基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

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.     

基于实车数据的电动汽车电池健康状态估计

针对实际工况下电动汽车电池充放电电流不稳定,难以获取满充满放数据带来的电池健康状态估计困难的问题,研究以容量作为健康状态评价指标,以安时积分逆过程计算的深度充电片段电池容量及实车运行特征数据为数据样本,建立特征数据和容量之间的机器学习模型,得到剩余充电片段容量的估计,提出了一种结合安时积分法和机器学习模型对全时间段电池健康状态进行估计的方法.模型评价结果表明,该方法合理有效,对实际工况下电动汽车电池健康状态的实时估计有重要意义.     

基于电化学模型的锂离子电池荷电状态估计方法综述

荷电状态(SOC)的准确估计是电池管理系统的重要功能之一.当前,基于模型的方法是实现锂离子电池SOC估计最常用的解决方案.相比于等效电路模型(ECM),由于电化学模型(EM)能够实现耦合电化学机理的SOC估计,逐渐成为下一代高级电池管理系统的研究重点.然而,现有基于模型的锂离子电池SOC估计方法的研究大多集中在ECM上...     

基于数据-模型混合驱动的锂电池储能系统状态估计及预警方法

作为调控源-网-荷可靠运行的有效手段,电池储能已向更大规模迈进,而储能电池运行安全和可靠问题是制约其进一步发展和应用的关键环节。针对储能锂电池的运行状态估计和预警问题,本文提出一种基于数据-模型混合驱动的非线性状态估计方法。首先,以经典Thevenin电路模型和扩展卡尔曼滤波构建锂电池的数学模型;然后,提出基于实际系统与模型仿真系统运行状态偏差的非线性估计方法,实现对数-模偏差的有效估计进而实现电池的预警过程;最后,通过仿真算例验证本文所提方法受模型精度、误差以及充放电电流幅值等因素影响较小。本文首次将非线性状态估计（NSET）应用于锂电池预警中,利用模型驱动方法即扩展卡尔曼滤波结合数据驱动方法即NSET,可通过简单的计算精确估计储能锂电池的实时状态并进行预警,具有工程实际应用价值。     

基于降阶电化学模型估算锂离子电池状态

提出一种锂离子电池降阶电化学模型,基于单粒子电池模型,通过拉普拉斯变换、帕德近似和离散化等处理,提高模型解算速度.该模型使用扩展卡尔曼滤波(EKF)算法设计电池状态估计器,具有较高的估计精度,除电压以外的状态量估计误差均低于1％,电压估计误差控制在约2％.在电池状态初始估计值有较大误差的情况下,可实现快速收敛.     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于充电电压片段和融合方法的锂离子电池SOC-SOH-RUL联合估计

对锂离子电池的荷电状态(state of charge,SOC),健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)进行准确估计是锂离子电池安全稳定运行的重要保障,该文提出一种结合充电电压片段和等效电路模型(equivalent circuit mod...     

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。     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

基于GA和PSO的电动客车锂离子电池SOC估计

以广州某巴士企业电动公交在实际运行和停车充电状态下的电压、电流和荷电状态(SOC)的数据,分别建立基于支持向量回归机(SVR)的锂离子电池放电和充电的SOC估计模型,并利用网格搜索法(GS)、遗传算法(GA)和粒子群算法(PSO)进行参数优化,对比估计精度和拟合优度.处理放电阶段数据时,基于PSO优化后的SOC估计模型...     

基于多新息CDKF算法的锂电池SOC估计

锂电池荷电状态(SOC)作为电池管理系统的核心指标之一,对电池管理系统运行起到至关重要的作用,其估计性能和鲁棒性是研究的重点.为提升SOC估计性能,建立二阶RC等效电路模型,将多新息理论(MI)与中心差分卡尔曼滤波算法(CDKF)结合,提出一种基于多新息的中心差分卡尔曼滤波算法(MI-CDKF),充分考虑当前时刻新息与...     

锂离子电池的健康状态估计研究现状分析

随着大型储能设备的发展与应用,特别是电动汽车,为保证电池拥有良好的工作性能,对电池进行有效健康状态估计(SOH)是完善和提高电池管理系统必不可少的。因此,针对锂离子电池健康状态估计,从影响因素、电池模型,以及估计方法进行总结,阐明发展方向。     

电动汽车电池荷电状态估计研究综述

电池荷电状态估计是近年来电动汽车电池管理系统的研究热点,分为电池模型和估计方法两个部分。针对种类繁多、功能各异的电池模型和估计方法,从原理、特点和适用范围3个方面作出分类和讨论。综合当前电池荷电状态估计有待解决的问题,对其发展趋势进行了展望。     

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health, SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter, PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model, MGM)和时间卷积网络(temporal convolutional network, TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。     

电池管理系统算法综述

锂离子电池由于其高能量密度和使用寿命长等优点成为储能的首选,锂离子电池系统的安全运行、状态估算、剩余寿命预测都由电池管理系统(BMS)管理,故BMS对电池系统的使用和稳定至关重要.主要关注以动力电池为代表的电池系统,综述了数据驱动方法的各种算法在BMS系统的应用.概述了BMS电模型的电化学模型、等效电路模型、数据驱动模型的特点,热建模的电模型、热模型、热-电耦合、热-电化学耦合模型的应用范畴.介绍了卡尔曼滤波、神经网络、向量机在SOC估计的应用,粒子群算法、HI-DD-AdaBoost.RT(不等式漂移检测自适应增强学习/阈值回归算法)、卡尔曼滤波在SOH估计的应用剩余寿命预测方面,介绍了经验预测、滤波预测、时间序列预测法.     

基于状态与模型参数联合估计的老化电池可充入电量估计方法

在电力系统中,电池储能得到了广泛的应用,为了保证电池储能系统的运行效果,有必要对电池状态进行准确估计,电池实际可以充入的电量在一定程度上决定了电池的能量存储能力,然而仅通过电池电压、电流和温度等外部特性参数难以准确体现电池实际可充入电量状态,尤其在电池健康状态衰退的不同阶段其可充入电量估计问题一直以来都难以得到有效解决。因此,该文以Thevenin等效电路模型为基础,提出了电池可充入电量的概念,构建了可充入电量与电池开路电压（OCV）的对应关系曲线,分析了电池老化后直流内阻变化对电池可充入电量的影响,提出了基于双自适应双扩展卡尔曼滤波（ADEKF）的电池状态和模型参数联合估计方法,实现了任意老化状态电池的可充入电量在线估计。以3节不同老化程度的三元锂电池为研究对象,在联邦城市运行工况（FUDS）下验证电池状态和模型参数估计结果,在0.5C倍率恒流充电工况下验证可充入电量损失的估计结果。实验结果表明,对于新电池,FUDS工况下可充入电量估计误差小于1%,对于实验用老化电池,最大可充入电量估计误差为2.7%。通过3节不同老化程度电池在恒流0.5C倍率恒流充电下的状态估计结果比较,进一步验证...     

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义.针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dro...     

一种基于改进网格搜索和广义回归神经网络的锂离子电池健康状态估计方法

为了准确估计锂离子电池的健康状态,本文提出一种新的基于改进网格搜索(GS)和广义回归神经网络(GRNN)的估计方法.首先,对集中的数据进行处理,并通过相关性分析方法,提取有效的特征数据,包括电压、电流等.其次,提出一种基于改进网格搜索和广义回归神经网络的回归模型来估计电池的健康状态.最后,使用两个锂离子电池公共数据集验...     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。