基于主成分分析与WOA-Elman的锂离子电池SOH估计北大核心CSCD

准确估计锂离子电池健康状态(state of health,SOH)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度,然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升SOH估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的SOH估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的SOH进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池SOH,并且具有更好的泛化性能。     

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计CSCD

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一,准确估计可以提高电池的使用寿命。然而在SOC估计过程中,会受到如测量设备的精度、噪声等外界因素的干扰,降低SOC的估计精度。为了提高SOC的估计精度,针对扩展卡尔曼滤波(EKF)算法易受噪声干扰,提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据,并与传统的EKF进行对比,估计误差可以控制在3%以内,验证了该模型的有效性。     

基于并行卡尔曼滤波器的锂离子电池荷电状态估计

针对新能源电动汽车的电量显示与安全管理问题,对其锂离子电池的荷电状态展开研究,提出了基于并行卡尔曼滤波器的全寿命下的电池荷电状态(state of charge,SOC)估计算法.建立了电池Thevenin一阶RC等效电路模型,通过开路实验的数据处理获取静态OCV-SOC关系表达式,并利用具有动态遗忘因子的最小二乘法对模型参数进行了辨识.以安时积分法为状态传递方程,在扩展卡尔曼滤波的基础上利用最大似然估计准则使模型噪声协方差具有自学习能力.考虑模型参数随电池寿命衰减而改变的问题设计并行结构的滤波器来分别进行电池状态估计和参数修正,保证了数据传递中的纯洁性和独立性,从而实现了全寿命下的SOC估计.经过仿真实验验证算法的快速收敛性与实时性,估计精度在2％以内.     

锂离子电池建模技术研究

随着"碳中和"、"碳达峰"目标的提出,储能技术得到快速发展,其中锂离子电池因其安全性能较高、寿命长等优点得到广泛应用.首先,选取Thevenin等效电路模型对锂离子电池进行建模,并搭建Simulink仿真模型;其次,采用扩展卡尔曼滤波算法对电池荷电状态(state of charge,SOC)进行估计,仿真实验结果验证...     

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...     

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。     

锂离子电池参数辨识及荷电状态的估算北大核心CSCD

实现对锂电池的荷电状态(state ofcharge,SOC)的准确估算对电动汽车电池管理系统具有重要意义。采用了二阶RC等效电路模型对电池进行精确建模,并分别利用离线参数辨识和带遗忘因子的递推最小二乘法的在线参数辨识方法对等效电路中的参数进行辨识,在确保模型精度满足要求后,利用扩展卡尔曼滤波(extended Kalman filter,EKF)算法来实现对电池SOC的准确估算。以美国联邦城市运行工况(federal urbandriving schedule,FUDS)和城市道路循环工况(urban dynamometerdrivingschedule,UDDS)进行仿真实验,并将实验中标准SOC值与离线辨识和在线辨识的SOC估计值进行对比分析。实验结果表明,在FUDS工况和UDDS工况下利用EKF算法估算SOC的平均误差都在2.5%以下,且在线参数辨识模型比离线参数辨识模型的平均误差分别降低了0.7%和0.9%。证明了EKF算法能实现对电池SOC的准确估算,且在线参数辨识方法下的电池模型具有更高的估算精度。     

基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计

锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础。传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优。针对这些问题,提出了自适应灾变遗传-循环神经网络(ACGA-RNN)联合算法,将自适应灾变遗传算法(Adaptive cataclysm genetic algorithm,ACGA)用于优化RNN的初始权值和阈值,提高了最优权值和阈值的全局搜索能力,从而有效提升锂离子电池SOC的估计精度。基于锂离子电池充放电的试验数据,将所提ACGA-RNN联合算法与RNN、GA-RNN算法分别用于锂离子电池的SOC估计。测试结果显示,相较于传统的RNN算法与GA-RNN算法,提出的ACGA-RNN联合算法获得了最佳的SOC估计精度,在DST工况下的估计平均绝对误差为1.74%,低于传统RNN和GA-RNN的估计精度3.68%和2.49%;另外,在45℃和0℃条件下,ACGA-RNN联合算法估计的平均绝对值误差分别为1.7...     

基于分层对齐迁移学习的锂离子电池容量估计北大核心CSCD

精准的容量估计对锂离子电池健康管理和预测性维护具有重要意义。近年来,数据驱动的方法被广泛应用于锂离子电池容量估计,然而现有的数据驱动方法大多假设训练和测试数据服从相同分布,当此假设不满足时,模型的预测精度快速下降。现有的基于迁移学习的锂离子电池容量估计方法旨在对齐源域和目标域的整体分布,而忽略了不同层内的特征的可迁移性。针对以上问题,研究了深度迁移学习方法不同层之间的特征可迁移属性,提出了基于分层对齐迁移学习(hierarchical alignment transfer learning,HATL)的锂离子电池容量估计方法。首先,构建了一个基于卷积神经网络的特征提取器,考虑不同层特征的可迁移性,对不同层特征施加最大均值差异约束和通道注意力一致性约束,使得特征提取器从源域和目标域提取到的特征相似且模型更加关注域不变特征;然后,特征经过一个预测器得到容量估计值。在公开的锂电池数据集上进行充分验证,并与其他方法进行对比,结果表明,本文所提的HATL方法具有更高的估计精度,明显优于其他方法。证明了迁移学习方法在跨工况容量估计任务中的有效性和优越性。     

基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法北大核心CSCD

锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。     

基于正交试验的锂离子电池热失控仿真北大核心CSCD

锂离子电池热失控是由多种因素耦合而导致的结果,得到影响锂离子电池热失控影响因素的重要性程度对于提高电池安全性具有极大意义。对此,针对针刺导致的锂离子电池热失控,利用COMSOL软件仿真分析了不同针刺位置、速度、直径、SOC(state of charge)对锂离子电池单体针刺热失控影响,得到对单体电池热失控影响的重要因素。基于单体针刺热失控仿真结果,以4个锂离子电池单体组成的模组为研究对象,利用单因素仿真试验分析不同钢针直径R、电池SOC以及针刺电池个数N对电池模组热扩散影响;基于此,本文分析了针刺电池个数N、钢针直径R及电池SOC耦合作用热失控的正交试验。结果表明:相对于针刺位置、针刺速度对电池单体热失控影响,电池SOC和针刺直径R对电池单体热失控影响较为显著,且针刺直径R越小,单体电池热失控越剧烈;电池SOC越大,热失控时电池温度分布越不均匀;针刺直径R越大,模组热扩散需要时间越长;当SOC在100%~85%范围内时,模组内各电池单体的热失控最高温度变化较为明显;针刺电池个数N越大,模组热失控越剧烈,但位于模组中间位置的电池热失控最高温度有所降低。针刺电池个数N、SOC、针刺直径R对电池模组热失控温度和扩散时间的影响程度主次顺序为:N>R>SOC*R>SOC*N>N*R>SOC,其中,针刺电池个数N对电池模组热扩散影响最显著,且不同因素间的交互作用不容忽视。本工作为提高电池的安全性及电池设计提供了参考依据。     

模型与数据双驱动的锂电池状态精准估计北大核心CSCD

针对电池荷电状态估计常用的模型驱动法与数据驱动法的缺点,本工作提出了一种模型与数据双驱动的锂电池状态精准估计算法。在建立经典二阶电池模型后,先使用扩展卡尔曼滤波器与无迹卡尔曼滤波器组成的双卡尔曼滤波器进行初步的锂电池系统状态估测,再将初步的估算结果输入LSTM神经网络实现误差纠正,得到最终估测结果。本工作利用来自NASA PCoE的电池数据集对单驱动算法和双驱动算法分别进行了性能测试,结果表明双驱动法在降低了估算系统对数据依赖性的同时提高了估算精度以及算法鲁棒性,结合了两种单驱动法的优点并弥补了各自的缺点,得到了较为优异的结果。     

锂离子电池快充策略技术研究进展北大核心CSCD

电动汽车的普及是锂离子电池的主要需求来源之一。而电动汽车的充电性能是影响普及进程的一个重要的考量参数。在材料体系不变的情况下,取代传统恒流恒压充电策略的新型充电策略近10年内也吸引了很多研究者的关注。另外,新一代电池管理系统也对充电策略提出了更高的要求。本文阐述了各种优化的充电方法及其特点和应用。研究结果表明,与传统的恒流恒压充电策略相比,优化的充电方法可以减少充电时间,改善充电性能并有效延长电池寿命。最后,本文还提出了对未来优化充电策略的展望,希望未来在线辨识和实时更新的模型参数的方法或者通过在线的方法辨识特征信号带来更加强大的充电策略。     

高能量密度锂离子电池老化半经验模型北大核心CSCD

电池循环老化过程中容量会不断衰退,内阻也会逐渐增长,从而影响电池的使用寿命与性能表现。为建立电池容量衰退与内阻增长半经验模型,缩短探究电池老化特性所需的实验时间,采用具有高能量密度的21700锂离子电池,在0℃、23℃和40℃条件下结合1 C和2 C两种放电倍率组成了六种工况,对电池进行循环老化实验,分析温度等因素对电池容量衰退与内阻增长特性的影响规律。在结合Arrhenius方程建立电池容量衰退半经验模型时,额外引入了两个关于循环次数的幂函数和常数项,拓展了容量衰退半经验模型的适用性,使其能够适用于不同温度下表现出的不同容量衰减趋势。采用双指数函数累乘的公式形式建立了电池内阻增长的半经验模型,能够有效地预测内阻在不同工况下的增长规律。并利用交叉验证的方法证明了容量衰退与内阻增长半经验模型的准确性,能够用于预测电池在其他温度条件下的老化规律。最后利用建立的电池老化半经验模型,预测了该电池在15℃、30℃和45℃的容量与内阻变化情况,有助于更全面地了解电池的老化特性,并避免了大量重复实验,有利于提高研究效率。     

基于大倍率电流脉冲的动力锂离子电池阻抗模型优化北大核心CSCD

随着中国能源转型的推进,动力电池使用量逐年上升。随之而来的电池安全运行问题逐渐凸显。在保障电池稳定运行的电池管理系统(Battery management system,BMS)中,等效电路模型(Equivalent circuit model,ECM)是其工作的基础核心。而目前的电池管理系统模型主要为线性模型,且受限于计算量和芯片的计算能力,无法合理表达电池在极端工况下,如大功率等情况下的非线性特征。针对这一问题,本文从可用功率角度出发,对电池进行了不同倍率的脉冲放电实验,分析了不同倍率情况下电池内阻的非线性特征,改进了电池的等效电路模型,建立了高倍率条件下阻抗随电流的变化关系。实验结果表明改进后的等效电路模型的模型误差为1.74%,远小于旧模型的8%。研究成果比传统等效电路模型相比提高了精度,且计算量比P2D(Pseudotwo-dimensions,P2D)模型小,预期可以用于BMS中电池模型可用功率的在线仿真计算,避免动力电池过功率放电,提高电动自行车使用安全性。     

基于组合频率阻抗特征的锂离子电池健康状态估算北大核心CSCD

电池健康状态(state of health,SOH)的准确估算是保证电动汽车高效安全运行的关键。从电化学阻抗谱(electrochemical impedance spectroscopy,EIS)中提取健康特征可实现电池SOH的准确估算,但在线采集EIS数据对车载设备要求较高不易实现,而采集单频率阻抗作为特征进行SOH估算又面临精度较低的问题。针对该问题,本文提出一种基于组合频率特征的SOH估算方法,首先,通过对实验数据进行分析,将前120次循环的10 Hz虚部和后320次循环7.94 Hz的虚部进行组合,形成电池组合频率阻抗特征。然后,基于组合频率阻抗特征,利用B1和B2电池测试数据建立电池SOH估算的长短期记忆(long short term memory,LSTM)神经网络模型,并通过B3和B4号电池数据对模型进行验证。结果显示,采用组合频率阻抗特征建立的SOH估算模型的均方根误差最小为0.3%,相比采用单频率阻抗特征所建立的模型,其误差减小23.9%以上。由此可见,本文所提出的基于组合频率特征的SOH估算方法,不仅阻抗测量过程简单,且估算精度较高,可应用于电池SOH的在线估算。     

基于锂离子嵌入模型的NCM811电池性能北大核心CSCD

本工作以NCM811电池为主要研究目标,探究在正常工作情况下的电池性能。具体包括不同环境温度与放电倍率下的放电性能,以及初次循环与第2000次循环时的电池容量变化,得到电池的电压曲线,并将结果与NCM523电池以及NCA电池进行对比。同时,由于NCM811电池存在热安全问题,因此,探究了其在热失控情况下自身的电压与温升情况,总结了其温度传递规律,并与实验结果进行对照。基于上述结果得到:电池在正常工作情况下,NCM811电池在倍率充放电性能上表现优异,在大倍率充放电时电池容量保存较好,NCM523电池与NCA电池均表现出电池容量衰减;在电池的循环老化方面,与NCM523电池相同,NCM811电池也表现出明显的容量衰减,NCA电池容量几乎不发生变化;在高低温放电方面,电池在低温时的产热均高于高温时的产热,在相同的环境温度下,NCM811电池温升最为明显,存在较大的热安全隐患,NCM523电池与NCA电池升温较为平缓;在电池发生热失控时,电池电压突降至0 V,温度短时间内升至1200 K左右,仅在发生热失控的部分,温度随时间变化明显,其余部分温度趋于恒定。与实验过程相比,仿真过程热失控触发时间较晚,温度升高较快,电池最高温度较低。     

基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断北大核心CSCD

新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测,而传感器故障会导致荷电状态等指标出现误差,严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断,提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization,GAPSO)和模糊神经网络(fuzzy neural network,FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断,该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据,然后对故障数据进行预处理及特征提取,最后采用GAPSO-FNN算法对电池传感器进行故障诊断,并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明,基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%,相比于模糊神经网络准确率提升了10%,故障诊断准确率能够达到95%,在减少故障诊断所需信息量的同时,有效地提升了故障诊断的准确率。