基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

结合高斯过程回归与特征选择的锂离子电池容量估计方法

由于锂离子电池本身复杂的老化特性,准确预测电池的健康状态和剩余寿命是一个尚未解决的挑战,这限制了消费电子、电动汽车和电网储能等技术的发展.电池的老化机制复杂且相互耦合,难以采用基于模型的方法进行准确的建模.本工作提出了一种基于数据驱动的锂离子电池容量估计方法,通过分析电池的电压-放电容量曲线随循环老化的演变模式,提取具有电化学意义的特征,采用高斯过程回归(Gaussian process regression,GPR)对电池的容量进行预测.该模型的输入特征可以在线获取,不需要对电池进行完整的充放电循环即可估计容量.在钴酸锂电池和磷酸铁锂电池数据集上分别进行了实验验证,结果表明该方法具有较好的泛化能力,对不同类型的电池均能实现准确的容量估计.将本文的方法与阻抗谱作为输入的GPR模型进行对比试验,结果表明该特征能获得更好的估计精度.这一结果说明了合适的特征选择能显著影响锂离子电池的数据驱动模型性能,为电池的状态预测与诊断提供了参考.     

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。     

基于深度学习的储能锂离子电池健康状态估计

锂电池储能系统在促进大规模清洁能源并网和保证电网稳定运行等方面发挥着重要作用。针对储能锂离子电池运行过程中的健康管理问题,提出了一种基于深度学习的储能锂离子电池实时健康状态估计方法,利用注意力机制的长短期神经网络,实时评估站内电池单体及电池簇的健康状态。通过对输入特征进行注意力加权,强化参数敏感性较高的特征在模型训练时的作用,以获得更高的估计精度。为验证该模型的有效性,利用公开数据集及实际储能锂离子电池运行数据,分别对储能电池单体及电池簇进行健康状态估计,实现了比传统神经网络方法更高的估计精度。     

过充循环对锂离子电池容量衰减及安全性影响北大核心CSCD

随着能源问题的出现,锂离子电池已成为人们关注的热点。本工作以18650型NCM811锂离子电池为研究对象,将电池过充至3个不同的截止电压(4.3 V、4.4 V、4.5 V)并循环一定的次数(180次)直到电池容量大幅度衰减,基于测试分析4.5 V过充循环电池的交流阻抗谱和容量增量曲线来定性和定量地研究电池容量衰减机理。研究发现活性锂离子的损失和活性材料的损失是电池容量衰减的主要原因,电池电导率的损失对电池容量衰减影响不大。通过绝热加速量热仪(adiabatic rate calorimeter,ARC)研究新电池,4.3 V、4.4 V和4.5 V过充循环电池在100%SOC下的热失控特征参数(自产热起始温度T_(1)、热失控触发温度T_(2)、热失控最高温度T_(3))。发现在热失控发生过程中,电池达到相同的温度时,4个电池的温升速率大小分别是新电池<4.3 V过充循环电池<4.4 V过充循环电池<4.5 V过充循环电池。电池在经过过充循环之后热稳定性变差。过充循环后,电池的自产热起始温度降低、热失控触发温度降低。     

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。     

基于改进的在线迁移学习算法的电池高压故障预警北大核心CSCD

锂电池作为一种电化学设备,在发生故障前的特征较为复杂,难以分析,并且生产环境中故障样本数量较少,正负样本比例严重不平衡。针对以上问题,本工作提出基于改进的在线迁移学习算法的电池高压故障预警。首先,引入下采样技术,解决样本不均衡问题,从而降低计算资源的使用。在电池高压故障预警场景下,设计分段下采样策略,使得算法模型在故障发生前能学习到更多细微的特征。其次,提出基于分批增量学习的在线迁移学习方法(homogeneous online transfer learning under incremental training,HomOTL-UIT),源域中训练的离线分类器需要在合适的时间进行更新,以此来适应目标域中不断变化的数据分布,解决数据分布偏移和在线迁移学习退化为在线学习的问题。分批处理降低多次训练带来的计算资源的开销,通过增量学习,不断从目标域中学习,从而不断提高离线分类器的准确度。然后,设计一种滑动窗口下的F1-score评分方法,解决模型权重缓慢失衡问题,从而提高模型的准确性。最后,通过储能集装箱的运行数据验证所提出方法的有效性和准确性,在正负样本严重不均衡时,F1-score达到0.88。     

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。     

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。     

基于仿生翅脉流道冷板的锂离子电池组液冷散热北大核心CSCD

基于方形锂离子电池生热特点,设计了一款新型仿生翅脉流道冷板。在数值传热学理论基础上,建立了仿生翅脉流道冷板的电池组液冷冷却散热模型,对仿生翅脉流道冷板和进出口位置不同的两种并行流道冷板的锂离子电池组冷却散热分别进行了数值模拟计算,并分析了电池组相邻冷板冷却液流向和流道槽深等参数对仿生翅脉流道冷板散热的影响。结果表明:与并行流道冷板相比,仿生翅脉流道冷板冷却不仅能够进一步降低电池组最高温度和温差,提升温度分布均匀性,还可以减小流道压力损失,降低能量消耗。电池组相邻冷板冷却液交错流比同向流电池组的表面最高温度降低了0.62 K,温差减小了1.13 K,平均温度变化相差不大,温度场分布均匀性得到进一步提升;冷却液质量流量不变,随着流道槽深的增大,电池组的最高温度、平均温度和温差均出现先增大后减小的现象,但随着流道槽深的增加,电池组的重量和所占空间也会增加,当流道槽深为2 mm时冷板冷却效果最优。研究结果可为探索散热性能更好、能耗更低的电池组热管理系统提供参考。     

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。     

锂离子电池电解液痕量水污染的超声表象北大核心CSCD

锂离子电池电解液痕量水污染是导致电池产气和快速失效的重要原因,而过去对痕量水污染电芯缺乏无损检测分析技术。本工作基于超声无损成像技术对微量产气副反应的敏感性,对不同水含量电解液商用NCM523/AG软包电池化成、静置、循环过程中的产气行为进行了超声透射扫描成像,并结合EIS/SEM和充放电特性对其老化和失效机制进行了分析。结果表明痕量水的存在会造成电解液的损耗,加速气体生成,增加界面阻抗和极化电压,造成库仑效率降低和可逆容量衰减,加快电池失效过程。本研究对电池生产过程质量控制以及使用过程的失效机理分析具有指导意义。     

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。     

基于iCEEMDAN和迁移学习的锂离子电池SOH估计

目前数据驱动的锂离子电池健康状态(State of health,SOH)估计方法已成为研究热点,但实车应用中产生的小样本数据问题会导致数据驱动模型精度低、泛化能力差等问题,由此提出一种基于特征模态分解及迁移学习的SOH估计方法。首先,从电池小样本数据片段中提取健康特征,通过改进的自适应噪声完备集合经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,iCEEMDAN)分离出本征模态分量(Intrinsic mode function,IMF)与残余分量(Res)两类包含不同特征信息的分量;然后将分解优化后的特征信息分别通过LSTM网络和BP网络进行针对性训练,构建特征信息与电池SOH的关联模型;最后将模型迁移至其他数据集估计电池的SOH。基于NASA公开电池数据集的试验结果表明,所提方法具有高准确度及泛化能力,估计的平均绝对误差(MAE)和方均根误差(RMSE)分别为2.34%和3.05%,迁移后的MAE和RMSE分别为1.13%和1.68%。     

基于卷积Fastformer的锂离子电池健康状态估计

锂离子电池的健康状态（state of health,SOH）是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。     

基于火灾事故树模型的储能锂离子电池安全性检测方法与验证北大核心CSCD

规模化储能应用对锂离子电池提出了更高的安全性需求,充分挖掘储能用锂离子电池安全性检测技术对提升电池安全性能具有重要意义。GB/T 36276—2018《电力储能用锂离子电池》作为我国首个储能电池国家标准,其中规定的安全测试条款是否科学合理,检测方法是否可行亟待验证。本文基于储能锂电池安全事故触发因素,将火灾发生的必要因素通过火灾事故树原理层层分解。再利用布尔代数算法进行模拟,提出储能电池安全检测项目,与国家标准GB/T 36276—2018进行对比分析,验证了现行国家标准条款的科学合理性。最后基于试验平台,选用三元锂、钛酸锂、磷酸铁锂及锰酸锂等不同体系储能用锂离子电池开展了14种安全检测试验,对提出的测试项目进行试验验证。国内外首次验证了国家标准GB/T 36276—2018中安全测试条款的操作性和可行性,也为国家标准GB/T 36276新版本的修编提供了依据和数据支撑。     

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。     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。