新能源汽车动力电池状态估计方法设计

在电池管理系统(BMS)中,电池的荷电状态(SOC)与健康状态(SOH)具有极其重要的地位,鉴于直接测量这两种状态的局限性,分析了SOC和SOH之间的联系,提出了一种灰狼算法和神经网络相结合的在线联合估计算法,该方法引入卷积神经网络(CNN)用于SOH估算,并将其结果整合到SOC的估算流程中,使用GWO-GRU对SOC进行估计。将SOH估计考虑到SOC估计中,能减少电池老化因素对SOC估算准确性带来的不利影响,使用GWO优化器进行神经网络参数优化能进一步增强其处理长时间序列数据的能力,有效避免了因梯度问题而导致的训练不稳定或性能下降,从而提升模型的整体性能。     

基于数据驱动的锂离子电池健康状态估计研究进展综述

锂离子电池(LIBs)在电气化交通、电化学储能和移动电子产品等领域广泛使用,精准评估其健康状态(SOH)是确保安全可靠应用的基础。数据驱动法是当前评估SOH的主流方法,该方法无需考虑电池内部复杂的物理化学反应,依赖于直接的数据分析,且具有较高的精度。本文从锂离子电池SOH影响因素入手分析了基于数据驱动的电池SOH估计方法的研究现状,着重比较了机器学习、滤波器和时间序列等方法实施SOH估计的原理、优缺点。最后,针对电动汽车实际应用场景,对SOH估计方法的未来发展趋势进行了展望。     

基于锂离子电池热特性的SOH在线诊断模型研究

电池健康状态(SOH)评估是电池管理系统(BMS)中的关键一环,传统的SOH估计方法通常是基于锂离子电池的开路电压、容量或内阻等静态测量参数,然而由于测试过程耗时长、测试环境特殊,在线容量或电阻测量在BMS中很少能实现.从CC放电模式下100％～60％ SOC区间内的温度变化速率曲线中提取出一种新的SOH在线评估健康因...     

利用双卡尔曼滤波算法估计电动汽车用锂离子动力电池的内部状态

以电动汽车的研发为背景,建立用于电动汽车中作为辅助动力源的锂离子动力蓄电池的等效物理模型及其离散形式的状态空间方程,然后分别介绍如何基于卡尔曼滤波算法在线估计电池内部的荷电状态和寿命状态。在此基础上,介绍利用双卡尔曼滤波算法同时在线估计荷电状态和寿命状态的算法原理,并设计出相关的电池测试试验,利用在此试验过程中所采集的包括电流、电压等数据对电池的内部状态进行估计。对试验结果的分析表明,利用双卡尔曼滤波算法在线估计电池内部状态是有效的,并且估计精度也相对较高,可以较好地反映电池内部的真实状态。     

数据驱动的锂离子电池健康状态综合评分及异常电池筛选

锂离子电池是电动汽车和储能系统最重要的组成部分,其故障预测和健康管理对于运行维护至关重要.数据驱动的方法较基于模型的方法更适合大规模工程应用,针对实际应用中工况复杂和数据质量较差的场景,提出数据驱动的健康状态综合评分及异常筛选算法,具有较强的适应性.首先,针对电池实际运行工况提出一种新的特征提取方案,可适用于非恒流的不...     

温度和老化影响下的锂离子电池荷电状态和健康状态联合估计方法研究

锂离子电池被广泛应用于电动汽车、储能电站和电子产品,精确的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是其安全和高效应用的基础.然而,由于温度和老化状态变化引起的电池非线性动力学特性严重影响了状态估计的准确性.以三元锂离子电池为例开展研究:①分析电池在不同老化阶段、温度和SOC区间下的开路电压行为特性,提出一种考虑老化、温度和SOC的开路电压模型;②建立等效电路模型,提出一种基于多时间尺度扩展卡尔曼滤波算法(Multi-scale extended Kalman filter,MEKF)和衰减记忆的近似加权总体最小二乘算法(Fading memory approximate weighted total least squares,FMAWTLS)的电池SOC和SOH联合估计方法,其中,使用MEKF的宏观尺度估计模型参数、微观尺度估计SOC,使用FMAWTLS估计SOH;③应用不同老化状态和温度的电池数据开展算法验证,结果表明SOC和SOH的最大估计误差均小于3％.建立的开路电压模型和联合估计方法为温度和老化影响下的SOC和SOH估计提供了新的思路.     

基于实车运行数据的锂离子电池健康状态估计

准确估计锂离子电池健康状态(State of health, SOH)对电动汽车安全管理具有重要意义,针对实车数据存在电池状态不完整、工况复杂、数据质量差的问题,提出面向实车数据的多工况健康因子提取 SOH 联合估计方法。首先,提出实车运行数据工况重构方法, 将数据划分为行驶片段和充电片段, 降低电池工况复杂性。 然后, 分别构建行驶工况和充电工况的 SOH评价模型用于 SOH 估计。对于行驶工况, 选择内阻作为 SOH 评价指标, 通过等效电路模型辨识内阻参数, 基于 Auto-LightGBM的电池内阻建模方法估算 SOH;对于充电工况,选择容量作为 SOH 评价指标并通过提取恒流充电片段计算电池容量,再提取容量的影响特征,建立容量模型并估计电池 SOH。结果表明,基于内阻和容量的建模方法平均绝对百分比误差均小于 9%。最后, 建立结合充电与放电的 SOH 综合评价模型, 提出融合充放电片段的电池 SOH 联合估计方法, 基于实车运行数据的 SOH误差在 2%以内,并在实验室数据和多辆实车数据上验证方法的可靠性和适应性。     

基于经验模态分解的锂离子电池健康状态预测

电池健康状态(State of health, SOH)预测是确保电子系统运行可靠性和安全性的关键因素。为了准确地预测锂离子电池SOH的整体退化趋势和局部容量再生现象,提出一种将经验模态分解(Empirical mode decomposition, EMD)与门控循环单元(Gated recurrent unit, GRU)和差分自回归移动平均模型(Autoregressive integrated moving average model, ARIMA)相融合的锂离子电池SOH预测方法。首先,利用EMD将电池原始SOH序列进行多尺度分解,并通过计算分解子序列的连续均方误差找到高低频分界点;然后,GRU用于预测具有强烈数据波动的高频子序列,ARIMA用于预测剩余的低频子序列和残差;最后,将每个子序列的预测结果进行叠加以获得最终预测结果。试验结果表明,与其他文献中预测方法相比,基于经验模态分解的融合模型具有更高的预测精度,可以更好地捕捉电池SOH整体退化趋势和局部容量再生特性。     

锂离子动力电池能量密度特性研究进展

动力电池作为新能源纯电动汽车的动力源,其能量密度与整车的续驶里程及安全性等密切相关,而锂离子电池具有高能量密度和长寿命等特点,是当前新能源汽车动力电池的主流选择.基于锂离子电池发展史和我国第1～48批《免征车辆购置税的新能源汽车车型目录》中2 000余款纯电动乘用车的锂离子动力电池能量密度数据,系统研究了锂离子动力电池能量密度演变趋势,回顾了我国锂离子动力电池能量密度的提升历程及其对推动新能源汽车发展起到的良好作用.在此基础上,从电极材料、电池工艺和成组结构等3个方面,剖析了锂离子动力电池能量密度提升技术方案的优势与不足;并从电池能量密度和安全性的关联性出发,总结了高能量密度电池在设计、制造和使用等全生命周期中的安全技术,展望了锂离子动力电池未来的发展趋势,为新能源汽车行业未来的健康发展提供参考.     

六自由度振动老化条件下锂离子电池的衰退机理诊断与 SOH 预测

电动汽车锂离子电池会受振动与老化影响而加速衰减,为了诊断振动老化条件下的衰退机理,实现健康状态(SOH)预测,采取如下措施:首先,分析电池受振动影响的衰减结果;其次,辨识衰退模式,利用容量增量-微分电压(IC-DV)曲线对衰退模式进行量化,Z组结果为:活性物质损失(36.94%)、锂离子损失(35.12%)、电导率损失(1.9%);最后,将量化结果输入建立的GA-Elman模型实现SOH预测,结果误差保持在5%以内,满足电池管理系统(BMS)预测的要求。该研究为振动老化条件下锂离子电池的衰退机理诊断与SOH预测提供了依据,有助于BMS制定相关策略延长电池使用寿命。     

锂离子电池热-电特性耦合建模与可视化研究

锂离子电池电化学反应和产热过程复杂,影响因素繁多,其精确的数学建模和内部状态可视化是动力电池系统管理的基础。考虑电池外形特点和微观几何结构,建立了动力电池电化学和热特性的耦合机理模型;分析模型参数体系,提出了拆解测量和测试数据驱动辨识相结合的耦合机理模型参数获取方法;建立锂离子电池电化学反应过程的数值解析方程,应用颗粒内部锂离子扩散机理实现了固相锂离子浓度可视化,解释了温度和倍率对容量的耦合影响。完善扩展了动力电池系统的测试平台,开展了模型验证和评价试验,结果表明,端电压预测误差低于50 mV,温度估计误差低于2℃。     

基于多物理过程约束的锂离子电池优化充电方法

锂离子电池在快速充电过程中极易触发内部过热,并加速寿命衰退,因此在确保快速充电的同时主动约束锂离子电池重要中间物理状态具有重要意义。因此,提出一种基于多物理过程变量约束的电池快速充电方法。建立电-热-老化综合模型,并在典型充电场景下进行电热模拟精度验证;在此基础上,设计基于模型的荷电状态与内部温度估计方法,兼顾充电速度、温度约束与寿命衰退抑制,设计基于模型预测控制的快速充电策略。试验验证结果表明,所提出的充电策略能主动限制电池内部温度始终低于预定阈值,在相似的充电速度前提下,所提出的充电策略相比优选的恒流恒压充电法具有更低的寿命衰减速率,两者200次快充-放电循环的容量衰减分别为2.12%和4.88%。所提出的快速充电策略基于模型预测控制方法实现了电池内部状态的有效约束,综合提升了锂离子电池充电过程的快速性、安全性和耐久性。     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

基于健康因子和混合Bi-LSTM-NAR模型的锂离子电池剩余寿命预测

为准确预测锂离子电池剩余寿命、降低电池工作风险,提出一种新的锂离子电池剩余寿命在线预测模型。基于锂离子电池历史运行数据提取6种健康因子,用于表征电池的退化状态;采用随机森林(RF)算法完成健康因子的评价与筛选;利用经遗传算法优化的广义回归神经网络(GA-GRNN)完成锂离子电池剩余容量的估计。在此基础上,应用结合双向长短期记忆(Bi-LSTM)网络模型和非线性自回归(NAR)神经网络的混合模型(混合Bi-LSTM-NAR模型)预测锂电池剩余寿命。以NASA公开数据集为例完成案例研究,结果表明：通过因子筛选,可以为锂离子电池容量估计及剩余寿命预测的精度提供保障;与已有方法的预测结果相比,所提混合预测模型的预测精度显著提高。     

电动汽车磷酸铁锂电池组热特性研究

电池作为电动汽车的能量来源,在使用过程中会产生大量的热而影响电池的工作性能和使用寿命.分析并计算了磷酸铁锂电池的产热量和产热率,利用ANSYS建立了某型磷酸铁锂电池组的热模型,并对该电池组进行了热特性分析;对电池组的热管理提出了改进方案,通过建模仿真验证了改进方案的有效性.     

基于机械振动信号的锂离子电池组连接故障诊断

为满足高电压大容量的实际应用场景和需求,锂离子电池组往往由成百上千的电池单体通过螺栓、焊接等方式串并联组成。电池组单体间的连接故障会导致接触电阻升高和连接处异常发热,严重影响电池组的性能和安全。提出一种基于机械振动信号的锂离子电池组连接故障诊断方法。利用压电陶瓷传感器实现电压信号和振动信号的相互转换,在每种故障模式下采集振动信号;基于稀疏测度指标和熵测度方法在频域和时域提取故障特征以描述锂离子电池组在不同连接故障模式下的故障特性;利用最大相关最小冗余算法降低高维特征空间的冗余度,选择出最重要的特征;在此基础上,建立基于差分进化算法优化的支持向量机诊断模型。结果表明,该方法诊断准确度为0.963,可以准确检测到锂离子电池组的连接故障并明确故障发生的位置。     

基于历史数据的车载锂离子电池异常诊断

由于车载动力电池的劣化存在时变性、路径依赖性及不一致导致的随机性,通过后台历史运行数据判断电池异常,识别电池安全风险逐渐成为技术发展趋势。目前针对历史数据的异常诊断存在忽略电池老化时变性和对等效模型及循环数据过度依赖等问题。通过组内不一致性分析,基于统计学迭代筛选异常电池并提取健康电池参考电压;建立偏离指数表征模型,分析单次充电过程中电压离群变化规律,从短时间尺度诊断电池异常程度和类型;基于变异系数法,构建全历史过程综合偏离指数矩阵,从长时间维度的突变性判断电池异常变化速度。故障实例及批量分析结果表明,该异常诊断方法不仅可以准确诊断电池包中的异常电池,还可有效对劣化趋势进行量化,为故障预警和合理化干预措施提供依据。     

可重构卫星锂离子电池剩余寿命预测系统研究

针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法.首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路.实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景.