联合精确估算电池的健康状态

以动力电池的电压、电流、温度和内阻作为输入,荷电状态作为输出,建立四输入一输出的神经网络仿真模型预测电池的荷电状态。再以荷电状态为基础,改进电池健康状态的估算方法,分别利用改进型容量法、改进型内阻法和电压法3种方法分别估算出电池的健康状态,并利用遗传神经网算法建立了3种方法联合在一起的电池健康状态估算模型。以4节12 V的串联锂离子电池组模块为研究对象分别进行了Simulink仿真和实验研究,通过采集动力电池充放电时的电压、电流、温度、内阻和放电量数据,测试了电池的荷电状态和健康状态。实验结果表明电池荷电状态的预测精度为1.6%,仿真模型运行和实验结果显示联合法估算健康状态的最大误差为1.5%,高于其他3种单独的方法。本文提出的健康状态预测方法,省略了传统神经网络算法估算健康状态寻找健康因子的复杂步骤,同时也避免现有电池的健康状态估计单一参量判定方法的局限性。     

基于低频阻抗谱和健康特征融合的锂离子电池健康状态主动探测方法研究

准确的健康状态估计对锂离子电池管理具有重要意义.健康状态通常用衰退后的容量来表征,传统的容量估计主要被动采集电池的电压、电流和温度三种信号,进而提取与容量相关的特征,对充放电曲线的完整性和规则性要求较高.所提出的方法基于充电过程中探测的低频阻抗谱,提取五个健康特征,其中包含三个新的具有物理意义的健康特征,分别为修正的W...     

退役动力电池健康状态特征提取及评估方法综述

我国电动汽车动力电池退役高峰来临,电池梯次利用技术备受学术界和产业界的高度关注。与新电池相比,退役电池(retired battery,RB)一致性差、性能离散度高、安全隐患大,并且从电池单体、模块、电池簇到储能系统逐层集成过程中,上述问题会叠加、放大,导致系统整体性能不确定性增大。为实现退役动力电池安全可靠、规模化、多场景梯次利用,研究基于RB衰退机理的特征提取及健康状态评估技术非常关键。该文基于退役电池的性能衰退规律、电池安全状态演变机理,重点对RB健康状态特征参量表征和残值评估方法进行综述,分别从数据驱动方式以及模型驱动2个维度对提取RB特征和健康评估进行总结分析,提高基于RB衰退规律的退役电池健康状态和残值评估模型精度,对RB特征提取以及健康状态评估未来的研究方向进行展望。     

磷酸铁锂电池优化多因子状态在线评估方法

针对目前锂离子电池在线估计方法不准确的问题,提出了一种基于优化充电电压片段下多个健康因子的磷酸铁锂电池健康状态综合在线评估方法,将充电电压片段内所充电量估计的电池容量与实际电池容量的误差最小作为目标,利用遗传算法寻优充电电压片段。在此基础上,分别对表征电池健康状态的充入电量、充电时间以及内部阻抗三个健康因子进行在线评估,归一化处理得到各健康因子对应的健康状态,再通过最小序列优化法实时获取电池综合健康状态。最后对磷酸铁锂电池进行老化充放电实验,对比仅采用电池内阻单因子评估方法,结果表明该方法能有效减小充电过程中电池健康状态估计误差,且适用性更强。     

基于电压数据片段混合模型的锂离子电池剩余寿命预测与健康状态估计

锂离子电池剩余寿命预测及健康状态估计作为储能安全中最为核心的问题,其重要指标往往集中在电池的容量与内阻,但在实际工作中,测量容量需要完整的充放电周期,测量内阻多须外加设备。针对上述问题,基于锂离子电池恒流放电工况,将放电初始片段瞬时压降幅值作为新健康因子,在面对新健康因子数据受噪声污染时,通过多阶Bezier曲线对新健康因子数据进行重构降噪并与循环圈数构建电池经验退化模型;在此基础上,以电压片段来定义电池健康状态,提出新的健康状态评估模型;最后,通过NASA公开的老化数据集与实验平台验证了所提退化模型与估计模型的可行性与有效性。     

基于不同衰退路径下的锂离子动力电池低温应力差异性

锂离子动力电池受到的低温冲击通常发生在某一特定情况下,其低温应力与新电池存在一定差异。通过以35A·h复合材料电池为研究对象,针对电池充放电过程中存在的不同反应阶段,利用转化容量增量曲线划分电池工作区间,使电池在不同SOC区间循环老化,跟踪其电化学特性变化,分析衰退机理。在0℃环境下,采用C/3、C、3C/2、2C和5C/2电流依次对老化电池进行充放电冲击,分析基于不同衰退路径下的动力电池低温应力差异性。结果表明:动力电池在不同SOC区间循环使用会产生差异性明显的衰退路径,其低温衰退与其之前经历的循环衰退并不存在映射关系和一致性。同时得到的结论为动力电池成组应用的寿命分析和梯次利用电池的筛选配组提供依据。     

磷酸铁锂电池梯次利用健康特征参数提取方法

动力电池梯次利用技术是电动汽车发展后时代的关键技术。以磷酸铁锂动力电池为研究对象,首先以伪二维电化学反应机理模型为基础,仿真分析不同充放电倍率和工况实验环境下电池端电压过电势组分情况,得出在低倍率恒流充放电以及脉冲工况放电过程中,电池的过电势均值近似恒定。以此现象为基础,设计了电池健康状态特性参数提取方法。首先,基于非线性最小二乘法实现了低倍率恒电流充放电的电池容量相关参数的提取;然后,将该方法与已有的电池开路电压、阻抗参数提取方法结合,实现了在低平均倍率、脉冲工况下的电池容量特征和内阻特征参数的提取;最后,通过实验验证了该方法的有效性。该方法可为磷酸铁锂电池的健康评价、梯次利用再分类与再成组提供依据。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于区域容量的锂离子电池健康状态评估

锂离子电池的健康状态（SOH）评估为电池安全保护、充放电控制、热管理等功能提供重要参考。提出了一种基于容量增量分析（ICA）的区域容量分析（RCA）方法，引入了区域电压和区域容量的概念。对不同倍率下的磷酸铁锂（LFP）电池模组充放电电压数据进行ICA分析，分别提取了IC曲线的最高峰值和RCA的区域容量作为健康因子，并建立了健康因子与SOH之间的数学模型。研究结果表明，当充放电倍率为1 C时，最高峰值与SOH的拟合优度（R2）在充电阶段为0815 4、放电阶段为0874 1，而区域容量与SOH的拟合度在充电段为0984 2、放电段为0957 6；当充放电倍率为2 C时，最高峰值作为健康因子在充电阶段与SOH的拟合度只有0188 4，放电阶段的拟合度为0576 7，而区域容量与SOH的拟合度在充电阶段为0894 2、放电阶段的R2为0988 2。可以看出充放电倍率为1 C或2 C时，区域容量作为健康因子评估电池的SOH效果更好。研究结果对大倍率下的电池SOH评估有重要参考价值。