基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。     

基于PCA-GPR的锂离子电池剩余使用寿命预测

从充电过程中的电压-容量曲线中提取出一个与电池寿命高度相关健康因子（HI）。然后利用主成分分析（PCA）对影响电池寿命的多维因素进行分析和降维,结合高斯过程回归（GPR）机器学习方法提出一个基于PCA-GPR的锂离子电池剩余使用寿命预测模型。最后进行锂离子电池剩余使用寿命预测并与PCA-BP神经网络、PCA-支持向量机（SVM）模型进行比较。结果表明,利用该文提出的HI及预测模型可有效提高锂离子电池剩余使用寿命预测精度,其中通过贝叶斯优化器优化后的PCA-GPR模型的预测效果最佳。     

基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。     

基于VF-DW-DFN的锂离子电池剩余寿命预测北大核心CSCD

锂离子电池作为各类储能系统与设备的重要组成部分,准确预测锂离子电池的剩余使用寿命对于保障电池相关产业和设施的可靠性与安全性起着关键作用。针对锂离子电池剩余寿命预测中存在的非平稳、非线性特性导致单一数据驱动方法的预测精度低、泛化性能差等问题,提出了一种基于变分滤波、数据规整和深度融合网络的数据驱动融合(VF-DW-DFN)方法。首先,利用变分滤波法去除原始电池退化序列中的随机噪声干扰,得到相对平稳的退化特征数据。然后,采用最优嵌入法构造预测滑窗,实现特征数据规整,减少信息损失。其次,设计了一种新型深度融合网络对电池非线性退化数据进行建模,辨识电池数据中的退化模式,实现最终的锂离子电池剩余寿命预测。最后,在钴酸锂锂离子电池数据集上进行了剩余寿命预测实验,实验预测的平均均方根误差为1.41%,平均剩余寿命绝对误差小于2个循环周期。实验结果表明所提出的方法泛化性能好,预测精度高,误差小,能够对锂离子电池的退化过程进行有效建模和准确预测。     

基于SVD-SAE-GPR的锂离子电池RUL预测北大核心CSCD

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。     

锂离子电池建模现状综述

简述了我国用于大规模储能的锂离子电池建模技术的最新研究进展.由于储能技术可以起到平抑波动、提高电能质量的作用,所以近年来电网对于储能的需求也逐年增大.大规模储能系统由锂电池组、双向逆变器和电池能量管理系统组成,在双向逆变器和电池能量管理系统有现成可用模型的前提下,建立精确、可靠的锂离子电池模型便成了实现大规模储能工程应...     

电动汽车用锂离子电池SOC估算方法综述

综述了锂离子电池荷电状态(state of charge,SOC)估算方法的研究进展.作为电动汽车电池管理中的重要指标,SOC表征了电池在当前循环中剩余的电量.准确的SOC估算可有效地避免电池工作于过低电量等不良工况,保证电池始终运行在安全的状态中,从而有效提高电池使用的效率和延长使用寿命.介绍并比较了几种常用的SOC...     

锂离子电池电化学仿真技术综述

锂离子电池是一个多尺度、多物理场的系统.在进行锂离子电池正向开发过程中需要考虑诸多电芯设计和工艺设计因素.在材料层面,有正负极的活性物质、导电剂、黏结剂、电解液的物理化学性能;在极片层面,有极片的孔隙率、涂层厚度、极片尺寸等因素;在电芯层面,有极片的叠片或者卷绕的方式、集群的排布方式等因素.因此需要花费大量的时间进行反...     

基于WOA-XGBoost的锂离子电池剩余使用寿命预测北大核心CSCD

使用早期数据准确预测电池剩余使用寿命(RUL)可以加速电池的改进和优化。然而电池退化过程是非线性的,且在早期阶段容量衰减可忽略不计,使得RUL预测具有挑战性。为解决这一问题,本工作使用电池早期循环数据,并构建WOA算法和XGBoost算法的混合预测模型预测RUL。文章首先对电池实验数据进行预处理,观察放电电压-容量退化曲线和容量增量曲线的变化,选取与实际容量状态相关性较高的潜在特征,并将其时间序列数据作为XGBoost预测模型的输入,然后采用WOA算法对模型进行参数优化。最后使用由丰田研究所提供的84个在多步充电和恒流放电条件下的锂离子电池数据进行验证,结果表明所提出模型仅使用前100个周期循环数据即可对整个电池寿命预测,测试误差低于4%。     

基于SMIV-1DCNN的燃气轮机剩余使用寿命预测方法研究

为了实现船用燃气轮机剩余使用寿命的预测,对燃气轮机健康监测参数进行斯皮尔曼(Spearman)相关关系分析,采用平均影响值(Mean Impact Value, MIV)进一步分析监测参数对性能退化的敏感性,筛选出敏感特征;对得到的燃气轮机特征参数进行预处理,以消除外界环境的影响;研究了一维卷积神经网络(One Dimension Convolutional Neural Networks, 1DCNN),挖掘滑窗特征参数与运行时间的映射关系,实现燃气轮机剩余使用寿命预测。基于美国国家航天局发布的航空发动机退化数据集,验证了SMIV-1DCNN剩余使用寿命预测方法的有效性;开展了船用燃气轮机性能退化剩余使用寿命预测仿真试验。仿真试验结果表明,该方法不受燃气轮机初始状态影响,剩余使用寿命预测绝对误差56.10、平均绝对百分误差107.87、均方误差70.95,预测性能优于BP神经网络、LSTM神经网络与GRU神经网络。     

锂离子电池健康状态预测研究现状

对目前主要的锂离子电池健康状态（SOH）预测方法进行分类和评价,包括基于模型法、数据驱动法、混合法和其他方法四个大类。分析了每种方法的特点及其在应用中的优势和不足,并结合实际应用,对不同方法的适应性进行评价并探讨其未来发展方向。     

锂离子电池健康状态估算方法研究进展

随着锂离子电池(Lithium-ion batteries,LIB)在电动汽车、储能电站和备用电源等领域的广泛应用,准确、及时地估计电池健康状态(State of health, SOH)是确保电池系统运行可靠性和安全性的关键因素。锂离子电池内部复杂的电化学反应和多变的外部使用条件,使得实现精准的健康状态估计具有挑战。随着人工智能、大数据分析等技术的快速发展,电池SOH评估的方法也逐渐多样化。首先介绍电池的老化机理和SOH概念,随后介绍了实验法、基于模型、数据驱动和融合方法,详细分析了每种方法的特点,并比较了在实际应用中相应的优势和局限性。最后,对SOH估算的未来趋势进行了展望。     

锂离子电池单颗粒动力学表征方法综述北大核心CSCD

传统的电池材料性能测试方法将材料制成半电池或全电池,并根据电池性能(如能量密度、倍率性能、体积形变等)反推材料性能,如实际克容量、平衡电势、扩散系数、离子/电子电导、交换电流密度、体积膨胀率等。该方法存在以下两方面问题:第一,误差显著:电池含有多种材料,单体性能测试结果受到不同材料各自热/动力学过程的混合影响,不能反映单一材料性能;第二,浪费巨大:电池单体容量远超单个粉体颗粒容量,以单体为对象进行材料性能测试将浪费大量物料、电能、时间。综合比较不同尺度电池研究对象后,本工作认为直接对单个颗粒开展电化学测试既剥离了电极中非活性物质及孔隙的影响,又保留了材料缺陷、微观结构等特性,是目前表征材料动力学性能的理想方案。本工作围绕锂离子电池单颗粒动力学表征方法,梳理了单颗粒尺度测试技术,并在测试体系、测试对象、对象可选择性、嵌锂态控制、外部应力等方面综合比较了各种方法。基于此,从材料性能表征与材料参数获取两方面论述了基于接触式单颗粒微电极和连接式单颗粒微电极的动力学表征方法。最后,综述了单颗粒动力学表征方法与其他材料表征方法的联用案例以及发展方向。     

快速充电锂离子电池研究进展

电池产业发展的重要方向之一是提高锂离子电池快速充电能力。然而,快速充电电池经常遭受容量和功率性能衰减。快充电池开发涉及多尺度问题,因此要从原子层面到电池水平进行充分考虑。从现有的文献资料出发,概括总结了开发具有快充性能电池的一些关键要素。这些要素包括提高正极材料锂离子迁移速度、加快锂离子嵌入负极材料的速度、提高电解液离子导电性、选择快充型隔膜、提高电极离子和电子导电性以及充电策略的选择。