基于FA-BP神经网络的锂离子电池SOH估算

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题.对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧...     

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。     

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CS-SVR模型的锂离子电池SOH预测

提出基于布谷鸟搜索(CS)和支持向量回归(SVR)的锂离子电池健康状态(SOH)预测算法,通过CS进行SVR参数寻优,得到优化的SVR模型。以单次放电过程的平均电压和温度作为模型输入,得到SOH预测结果并计算预测误差。根据误差、采用CS算法进行模型优化,得到数据集中第5、7号电池预测的误差分别稳定在0.50%和0.75%以内。采用效果较好的基于平方指数和周期协方差函数(SE)的多尺度高斯过程回归(MGPR)算法、基于改进粒子群(IPSO)优化的SVR算法和基于遗传算法(GA)优化的SVR算法作为对比。CS-SVR算法与GA-SVR算法相比,预测结果更加准确,在第5号电池上的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别下降了0.31%和0.3,在第7号电池上则分别下降了0.14%和0.13。     

HELM实现锂离子电池SOH在线估算

锂离子电池的健康状态(SOH)估算对电动汽车的稳定安全运行十分重要,是提前预知电池寿命保障系统正常运行,避免灾难性事故发生的关键之一。针对目前健康因子(HI)构建复杂以及现有SOH估算方法模型参数多且复杂、耗时长等问题,提出了利用可直接测量的电池恒流充电时间和放电电压样本熵作为HIs表征电池的容量退化,降低HI构建的复杂度。引入分层极限学习机(HELM)模型建立SOH在线估算框架,以所构建的两种新HIs作为输入,离线训练HELM电池退化模型实现SOH在线估算。采用美国宇航局(NASA)、牛津大学(Oxford)公开数据集与自测数据集验证所提出的HELM框架对三元锂电池和钴酸锂电池SOH估算的有效性。训练样本和估算样本在相同温度条件下,最大绝对误差不超过1.05%,SOH估算精度较高;当温度条件和电池类型不同时,最大绝对误差不超过2.1%,表明该SOH估算框架具有较好的泛化性与迁移性。     

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。     

动力锂离子电池研制

伴随着锂离子电池的发展,动力锂离子电池的应用在不断扩大,尤其是在电动汽车、电力、通讯等领域,其自身的特质得到了充分体现、认可。主要介绍8Ah和50Ah两款动力电池研制情况,这两款电池已经实现了批量生产,通过长期的使用,其安全性、可靠性等方面得到不断提高和完善。     

基于UKF的18650锂离子电池健康状况估计

根据18650型锂离子单体电池的特性分析,建立了电路等效模型和电化学模型相结合的电池模型,以实时在线辨识锂离子电池欧姆内阻为目标,利用无迹Kalman(UKF)滤波算法,实现了对电池欧姆内阻的在线辨识,开展了锂离子电池健康状况(SOH)估计实验,建立了适用于18650型锂离子电池的SOH估计模型。仿真结果显示,该模型同时考虑电池内阻在不同工况下的变化趋势和充放电电流大小等因素,为实现锂离子电池健康状况精确估计提供了较好的理论基础。     

基于RNN的锂离子电池SOC估算研究进展

深度学习的日益流行和不断的突破,积极地推动了估算锂离子电池荷电状态(SOC)新方法的研发.常用于文本翻译、语音识别等领域的循环神经网络算法已开始应用在电池SOC估算领域.概述了几种常用于电池SOC估算的循环神经网络算法,并根据结构复杂度将其分为简单、深度以及扩展循环神经网络算法.此外,从模型输入变量、数据预处理、循环神...     

动力锂离子电池故障分析

在锂离子动力电池在应用过程中,充放电精度、控制策略以及电池筛选匹配方式,都会影响电池组的一致性和稳定性,导致故障的发生,针对其故障发生的特点及类型进行实验分析,通过制定相应的应对方法,提高电池组的稳定性,并提出了电池组故障预警机制,提前预估电池可能出现的故障情况,保证电池组稳定应用。     

基于蚁群神经网络算法的电池健康状态估计

电池健康状态(SOH)是进行电池健康监管和维护的重要依据。以某种车用磷酸铁锂单体电池为实验对象,提出了一种蚁群算法优化后的神经网络算法,以电池直流内阻定义SOH,并将该算法应用到电池健康状态估计模型。结果表明所提出的模型和方法预测电池最大直流内阻误差为0.1 mΩ,平均误差为0.049 mΩ,表明该方法能较为准确地预测电池直流内阻,实时反映电池的健康状态。     

State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review

Lithium-ion batteries (LIBs) are crucial for the large-scale utilization of clean energy. However, because of the com-plexity and real-time nature of internal reactions, the mechanism of capacity decline in LIBs is still unclear. This has become a bottleneck restricting their promotion and application. Electrochemical impedance spectroscopy (EIS) contains rich electrochemical connotations and signifcant application prospects, and has attracted widespread atten-tion and research on efcient energy storage systems. Compared to traditional voltage and current data, the state-of-health (SOH) estimation model based on EIS has higher accuracy. This paper categorizes EIS measurement methods based on diferent principles, introduces the relationship between LIBs aging mechanism and SOH, and compares the advantages of diferent SOH estimation methods. After a detailed analysis of the latest technologies, a review is given. The insights of this review can deepen the understanding of the relationship between EIS and the aging efect mechanism of LIBs, and promote the development of new energy storage devices and evaluation methods.     

电动汽车用锂离子动力蓄电池标准解析

随着电动汽车产业的迅速发展,电动汽车用动力蓄电池的标准化越来越受到国内外的重视.锂离子动力蓄电池以能其高比能量和长循环寿命被认为是目前动力蓄电池的首选,但其安全性也是人们广泛关注的热点.对国内外针对电动汽车用锂离子动力蓄电池的标准进行了总结分析.     

基于模糊卡尔曼滤波算法的动力电池SOC估计

为了改善传统卡尔曼滤波算法估计SOC时量测噪声的影响,提出了将传统卡尔曼滤波算法与模糊控制相结合的动力电池SOC的自适应估计方法。通过实时监控量测噪声实际方差与理论方差之间的差值,实现对量测噪声协方差矩阵的实时在线调整,提高算法在实际应用中的鲁棒性。通过基于联邦城市行驶工况(FUDS)验证混合算法的有效性。结果表明,基于模糊卡尔曼滤波算法的SOC估计最大误差仅为0.21%,高于传统卡尔曼滤波估计精度最大误差0.53%。仿真结果表明,该方法可以有效解决传统卡尔曼滤波算法估计不准和累计误差的问题。     

废旧锂离子电池回收再利用研究进展

按火法冶金法和湿法冶金法对便携式锂离子电池回收再利用技术进行分类总结,其中湿法冶金技术回收率高,得到了广泛应用。湿法冶金回收过程包括电池前处理、材料溶解、元素回收或材料再生等几个步骤,元素回收是湿法冶金技术中应用最广的资源再利用方式,主要回收方法有沉淀法、电化学法、离子交换法、萃取法、盐析法等。大容量锂离子电池的回收再利用尚无成熟技术,对其中存在的安全性和经济性问题进行了分析。根据锂离子电池行业的可持续发展要求,大容量锂离子电池的回收再利用技术研究需要引起重视。     

锂离子电池硅基负极材料研究进展

硅基负极材料由于具有理论比容量高等优点,有望成为替代商业化石墨或碳负极的材料.然而,在充放电循环过程中,容量迅速衰减阻碍了硅负极在商业上的使用.主要介绍了近年来硅基负极材料(硅单质、硅氧化物、硅复合物以及采用不同的粘结剂)的研究进展,阐述了硅基材料作为锂离子电池负极材料的研究前景.     

锂离子电池浆料的研究

用控制变量法研究了CNH-1和DSJ-1两种型号的人造石墨作为负极活性材料的浆料制作工艺,并测试了成品电池的性能。结果显示以CNH-1为负极活性物质的电池容量性能较好,以CNH-1和DSJ-1混合石墨为负极活性物质的电池电压性能较好,以DSJ-1为负极活性物质的电池容量和电压综合性能较好。     

基于能量加权高斯过程回归的锂离子电池健康状态预测

针对容量再生现象影响锂离子电池健康状态预测(SOH)建模精度的问题,提出一种经验模态分解(EMD)的能量加权高斯过程回归(EWGPR)方法。该方法将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用EMD分解获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH预测模型。基于NASA锂电池数据集的仿真实验结果表明,EWGPR方法比基本GPR算法具有更高的精度和适应性,单步预测和多步预测的均方根误差(RMSE)分别减少了3%和10%。     

基于区域采样点数的锂离子电池健康状态评估

低采样频率下锂离子电池的健康状态(SOH)评估在工程应用中具有重要的意义。引入了区域电压(ΔV)和区域采样点数(RSP)的概念,提出了一种在概率密度函数(PDF)框架下的锂离子电池SOH评估方法。以实验室磷酸铁锂(LFP)电池循环老化数据为基础,建立了基于RSP的电池SOH评估模型,对比了基于RSP的方法和传统PDF法,并考察了不同采样频率和区域电压下RSP-SOH模型的效果。研究结果表明,RSP与SOH呈线性正相关,RSP-SOH模型无论是充电还是放电过程下的效果均优于传统PDF法。在采样频率较低时,适当的增加区域电压有助于提高RSP-SOH模型的评估效果。电池RSP-SOH模型在充电过程下对采样频率鲁棒性较好,在每五分钟一个采样点的低采样频率情况下模型的R²均大于0.98。在此基础上,采用区域采样点数法相对评估某储能电站的220个LFP电池的SOH。当9个RSP较小的电池被替换掉后,储能电站电能的吞吐能力将提升20.9%。     

锂离子电池锡基复合负极材料的研究进展

综述了锂离子电池锡基合金与碳复合负极材料的发展现状,总结了这类复合材料的主要种类,将其分为碳材料外包覆合金型复合材料、合金外包覆碳型复合材料及分子接触型复合材料等几类,介绍了每类材料的制备方法,并分析了它们作为锂电池负极材料的电化学性能特点.在几种复合方式中,碳材料外包覆合金型复合材料制备方法简单,循环性能有明显地改善,但是,可以负载的合金量有限.分子接触型的复合材料和合金外包覆碳的复合材料,可以有效阻止合金颗粒的团聚,结构稳定,是有希望的新型锂离子电池负极材料.