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。     

基于自注意力和GRU的锂电池健康状态估计

为了解决锂离子电池使用中特征提取数据不足和模型需要大量历史数据的问题,通过分析锂离子电池使用中的数据,提出了放电过程中基于Self-Attention-GRU的锂离子电池健康状态估计方法。在没有历史数据的锂电池上使用相同型号锂电池历史数据训练的模型估计电池健康状态;拥有一定量老化数据后,使用锂电池自身的老化数据训练模型估计电池健康状态。提取放电过程的等压降放电时间、电压均方根和放电功率作为健康因子,利用融合自注意力机制的门控循环单元建立健康因子和健康状态(SOH)之间的映射关系。使用4组CALCE电池老化数据进行实验验证。模型在20%老化数据作为训练集时MAE和RMSE分别达到1.03%和1.25%;在30%,40%老化数据和相同型号电池全部老化数据作为训练集时模型的MAE和RMSE都小于等于1%。说明该方法在估计锂离子电池健康状态估计方面具有较高的精确性和可靠性。     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

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...     

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.     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性.自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差.该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记...     

基于参数在线辨识和SVD-UKF的锂电池SOC联合估计

锂电池的荷电状态(SOC)是电池管理系统的核心参数,准确的SOC估计对电动汽车的安全运行至关重要。针对因电池模型参数固定导致锂电池SOC估计精度不高和误差协方差非正定导致传统无迹卡尔曼滤波算法估计SOC失败的问题,提出基于参数在线辨识和SVD-UKF的锂电池SOC联合估计算法。该算法使用变遗忘因子递推最小二乘法实现电池模型参数的在线辨识,通过基于奇异值分解的无迹卡尔曼滤波算法(SVD-UKF)实现电池SOC的估计。在联邦城市运行工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在1.53%以内,能够有效提高SOC估计的准确性和稳定性。     

基于STM32的锂电池充放电系统的研究与设计

锂电池是当前便携式手持电子设备可循环充放电电池的首选,但是锂电池在使用过程中可能存在过冲、过放、过流充电以及充电时间过长后产生高温的问题,从而影响电池使用寿命,甚至出现安全事故,为解决以上问题,提高锂电池使用效率,本文基于STM32平台设计了一款锂电池充放电管理系统,通过软硬件的设计和实验测试,该系统实现了对锂电池充放电路径管理、对充放电的参数及电池的状态实现了实时准确监测,输出电压稳定,极大提高了电池的使用效率,该成果已在企业项目中得到了应用。     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.     

锂离子电池荷电状态估计: 非线性观测器方法

电池荷电状态(state of charge,SOC)的准确估计是电动汽车有效实施能量管理的基本前提和安全高效运行的重要保障.为降低电池系统因迟滞效应和非线性因素对SOC估计产生的不利影响,本文基于Lipschitz非线性系统观测器设计理论,提出了一类电池SOC估计新方法.基于该新方法设计的观测器具有结构简单,估计性能好等优点.首先根据电池等价电路模型给出电池系统的数学描述,进而利用脉冲放电实验数据计算出电池系统各参数值,然后利用线性矩阵不等式方法求解出观测器增益矩阵,最后利用城市道路循环(urban dynamometer driving schedule,UDDS)工况测试验证了观测器系统具有良好的跟踪性能.     

防爆电动车锂电池管理系统设计

根据GB 3836—2010系列标准和《矿用隔爆(兼本安)型锂离子蓄电池电源安全技术要求(试行)》的相关要求,设计了一种防爆电动车锂电池管理系统。该系统以STM32F105VCT7主控制器、LTC6804-2电池管理芯片为核心,基于RT-Thread实时操作系统设计,采用电池被动均衡策略来均衡电池电压。测试结果表明,采用该系统前后,12串锂电池之间的最大压差分别为0.237,0.025V,电池电压均衡效果明显。     

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。     

航空电源电池管理系统BMS设计

针对航空电源电池管理系统可靠性的需要,研究了现有的电池管理系统的特点,设计了一种基于飞思卡尔MC9S12XET256和Linear 6804-2的电池管理系统。该系统硬件包括电池组电池电压测量电路、温度测量电路、电池充放电电压电流测量电路以及基于Linear 6820的iso SPI和SPI转换电路;软件设计包括电池电量数据读取、温度数据读取、充放电电流计算、均衡控制、电池荷电状态(SOC)与健康状况(SOH)的计算以及主控芯片的任务管理与通信。试验测试表明,该系统运行稳定,测试精度高,可在电池管理实际工程中使用。     

基于缺失观测值的锂电池剩余寿命估计方法研究

研究一种缺失观测值条件下,锂电池剩余使用寿命(RUL)的新型估计方法,算法框架包括预处理模块和预测模块,并引入极端学习机(ELM)。预处理模块基于单点插值和多重插值技术填补缺失观测值,预测模块基于一步/多步超前预测估计剩余寿命。将插值技术和超前预测算法相结合,构建锂电池剩余寿命智能估计系统,处理具有缺失观测值的时间序列数据。该系统具有良好的鲁棒性,并能够自动产生完整的时间序列数据集。实验结果表明,新估计方法适用于锂电池相关的智能诊断与预测系统,具有广泛的应用价值。     

等效建模与SR-UKF算法的SOC估算研究

荷电状态(SOC)用于表征动力锂电池剩余电量。选用Thevenin等效模型作为模拟电池工作状态的等效电路模型,结合试验测量相关参数,运用电路以及多种数理知识,对构建的锂电池等效电路模型进行参数辨识,并通过曲线拟合等方法对辨识结果进行优化处理。在脉冲特性能力测试(HPPC)中对模型精度进行验证,模型表征误差稳定在1.1%以内。采用平方根无迹卡尔曼算法用状态变量的误差协方差的平方根代替状态变量的误差协方差,直接将协方差的平方根值进行传递。利用平方根无迹卡尔曼算法对荷电状态进行估计,对比无迹卡尔曼算法与平方根无迹卡尔曼算法的SOC估计效果。在25℃的条件下对三元锂电池进行动态应力测试工况(DST)试验,平方根无迹卡尔曼算法和无迹卡尔曼算法锂电池SOC估计的最大误差分别为0.55%与1.5%。试验结果表明,平方根无迹卡尔曼算法的跟踪效果较优,具有更高的SOC估计精度和稳定性。     

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.     

基于变参数模型的锂电池荷电状态观测方法（英文）

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.     

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。