基于CNN-Bi-LSTM的锂离子电池健康状态估算

锂离子电池健康状态（state of health,SOH）是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警，保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征，结合卷积神经网络（convolutional neural networks,CNN）和双向长短期记忆网络（bi-directional long short-term memory,Bi-LSTM），提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征，输入数据获取方便，无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征，最终实现精确SOH估算。美国国家航空航天局（national aeronautics and space administration,NASA）电池老化数据集上的测试结果表明，所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32，精度优于Bi-LSTM和CNN-LSTM两种方法。     

基于卷积神经网络的锂离子电池SOH估算

锂离子电池健康状态(SOH)描述了电池当前老化程度,其估算难点在于缺乏明确统一的定义、无法直接测量以及难以确定数量合适、相关性高的估算输入量。为了克服上述问题,该文从容量的角度定义SOH,并将锂离子电池恒流-恒压充电过程中的电压、电流、温度曲线作为输入,提出采用一维深度卷积神经网络(CNN)实现锂离子电池容量估算以获取SOH。在NASA锂离子电池随机使用数据集和牛津电池老化数据集上进行的实验结果表明,该方法能够实现准确的SOH估算,且具备网络参数少、占用内存小的优势。另外,通过实验讨论了网络输入、模型结构、数据增强对所提出的SOH估算方法的影响。     

电动车锂离子电池健康状态模型研究进展

锂离子电池以其优异的性能在电动汽车领域得到了广泛应用.详细阐述了锂离子电池健康状态的定义,总结了电池健康状态的衰退机理和影响因素.回顾了近年来锂离子电池健康状态模型的研究进展,介绍了不同类型的锂离子电池健康状态模型,包括电化学模型、经验模型和等效电路模型,并对未来锂离子电池健康状态模型的研究方向进行了展望.     

基于DP模型的锂离子电池能量状态估算

估算能量状态是电池管理系统的主要功能之一,因为对于电动汽车而言能量状态是预测续航里程、能量管理分配和优化以及实现电池组均衡的的重要参数。传统的功率积分方法,其准确性依赖于较高精度的电压、电流传感器,因而成本高。因此,基于改进的戴维南电路模型,将扩展卡尔曼滤波法(EKF)用来估算电池的剩余能量状态和荷电状态,且使用遗忘递推最小二乘法在线实时辨识模型参数。结果表明,此方法具有较好的估算精度,在复杂动态电流测试工况估算误差可以保持在2%以内,而且能量状态(SOE)比荷电状态(SOC)更适合反映能量的变化。     

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%。     

锂离子电池健康状态新型测定方法

电池健康状态(SOH)是电池当前性能与残值评估的一个重要参量。分析SOH经典模型优缺点,提出一个新的改进模型。该模型用内阻来表征能量损耗,对识别方法进行描述。通过对松下NCR18650B电池进行加速衰老测试验证模型的正确性,对测得的内阻值使用origin软件中的最小二乘法一次线性拟合进行分析处理,得出SOH与内阻值的关系表达式,建立内阻值与电池SOH的对应关系,线性拟合度都在96%以上,验证了使用内阻描述SOH是可行的。该模型测试方法及参数识别简单,同时具备快捷等优点。     

锂离子电池健康状态评估方法研究进展

电化学储能是现代电力系统中不可缺少的一环,其特点是能量密度大、响应速度快、转换效率高、建设周期短、站址选择多等.储能电站的应用场景非常宽泛,如在电源侧平滑出力波动及处理跟踪、电源调频辅助服务、备用电源等;电网侧用来参与电网调峰调频、优化电网潮流分布、改善电能质量、虚拟电厂、延缓输电设备拥堵升级、微网等;用户侧可以完成削...     

基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH).该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异.为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(regΔV,通常为峰下的部分荷电状态区间)提取F...     

锂离子电池状态估算与寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点问题。准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。为此,针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结了锂离子电池剩余使用寿命预测的方法和应用现状,涵盖锂离子电池荷电状态与健康状态估算和剩余使用寿命预测2部分核心内容,总结其优势与局限性,并分析了未来的发展趋势和研究挑战。     

基于ICA和Box-Cox变换的锂离子电池SOH估计方法

对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。     

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DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

基于离散滑模观测器的锂电池荷电状态估计

锂电池的荷电状态(state of charge,SOC)估计是电池管理系统的重要组成部分,针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明。基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能。实验结果表明,采用该算法可实现锂电池SOC快速精确地估计,误差可控制在约3%,验证了该方法的可行性。     

混合动力汽车用锂离子电池荷电状态的估计

提出在行车过程中通过引入单体电池电压电流校正的修正手段,克服电池组系统现有的基础数据不足的问题。通过整车试验数据对比发现,校正参数修正后荷电状态(SOC)精度优于10%,符合行业标准。     

基于安时法的镍氢电池SOC估计误差校正

针对安时积分法对镍氢电池SOC估计时存在的累积误差,分别对镍氢电池组进行了不同倍率下的恒流充放电试验和循环工况试验,研究电动车辆长时间运行时电流传感器的测量误差对安时法估计镍氢电池SOC的影响。通过分析试验系统中采用的不同电流传感器的精度,对镍氢电池管理系统中的电流传感器进行了建模,给出了普通精度电流传感器进行安时法估计镍氢电池SOC时的校正方法。仿真与试验的对比结果表明该校正方法可以减小普通精度电流传感器用于安时法估计镍氢电池SOC时产生的累积误差,降低了安时法估计镍氢电池SOC的校准频率。     

锂电池健康状态估算方法综述

电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。     

锂离子电池健康状态估计方法研究综述

电池管理系统是锂离子电池高效、安全运行的重要保障。电池的状态估计在电池管理系统中发挥着重要的作用。健康状态是锂离子电池状态估计的重要指标之一。通过对近几年国内外锂离子健康状态估计方法相关文献的整理,综述了锂离子电池健康状态的定义和估计方法,并对现有的估计方法进行了分类和阐述。最后针对现有估计方法的不足,提出未来需要改进的方向。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.