的循环寿命测试来进行训练数据集的搜集和该方法的验证。测试结果表明,该系统实现了对锂电池SOH值的精确估计。     

PSO优化的BiLSTM-Attention网络的锂电池健康状态评估

锂离子电池作为一种高效的储能元件,被广泛应用到生产生活的各个领域,其健康状态事关系统的安全性,受到越来越多的重视。基于粒子群优化算法,优化了具有注意力机制的双向长短期记忆网络,实现了锂离子电池的健康评估。首先,考虑到锂电池数据的时序特征,采取了一种双向长短期记忆网络提高预测效果,并且引入注意力机制解决信息过载问题,提高任务处理的效率和准确性。接着,利用粒子群优化算法优化网络模型结构的参数,获得高效的锂电池健康状态估计。最后,引入NASA锂离子电池数据集。实验结果验证了所提方法的有效性。     

基于容量增量法的防爆锂电池老化指标分析

现有防爆锂电池矿用机车电池管理系统中电池健康状态仅用于预测电池剩余使用寿命,不对电池老化原因进行分析,对电池维护缺乏指导意义。针对该问题,首先分析了导致锂电池老化的内部因素,即锂离子损耗、活性物质溶解、内阻增加;然后基于容量增量法原理,提出了一种防爆锂电池老化指标分析方法,根据锂电池容量增量曲线高度和横向位置分别对锂离子损耗、活性物质溶解、内阻增加导致的锂电池老化进行量化分析,得出了相应的老化指标;最后介绍了电池管理系统中计算锂电池容量增量和确定容量增量曲线峰谷点的方法。采用电池充放电试验分析了充放电次数和充放电倍率对电池老化的影响:防爆锂电池以较小充放电倍率操作时,随着充放电次数增加,锂电池老化主要为锂离子损耗和活性物质溶解导致的老化;增大电池充放电倍率对内阻增加导致的电池老化影响最大。该方法有助于防爆锂电池管理系统更准确地估算电池健康状态,并为电池维护和电池管理系统的参数设定提供依据。     

面向锂电池少量循环的二维支持域直推式健康状态预测

锂离子电池的健康状态(SOH)是反映电池老化程度的关键指标,但由于电池老化的非线性和不确定性使得SOH难以精确估计,并且受到电池数据收集的高时间成本和容量再生现象的影响,传统的数据驱动方法在历史充放电循环数较少时效果较差.针对上述问题,本文创新性地提出了一种二维支持域直推式学习(2D-RoSTL)建模思路,建立了数据由粗到细的精准划分方法,用于少量充放电循环下的SOH预测.一方面,考虑同型号多块电池的批次特性,利用历史数据和批次数据构造二维支持域扩充模型信息来源,提供了粗范围的大量可供选择的样本;另一方面,首次尝试以直推式学习的方式解决SOH预测的任务,利用离线和在线样本特征空间的信息,对每个样本进行细致划分,提升少量充放电循环情况下模型的预测可靠性.基于NASA的公开数据集,所提出的二维支持域直推式建模方法在4个电池上的预测误差均小于1.56%,实现了对锂电池充放电历史初期及再生点的精确预测.     

基于混合网络的锂离子电池健康状态与剩余使用寿命联合估计方法

为高效准确实现锂电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)预测,提出了一种基于混合网络的锂离子电池SOH与RUL联合估计方法。首先,建立锂电池间接健康特征(health factor, HF)提取框架,以HF为输入,容量为输出,使用卷积神经网络(convolutional neural network, CNN)和门控循环单元网络(gated recurrent unit, GRU)构成CNN-GRU电池SOH估计模型,对电池SOH进行估计;然后利用SOH估计结果和SOH真实值建立CNN-GRU电池RUL预测模型,对电池RUL进行预测。实验结果表明,SOH估计最大均方根误差在2.31%以内,RUL预测误差在5.29%以内,该方法可以实现锂电池SOH和RUL较为全面的评估。     

基于模型的锂离子电池健康状态预测

健康状态预测对于锂离子电池安全高效的使用至关重要。提出并建立了一种锂离子电池集总参数模型,在对模型的适应性验证的基础上,设计了一种粒子滤波算法来预测锂离子电池健康状态。通过对放电终止时间的仿真和实验表明,粒子滤波算法能对锂离子电池健康状态给出正确的预测。     

压缩感知结合高斯过程回归的锂电池SOH估计

针对锂电池健康状态(SOH)估计,提出一种结合了基于压缩感知(CS)的容量增量曲线(ICC)特征提取与高斯过程回归(GPR)的估计方法。该方法从充电电压中提取ICC特征数据作为电池的健康特征(HF);针对原始ICC不准确且易受噪声干扰的问题,使用CS扩充数据维度以得到更加准确且平滑的ICC;通过相关性分析法选取ICC中相关性高的分量作为描述电池HF的参数,然后使用GPR建立电池容量退化模型用于估计SOH,并利用遗传算法优化超参数。最后,使用美国航空航天局(NASA)公开的四个电池数据集验证所提方法的准确性。实验结果表明,所提方法具有较高的估计精度和可靠性。     

基于极限学习机的锂电池健康状态预测

使用传统的物理化学方法来预测锂电池的健康状态效率低下且精度不高。为此,本文提出使用极限学习机来对蓄电池的健康状态进行预测。首先对提取出的特征数据集进行归一化预处理;然后,在训练集上使用网格搜索技术优化极限学习机的模型参数。在测试集上和其他方法的对比实验结果表明:基于极限学习机的锂电池健康状态预测方法性能优秀,有着实际应用的前景。     

基于卷积自编码神经网络的锂离子电池健康状况评估方法研究

目前锂离子电池已被广泛用作能量存储系统,在手机、电动汽车和飞机中均有广泛的应用。然而锂离子电池在使用过程中存在一定的危险性,若不能及时对电池健康状态评估（SOH）发现危险将会导致十分严重的后果。因此,研究一种基于卷积神经网络的锂离子电池健康状况评估方法,该方法通过使用卷积自编码神经网络对电池状态数据进行特征提取,有效提升了评估的准确率,并且神经网络能够在使用过程中不断进行学习,具有较高的灵活性,最后通过使用NASA公开的锂电池数据集测试,评估准确率达到93.6%,相比传统方法有较大提升。     

基于特征选择和数据增强的电池荷电状态预测

现有基于神经网络的电池荷电状态(state of charge, SOC)预测研究大多把重点放在模型结构和相关参数的优化上,却忽略了训练数据的重要作用.针对该问题,文中提出了一种基于特征选择和数据增强的电池SOC预测方法.首先,方法根据原始电池充放电数据进行特征工程,并使用排列重要性(permutation importance, PI)方法选出对模型预测最有帮助的7个特征;其次,通过加入高斯噪声来扩大训练数据样本总量,达到数据增强的目的.实验使用双向长短时记忆网络(bidirectional long short-term memory, Bi-LSTM)作为预测模型,使用Panasonic 18650PF数据集作为训练数据.使用标准Bi-LSTM进行预测时,平均绝对误差(mean absolute error, MAE)和最大误差(max error,MaxE)分别为0.65%和3.92%,而在进行特征选择和数据增强后,模型预测的MAE和MaxE分别为0.47%和2.62%,表明PI特征工程与高斯数据增强方法可以进一步提升电池荷电状态预测模型的精度.     

基于LM-RLS和渐消因子EKF算法的锂电池SOC估计

为提高复杂工作环境下锂电池荷电状态估计精度,以三元锂离子电池为研究对象,采用限定记忆递推最小二乘法与渐消因子扩展卡尔曼滤波算法相结合进行荷电状态估计。以有限组数据计算当前时刻模型参数,解决数据饱和问题。在扩展卡尔曼滤波算法中加入渐消因子,弱化旧数据的影响,实时调整误差协方差矩阵。为验证算法的合理性,建立二阶RC等效模型,对不同工况进行荷电状态估计。验证结果表明,算法估计精确度高且稳定性好。系统稳定后,HPPC、BBDST工况中的荷电状态最大估算误差分别为0.014 4和0.008 5,且波动范围较小,验证了改进算法估计锂电池荷电状态时的良好性能。     

运载火箭箭上锂离子电池型谱化研究与实践

电池作为运载火箭箭上电气设备的一次能源,是箭上电气系统的关键单机。为规范运载火箭箭上电池产品的研制和使用,提出型谱特征参数梯度化设计、部组件统型设计、试验条件统一设计和使用维护要求统一设计的箭上锂离子电池型谱化研究思路,规划建立了运载火箭箭上锂离子电池型谱,形成共15种箭上锂离子电池系列化货架产品,并在CZ-3A型号运载火箭上进行了成功实践。箭上型谱锂离子电池的研制使在飞运载火箭28 V锂电池配套型号从31种压缩至11种,箭上电池产品种类缩减了64.5%,统一了产品技术状态,降低了电池研制、生产和质量控制的成本和难度,有力支撑了箭上锂离子电池批量生产和运载火箭高密度发射。     

基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

基于机器学习的电动汽车动力电池SOC预测分析

近年来,随着大数据的发展,机器学习的方法备受关注,大数据驱动的机器学习方法在电池健康状态的评估与预测中有着多方面的优势。基于此,采用Xgboost、线性回归和支持向量机(SVM) 3种模型对比,以均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)为模型评价指标对新能源汽车电池剩余电量(SOC)进行回归预测分析,并取得了不错的效果。     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。     

基于WOA优化概率分布参考点的锂电池故障诊断

锂离子电池凭借其优越的储能性能被广泛应用在许多领域,而随着使用时间增加,锂离子电池的老化加剧容易导致不同程度的故障,因此对锂离子电池进行在线故障诊断至关重要。为了进一步提高故障诊断的准确率和透明性,提出使用连续概率分布证据推理(ER)规则的故障诊断模型,并使用优化方法优化相关参数。首先,从充放电过程中提取能反映电池健康状态(SOH)的特征指标,采用Spearman相关系数分析特征指标与SOH之间的关联来提取健康因子;第二,考虑到电池的故障信息具有不确定性,提出一种基于ER规则的连续概率分布参考点的故障诊断方法,采用高斯分布描述参考点,实现在线故障诊断;第三,设计了一种带约束的鲸鱼优化算法(WOA)优化证据参数,构建GER-W故障诊断模型,使模型故障诊断准确率达到最优;最后,通过分析SOH对故障进行模糊划分,以NASA电池数据集为例验证GER-W模型的有效性,此外还将模型拓展到电池SOH估计中。验证结果表明,GER-W模型对比其他故障诊断方法具有更高准确率且诊断过程更加透明,在SOH估计中也有一定效果。     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马...     

锂电池健康状态快速测量及系统实现

为实现大规模退役锂电池的梯次利用，需要快速测量锂电池的健康状态。基于EIS的低频阻抗测量不仅耗时长，而且针对电池等效电路的还需要做复杂的参数估计，因此，建立了锂电池扩散过程健康因子与低频阻抗的关系，结合扩散过程健康因子和锂电池直流内阻以快速评估锂电池健康状态。其次，设计和构建快速测量系统以测量低频阻抗和直流内阻。实验结果表明，可通过测量扩散过程健康因子和直流内阻判断锂电池健康状态，测量过程仅需花费三分钟的时间，而且准确性较高，快速测量系统可应用于各个实际的工业现场，实现了集快速性、准确性、经济性于一体的目标。     

基于变参数模型的锂电池荷电状态观测方法

锂电池荷电状态(SOC)观测技术作为电池管理系统(BMS)的关键技术,在维持电池系统设备安全高效运作、延长电池组整体生命周期等方面均起着不可或缺的作用.本文以改善锂电池荷电状态的观测结果为目的,对锂离子电池荷电状态的观测方法进行了研究,基于二阶变参数锂电池模型,设计了一种有效的改善SOC观测精度的方法.首先,根据SOC的定义,建立了安时积分估计(AH),通过引入二阶变参数锂电池模型建立扩展卡尔曼滤波估计器(EKF),然后结合Takagi-Sugeno模糊模型原理,设计Takagi-Sugeno和EKF联合估计器(TS–EKF).最后,在Simulink仿真平台上验证了SOC观测方法的准确性和实用性.结果表明,本文所设计的Takagi-Sugeno和EKF联合估计器可以改善SOC观测精度.