基于充电数据片段和GA-ELM的锂电池SOH在线估计

锂电池的健康状态（state of health,SOH）对于电池安全稳定运行有着至关重要的作用。然而,电池在线运行时难以对其内阻和容量进行直接测量。因此,提出了一种基于充电数据片段和遗传算法优化的极限学习机（genetic algorithm-extreme learning machine,GA-ELM）的锂电池SOH估计方法。通过从电池的充电电压片段数据中提取不同电压区间内电压对时间的积分作为健康因子（health factor,HF）,并用皮尔逊相关性分析法找到最优电压区间。最后,使用遗传算法寻找ELM网络结构参数的最优解集,建立起锂电池HF和SOH的估计模型,实现SOH的在线估计。使用NASA数据集对所提方法进行了验证,证明了所提方法具有很好的准确性和可靠性。     

磷酸铁锂退役电池储能系统健康度在线评估研究

电池健康度快速在线评估是提高退役电池储能系统运行过程一致性与安全性的重要技术之一。对磷酸铁锂退役电池储能系统健康度在线评估进行研究,采用概率密度函数分析磷酸铁锂退役电池储能系统充电电压变化特征,以及充电电压与电池健康度的关系。研究结果表明,在单体电池充电电压范围较为一致时,电池健康度与充电电压最大概率密度之间有较好的线性关系;在单体电池充电电压范围相差较大时,抛物线拟合模型能够较好地反映充电电压最大概率密度与电池健康度之间的关系。利用构建的电池健康度模型,通过实时采集磷酸铁锂退役电池储能系统充电电压数据,可以实现电池健康度的快速在线评估。     

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。     

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.     

面向直流操作电源系统的LiFePO4电池性能优化控制研究

磷酸铁锂电池电压变化范围较宽且充放电特性敏感,一般不宜简单应用于需要长期处于浮充状态的直流操作电源系统。为此,提出了一种磷酸铁锂电池在直流操作电源系统应用中的优化控制方案,根据磷酸铁锂电池工作状态,利用AC/DC充电电源优化控制电池的充放电电流大小,使电池在浮充状态下获得电池期望的充放电电流,以实现磷酸铁锂电池在直流操作电源系统中的安全高效经济应用。首先,基于直流操作电源系统指标要求与磷酸铁锂电池性能优化要求,确定其期望的充放电状态与充放电电流值;然后,根据磷酸铁锂电池期望的充放电电流值与内部等效状态,在允许的电压波动范围内调节直流操作电源系统中AC/DC变换器的输出电压,迫使磷酸铁锂电池的实际充放电电流趋于期望的充放电电流,从而优化磷酸铁锂电池的性能。最后通过理论分析与实例分析说明了方案的可行性。     

锂离子动力电池的不同充电方式

通过对磷酸鉄锂电池和三元电池恒流恒压充电方式的研究,考察了不同充电电流、不同截止电压及不同材料体系对电池恒流恒压充电的影响。结果表明,在不改变截止电压的情况下,随着充电电流的增大,恒流充入比减小,总充电容量相近,但能耗增加;在不同充电截止电压下,随着充电截止电压的降低,恒流充入比减小,充电容量和能耗都在减少,为保证电池容量,磷酸铁锂电池充电截止电压不能低于3.4 V;而不同材料体系对电池的充电方式影响也不同。     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。     

基于电压极差特征的储能电池组早期健康状态检测

为了更加高效地评估储能电池组的健康状态（SOH）,提出一种基于电压极差特征的早期健康状态检测方法。首先基于大容量磷酸铁锂储能电池组开展循环老化试验,测量每次循环的电压极差信号,并从中提取关键时间点的电压特征;其次,基于皮尔逊（Pearson）相关系数及灰色关联度分析法（GRA）筛选与电池组老化高度相关的健康因子。最后,通过麻雀搜索算法（SSA）优化双向长短时记忆网络（BiLSTM）的超参数,搭建SSA-BiLSTM健康状态估计模型,实现储能电池组SOH评估;并结合常规机器学习算法验证了健康因子的有效性和估计模型的优越性。结果表明,所提取充放电静置30 min的电压极差特征能够有效反映电池组容量衰退趋势,多种模型验证下SOH估计误差均低于±0.8%。其中,本文所提出的SSA-BiLSTM模型均方根误差（RMSE）低至0.07%。因此该方法能够有效地对大容量储能电池组的SOH实现在线监测。     

磷酸铁锂电池模组健康度快速评估方法研究

电池健康度的快速评估是低成本的退役电池梯次利用的关键技术之一。该文采用概率密度函数分析了磷酸铁锂电池模组充放电过程中工作电压的变化规律,研究了概率密度和概率这两个特征指标与电池健康度的关系。研究结果表明,无论是充电过程还是放电过程,电池模组健康度与概率密度之间有很好的线性关系,用概率密度这个特征指标可以作为磷酸铁锂电池模组健康度的快速评估指标。放电过程中电池模组健康度与概率之间有较好的线性关系,但是不如概率密度的线性关系好。     

基于新健康指标的锂离子电池容量估计研究

最大可释放容量和内阻常用于锂离子电池的健康状态估计,由于操作条件复杂,在线应用的容量通常难以估计。此外,测量内阻成本高,无法在线测量。通过对NASA PCoE的数据进行分析,提出了一种新的健康指标(HI)用于锂离子电池容量估计。通过对原始健康指标的提取,利用Box-Cox变换对提取的HI序列进行优化,提高健康指标与容量的相关性。实验结果表明,新建立的健康指标对锂离子电池容量估计具有较高的精确度,为锂离子电池健康状态估计提供了理论基础。