锂电池健康度和剩余寿命预测算法研究

为了实现锂电池健康状态检测和电池故障诊断,在电池全生命周期退化数据基础上,分别使用容量增量分析和差分电压分析法进行特征提取,使用皮尔逊相关系数对健康因子进行相关性分析,并将其输入到人工神经网络用于电池健康状态(state of health, SOH)预测。针对电池容量非线性的退化特性以及局部重生现象,使用双指数函数对其进行建模。同时结合粒子滤波算法对模型参数进行估计,实现电池剩余使用寿命(remaining useful life, RUL)的概率密度预测。实验结果表明所提出的方法能够实现SOH的精准预测和RUL的不确定性估计。     

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态（SOC）和健康状态（SOH）进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波（AEPF）算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波（DAEPF）算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(stateofhealth,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。     

数据驱动的锂离子电池健康状态估计

为契合纯电动汽车实车电池数据特点,提出一种数据驱动的锂离子电池健康状态(SOH)估计方法。基于前馈神经网络和循环神经网络模型,通过电池动态放电数据学习其动态特性,并参考锂离子电池电化学模型中电池端电压的组成公式,设计电池系统辨识神经网络的结构。该神经网络能较精确地学习电池的端电压响应和预测电池的恒流放电电压曲线,平均误差小于20 mV。基于曲线相似度计算法,利用模型预测的恒流放电电压曲线,对电池的容量和SOH进行估计。所提出的方法可对电池SOH进行精确估计,误差小于2.5%。     

基于非参数模型与粒子滤波的锂电池SOH估计

健康状态(state of health, SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter, PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model, MGM)和时间卷积网络(temporal convolutional network, TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题，提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数，并估计SOH,将阻容等辨识结果作为输入，弥补估计SOC时应该考虑电池老化影响产生的误差，实现SOH对SOC的修正，提高模型精度。在新欧洲驾驶周期(NEDC)工况下，进行充放电实验，EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

锂电池健康状态估算平台的搭建

通过对现有电池健康状态(SOH)估算方法进行分析,提出应用MATLAB软件平台搭建SOH估算平台的方法。对SOH的估计使用电压曲线拟合法,通过BP神经网络训练并预测电压值,然后计算得到SOH的大小。算法的设计过程应用MATLAB的图形用户界面(GUI)实现,降低了SOH估算方法的使用门槛。仿真结果表明,该平台能够准确预测SOH,为SOH估计系统的创建奠定了基础。     

锂离子动力电池寿命预测的研究进展

近些年来,锂离子电池作为一种新型能源,其寿命研究成为了各个领域关注的重点问题.对锂离子电池寿命的影响因素、电池健康状态(SOH)估计进行了研究,总结了国内外近几年来电池寿命预测的方法,并对其中基于性能的研究方法(粒子滤波算法、基于粒子滤波算法的改进算法和多种模型相结合的融合算法等)进行了分析和比较,以此为基础,找出了电...     

双卡尔曼滤波法估计电动汽车电池健康状态

选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题，提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs)，提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型，将IHF作为模型输入，SOH作为输出。最后，建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测，将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性，能够联合实现电池SOH和RUL长期稳定的预测。     

一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术.该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法.通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型.利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型.之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性.实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平.     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

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。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。     

基于健康特征参数的锂离子电池SOH和RUL联合估计方法

锂电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)的准确估计对保证电池的安全稳定运行至关重要,然而两者都难以被直接测量。该文提出一种基于高斯过程回归(gaussian process regression,GPR)的SOH和RUL联合估计方法。该方法从充电曲线中提取健康特征(health factor,HF),并通过主成分分析(principle component analysis,PCA)进行降维处理得到间接健康特征(indirect health factor,IHF),然后利用GPR建立电池老化模型进行SOH估计。在此基础上,采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对IHF随循环次数增加的变化趋势进行预测,将其结果与所建立的电池老化模型结合,实现RUL估计。2组不同温度下的电池数据被用来验证算法的准确性和适应性,实验结果表明所提出的算法具有较高的精度和可靠性。     

不同温度下基于模型滤波的锂离子电池SOC估计

建立了一阶电池等效电路模型来表现电池的特性,在不同温度下对电池参数进行辨识并建立电池参数与温度的函数关系,在不同温度下利用非线性预测滤波算法对电池进行SOC估计。结果表明,在不同温度下,所提出的方法都能得到很好的估计结果。     

基于充电数据片段和GA-ELM的锂电池SOH在线估计

锂电池的健康状态（state of health,SOH）对于电池安全稳定运行有着至关重要的作用。然而,电池在线运行时难以对其内阻和容量进行直接测量。因此,提出了一种基于充电数据片段和遗传算法优化的极限学习机（genetic algorithm-extreme learning machine,GA-ELM）的锂电池SOH估计方法。通过从电池的充电电压片段数据中提取不同电压区间内电压对时间的积分作为健康因子（health factor,HF）,并用皮尔逊相关性分析法找到最优电压区间。最后,使用遗传算法寻找ELM网络结构参数的最优解集,建立起锂电池HF和SOH的估计模型,实现SOH的在线估计。使用NASA数据集对所提方法进行了验证,证明了所提方法具有很好的准确性和可靠性。     

电动汽车电池SOH的信号统计分析

针对传统方法估计电动汽车电池SOH(state of health)时内部参数测量困难的问题,提出了统计电池外部信号估计SOH的新方法。由于电池外部信号易于获取,从而使新的估计方法简单易行。模拟标准路况下的电池功率时间序列做电池放电实验,从三个角度做统计研究,发现电池外部端电压和电流信号关于SOH具有统计规律,其统计结果可以表征电池的SOH。结论证明了信号统计方法估计电动汽车电池SOH的可行性。