基于深度学习的铅酸电池健康状态估计

提出以对电池衰减老化敏感的电压增量作为特征量,使用铅酸电池全寿命周期数据,利用深度神经网络算法(DNN)建模,进行健康状态(SOH)在线估算,以提高预测的准确性.该方法能准确预测电池的SOH.在不同循环倍率(0.10 C、0.15 C和0.20 C)下,以容量作为估算方法,SOH估算平均误差小于1.0％,最大误差不超过...     

基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH).该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异.为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(regΔV,通常为峰下的部分荷电状态区间)提取FPs的SOH估算方法,基于高斯过程(GP)回归建立SOH估算模型.通过三个峰值区间下的SOH估算结果,发现SOH对不同regΔV的FPs敏感程度不同.该文进一步利用NASA提供的5号、6号、7号和18号电池数据,对11组峰值区间regΔV在[23.1％,100％]内的SOH估算结果进行分析,结果表明,6号、7号和18号电池的峰值区间regΔV分别选取[53.4％,88.1％]、[50.4％,92.3％]和[42.3％,100％]时,其估算的方均根误差小于2％,这说明SOH对上述峰值区间范围更敏感.利用该文的方法量化SOH对峰值特征参数的敏感区间,在敏感区间内的SOH估算有较高的准确性.     

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。     

锂离子电池老化机理及综合利用综述

准确的老化机理诊断与健康状态(SOH)评估可提示用户及时更换故障电池,保障电池系统的安全运行。分析总结过充与温度影响下锂离子电池容量衰减的老化机理,依据剩余容量,将退役锂离子电池应用于电网储能、应急电源等。对比不同方法下的老化诊断、SOH评估现状,展望未来建立退役锂离子电池快速诊断老化以及可用于实时监测退役锂离子电池二次利用过程中SOH变化的模型和系统。     

锂电池健康状态估算方法综述

电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。     

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。     

电池健康状态的中国专利技术分析

对电池健康状态(SOH)的中国专利申请数据进行挖掘和系统分析,总结中国SOH估算技术的专利申请情况,探讨中国SOH估算技术的研究现状与技术发展趋势.目前,SOH相关专利申请人主要是企业,研究重点是特征参数法,主要电池类型是锂离子电池.企业和相关研究机构可根据SOH估算技术的发展趋势来调整研究方向,发挥各自的优势,促进我国相关产业的技术发展.     

基于增量能量法和 BiGRU-Dropout 的锂电池健康状态估计

锂离子电池健康状态(SOH)的精确估计是电池管理系统面临的核心问题之一。针对实际的电池容量很难直接测量和容量再生导致的SOH估计误差问题,提出了一种基于增量能量法和双向门控循环网络(BiGRU)-Dropout的锂离子电池健康状态估计方法。首先分析增量能量曲线随电池老化的衰退规律,提取出最大峰值高度作为电池SOH的新健康因子。通过翻转层和门控循环网络层所搭建的BiGRU网络得出健康因子与SOH的映射关系,同时添加Dropout机制网络层防止出现过拟合现象,建立SOH估计模型用于电池SOH精确估计。实验结果表明,在不同充电倍率条件下,该方法均可快速、准确地估计电池SOH。     

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。     

Peukert定律预测锂离子电池倍率容量

开展电池在不同环境温度及荷电状态下的静置老化实验。根据电池的容量和内阻变化情况,构建电池老化经验模型,利用Peukert定律预测电池在0.1 C、0.5 C和1.0 C等不同倍率下容量随静置时间的变化,预测误差为±4%。