基于容量增量法的防爆锂电池老化指标分析

现有防爆锂电池矿用机车电池管理系统中电池健康状态仅用于预测电池剩余使用寿命,不对电池老化原因进行分析,对电池维护缺乏指导意义。针对该问题,首先分析了导致锂电池老化的内部因素,即锂离子损耗、活性物质溶解、内阻增加;然后基于容量增量法原理,提出了一种防爆锂电池老化指标分析方法,根据锂电池容量增量曲线高度和横向位置分别对锂离子损耗、活性物质溶解、内阻增加导致的锂电池老化进行量化分析,得出了相应的老化指标;最后介绍了电池管理系统中计算锂电池容量增量和确定容量增量曲线峰谷点的方法。采用电池充放电试验分析了充放电次数和充放电倍率对电池老化的影响:防爆锂电池以较小充放电倍率操作时,随着充放电次数增加,锂电池老化主要为锂离子损耗和活性物质溶解导致的老化;增大电池充放电倍率对内阻增加导致的电池老化影响最大。该方法有助于防爆锂电池管理系统更准确地估算电池健康状态,并为电池维护和电池管理系统的参数设定提供依据。     

基于数据驱动的卫星锂离子电池寿命预测方法

锂离子电池由于具有工作电压高、质量轻、比能量高、寿命长和自放电率小等优点,成为替代传统镍氢、镍镉电池的第3代航天器用储能电源;寿命预测是锂离子电池健康管理的重要方面,是掌握电源性能衰退趋势的重要手段,锂离子电池寿命预测问题已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,采用了NASA埃姆斯中心的锂离子电池地面试验采集的数据,然后重点研究了3种基于数据驱动的方法,并对锂离子电池的寿命进行了估计,最后对各种预测方法的效果进行了评价;实验结果表明,文本提出的基于数据驱动的方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实际价值.     

一种改进的锂离子电池剩余寿命预测算法

锂离子电池故障往往会使系统性能下降甚至瘫痪,故障部件剩余寿命的精确估计对整个系统的寿命预测和健康管理至关重要。粒子滤波是一种有效的序列信号处理方法,然而应用于锂离子电池剩余寿命预测准确性并不高。根据锂离子电池电学特性,提出一种改进的粒子滤波算法,基于锂离子电池容量退化指数模型,结合训练数据对锂离子电池剩余寿命进行预测。仿真及实验结果表明,改进的粒子滤波算法对锂离子电池剩余寿命预测误差小于5%。     

电传动车辆用高功率锂离子电池性能分析研究

为研究功率型锂离子电池性能,对某35 Ah功率型锂离子电池单体进行了充放电特性试验和分析,由此获得功率型电池在不同温度和不同倍率下的充放电特性、内阻特性和温升特性。研究结果表明,低温下电池的充放电内阻较大,充放电性能衰减显著;常温下电池的内阻较小,充放电温升较小,大电流充放电的容量稳定性好,质量比能量高,作为电传动车辆主要或辅助动力源具有良好的应用前景。     

基于LSTM网络的卫星寿命预测研究

针对卫星寿命预测的需求和以往方法退化失效的不足,提出了基于长短时记忆网络(Long Short-Term Memory)进行卫星寿命预测的方法.针对卫星系统中锂电池充放电次数增加,导致电池性能衰退的特性.对电池进行衰退分析,选取等压降时间序列数据作为数据集,对电池每次充放电的使用时间进行特征提取,并对数据进行规范化处理,在不同细胞长度及层数的长短时记忆网络模型中进行训练和测试,选取最合适的网络结构,实验表明使用长短时记忆网络模型计算复杂度小,预测准确率高.     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一，有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象，采用二阶阻容(RC)等效电路模型构建锂离子电池模型，通过递推最小二乘法(RLS)对等效模型参数进行在线辨识，并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法，以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正，以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度，并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明，HPPC工况下的SOC误差稳定控制在0.78%以内，验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据，对锂离子电池SOC估算研究具有启发意义。     

锂离子电池RUL预测方法综述

随着电子设备的增长和电动车辆的普及,保障锂离子电池的安全和稳定成为研究人员的重要课题,其中电池的剩余使用寿命(RUL)为监测电池的手段之一.锂离子电池在其充放电循环期间会经历不可逆过程,可使电池容量持续衰减,最终导致电池故障,为进行合理的充放电管理,满足实际应用中的高可靠性要求,对使用过程中的RUL预测进行研究,介绍对锂电池RUL预测的基于机理模型、基于数据驱动、基于机理模型与数据驱动融合和基于数据驱动的模型融合等4种方法,并讨论基于数据驱动的各RUL预测方法的优缺点,总结并展望未来研究方向和发展趋势.     

不同充放电倍率下的锂电池声发射信号分析

锂离子电池充放电倍率是影响电池老化的主要外部应力之一,充放电倍率过大可能使电池内部电流分布不均,导致锂沉积或电极活性材料结构疲劳变形。基于声发射方法研究了不同充放电倍率下的电池状态。通过设计锂离子电池声发射信号试验平台,采集了不同充放电倍率下的电池声发射信号。对声发射信号进行参数与波形分析,发现声发射信号主要存在两个突发型的波形,且充电与放电的声发射信号波形的初次穿越阈值的采样点符号相反。锂离子电池声发射信号的幅度和波形时间间隔都与电池的充放电倍率相关,电池充放电倍率越大,声发射信号幅度越高,波形时间间隔越小。     

基于扩展卡尔曼滤波的锂离子电池寿命预测方法

锂离子电池寿命预测是掌握电源性能衰退趋势的重要手段,已成为电子系统健康管理领域的研究热点。针对锂离子电池的寿命预测问题,基于NASA艾姆斯中心的锂离子电池地面试验采集的数据,将扩展卡尔曼滤波(EKF)算法应用于锂离子电池寿命预测过程中,并针对预测过程中存在的问题,采用最优Loess平滑原理进行改进,从而提高了预测的稳定性和精确性。实验结果表明,提出的预测方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实用价值。     

微网内储能单元的建模及协调控制

通过仿真建模的方式研究电池类储能单元与电网负荷交互的特性以及储能单元对实现微电网电量自平衡的重要作用。根据锂离子电池特性,从电化学角度分析建立等效电路模型,通过对实际3．4V／3Ah锂离子电池充放电曲线的分析计算来确定电池模型参数,模型仿真曲线与实际充放电曲线拟合程度高。进一步构建储能单元模型,模拟仿真微电网中负载发生突变的情况,可以观察到储能单元对于微电网能量自平衡的贡献。     

Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery

Predictive maintenance of lithium-ion batteries has been one of the popular research subjects in recent years. Lithium-ion batteries can be used as the energy supply for industrial equipment, such as automated guided vehicles and battery electric vehicles. Predictive maintenance plays an important role in the application of smart manufacturing. This mechanism can provide different levels of pre-diagnosis for machines or components. Remaining useful life (RUL) prediction is crucial for the implementation of predictive maintenance strategies. RUL refers to the estimated useful life remaining before the machine cannot operate after a certain period of operation. This study develops a hybrid data science model based on empirical mode decomposition (EMD), grey relational analysis (GRA), and deep recurrent neural networks (RNN) for the RUL prediction of lithium-ion batteries. The EMD and GRA methods are first adopted to extract the characteristics of time series data. Then, various deep RNNs, including vanilla RNN, gated recurrent unit, long short-term memory network (LSTM), and bidirectional LSTM, are established to forecast state of health (SOH) and the RUL of lithium-ion batteries. Bayesian optimization is also used to find the best hyperparameters of deep RNNs. Experimental results with the lithium-ion batteries data of NASA Ames Prognostics Data Repository show that the proposed hybrid data science model can accurately predict the SOH and RUL of lithium-ion batteries. The LSTM network has the optimal results. The proposed hybrid data science model with multiple artificial intelligence-based technologies also demonstrates critical digital-technology enablers for digital transformation of smart manufacturing and transportation.     

基于WOA优化概率分布参考点的锂电池故障诊断

锂离子电池凭借其优越的储能性能被广泛应用在许多领域,而随着使用时间增加,锂离子电池的老化加剧容易导致不同程度的故障,因此对锂离子电池进行在线故障诊断至关重要。为了进一步提高故障诊断的准确率和透明性,提出使用连续概率分布证据推理(ER)规则的故障诊断模型,并使用优化方法优化相关参数。首先,从充放电过程中提取能反映电池健康状态(SOH)的特征指标,采用Spearman相关系数分析特征指标与SOH之间的关联来提取健康因子;第二,考虑到电池的故障信息具有不确定性,提出一种基于ER规则的连续概率分布参考点的故障诊断方法,采用高斯分布描述参考点,实现在线故障诊断;第三,设计了一种带约束的鲸鱼优化算法(WOA)优化证据参数,构建GER-W故障诊断模型,使模型故障诊断准确率达到最优;最后,通过分析SOH对故障进行模糊划分,以NASA电池数据集为例验证GER-W模型的有效性,此外还将模型拓展到电池SOH估计中。验证结果表明,GER-W模型对比其他故障诊断方法具有更高准确率且诊断过程更加透明,在SOH估计中也有一定效果。     

PSO优化的BiLSTM-Attention网络的锂电池健康状态评估

锂离子电池作为一种高效的储能元件,被广泛应用到生产生活的各个领域,其健康状态事关系统的安全性,受到越来越多的重视。基于粒子群优化算法,优化了具有注意力机制的双向长短期记忆网络,实现了锂离子电池的健康评估。首先,考虑到锂电池数据的时序特征,采取了一种双向长短期记忆网络提高预测效果,并且引入注意力机制解决信息过载问题,提高任务处理的效率和准确性。接着,利用粒子群优化算法优化网络模型结构的参数,获得高效的锂电池健康状态估计。最后,引入NASA锂离子电池数据集。实验结果验证了所提方法的有效性。     

Real-time state-of-health monitoring of lithium-ion battery with anomaly detection,Levenberg–Marquardt algorithm,and multiphase exponential regression model

Neural Computing and Applications - The state of health (SOH) of lithium-ion (Li+) battery prediction plays significant roles in battery management and the determination of the durability of the...     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马...     

An adaptive sliding mode observer for lithium-ion battery state of charge and state of health estimation in electric vehicles

As the demand for electric vehicle (EV)'s remaining operation range and power supply life, Lithium-ion (Li-ion) battery state of charge (SOC) and state of health (SOH) estimation are important in battery management system (BMS). In this paper, a proposed adaptive observer based on sliding mode method is used to estimate SOC and SOH of the Li-ion battery. An equivalent circuit model with two resistor and capacitor (RC) networks is established, and the model equations in specific structure with uncertainties are given and analyzed. The proposed adaptive sliding mode observer is applied to estimate SOC and SOH based on the established battery model with uncertainties, and it can avoid the chattering effects and improve the estimation performance. The experiment and simulation estimation results show that the proposed adaptive sliding mode observer has good performance and robustness on battery SOC and SOH estimation.     

基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测

针对锂离子电池剩余使用寿命（remaining useful life,RUL）传统预测方法的精确度与稳定性较低等问题,融合卷积神经网络（convolutional neural network,CNN）和双向长短期记忆（bidirectional long short-term memory,BiLSTM）神经网络的...     

基于卷积自编码神经网络的锂离子电池健康状况评估方法研究

目前锂离子电池已被广泛用作能量存储系统,在手机、电动汽车和飞机中均有广泛的应用。然而锂离子电池在使用过程中存在一定的危险性,若不能及时对电池健康状态评估（SOH）发现危险将会导致十分严重的后果。因此,研究一种基于卷积神经网络的锂离子电池健康状况评估方法,该方法通过使用卷积自编码神经网络对电池状态数据进行特征提取,有效提升了评估的准确率,并且神经网络能够在使用过程中不断进行学习,具有较高的灵活性,最后通过使用NASA公开的锂电池数据集测试,评估准确率达到93.6%,相比传统方法有较大提升。     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

基于自适应神经网络模糊推理系统的蓄电池SOH预测

针对装甲车辆铅酸蓄电池健康状况影响因素复杂、难以准确预测的特点,提出了基于自适应神经网络模糊推理系统的蓄电池SOH预测模型。在确定模型的输入变量后,对其进行了MATLAB仿真和实测数据验证分析。结果表明,该模型具有很高的预测精度,在装甲车辆铅酸蓄电池SOH预测上具有很高的实用价值。