基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...     

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义.针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dro...     

一种分阶段锂离子电池荷电状态估计算法

为了解决安时积分法无法估计电池荷电状态(SOC)初值以及在电池充放电后期估计误差明显增大的问题,基于纯电动物流车平台提出了分阶段处理思想。根据电池系统的工作状态,将估计过程分为启动初期、充放电中期和充放电后期。在启动初期和充放电中期,结合开路电压法与安时积分法来估计电池组SOC,并对安时积分公式中的相关参数进行修正。在充放电后期,应用充放电曲线修正充放电后期SOC,对安时积分法估计SOC的不足进行补偿。搭建了锂离子电池组充放电测试平台,并进行了电池组放电实验。结果表明,SOC估计误差在4%以内,并能够满足电池管理系统优化控制的应用需求。     

基于自适应理论的锂离子电池SOC估计

磷酸铁锂电池作为我国电动汽车用动力电池的主要形式,得到广泛的研究和应用。电池负荷状态(SOC)估计是锂离子电池智能管理系统(BMS)研究的难点和重点;锂离子电池在使用过程中,工况具有很大的不确定性,而SOC用到的电池参数模型和使用工况又有很大的关系,因此本文利用自适应原理,在电池的实际使用过程中,不断的去采集电池状态信息,修正电池模型参数,适应不同的工况,完善SOC估计的功能。本文的设计思路是通过自适应测量,修正开路电压-荷电状态(OCV)曲线、实际电池容量和电池内阻曲线,然后根据修正后的参数结合安时计算方法进行综合估算,以便在电池整个寿命过程中都能判断电池状态和进行负荷状态估计(SOC)。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

混合动力汽车用锂离子电池荷电状态的估计

提出在行车过程中通过引入单体电池电压电流校正的修正手段,克服电池组系统现有的基础数据不足的问题。通过整车试验数据对比发现,校正参数修正后荷电状态(SOC)精度优于10%,符合行业标准。     

基于电化学模型的锂离子电池荷电状态估计方法综述

荷电状态(SOC)的准确估计是电池管理系统的重要功能之一.当前,基于模型的方法是实现锂离子电池SOC估计最常用的解决方案.相比于等效电路模型(ECM),由于电化学模型(EM)能够实现耦合电化学机理的SOC估计,逐渐成为下一代高级电池管理系统的研究重点.然而,现有基于模型的锂离子电池SOC估计方法的研究大多集中在ECM上...     

锂离子电池的长期荷电贮存性能

将锂离子电池在常温下以不同的荷电态(SOC)长期(5-10 a)贮存,对贮存前后的电池性能进行测试.长期贮存后,电池的内阻增加,10 a贮存后的内阻平均增加率高达79.95%,聚合物锂离子电池的内阻增加稍低.锂离子电池长期贮存后,容量恢复性能较好,10 a贮存容量平均恢复率可迭88%.长期贮存对电池的容量、平台和循环寿...     

锂离子电池荷电贮存性能的研究

将锂离子电池在不同荷电状态(SOC)下贮存,对贮存前后的电池性能进行了测试;对在不同SOC下贮存对电池性能的影响进行了研究,结果发现:电池进行长期贮存时,电池电压在3.80 V左右,电池的综合性能最好;当电池电压超过3.90 V时,对电池的容量、内阻、平台和循环寿命都会产生不利影响;而电池在完全放电态或过低SOC下贮存,电池的循环性能略有下降,电池不能立即使用,且容易出现过放电.     

基于最大相关熵扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在非高斯噪声干扰下,传统扩展卡尔曼滤波(EKF)算法估计锂离子电池荷电状态(SOC)时精度低的问题,该文提出一种基于最大相关熵的扩展卡尔曼滤波新算法(MCC-EKF),用于估计锂离子电池的荷电状态.首先对锂离子电池进行Thevenin等效电路建模,并对该模型中的参数进行辨识;然后在不同噪声类型干扰下,分别运用所提出新算法MCC-EKF和EKF算法对电池进行SOC估计.实验结果表明,与EKF算法相比,新算法在高斯噪声干扰下,运行时间增加0.282s,估计精度提高19％;在非高斯噪声干扰下,运行时间增加0.418s,估计精度提高51％;可见新算法的估计精度高于EKF算法,尤其是在非高斯噪声干扰下,新算法的估计精度有显著性提高.另外,新算法在给定错误初始SOC值的情况下,在电池开始工作后10s内就能够收敛到真实值,说明新算法具有较好的鲁棒性.故新算法在运行时间增加很小的情况下,估计精度高且鲁棒性好,是一种非常有效的SOC估计方法.     

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EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

锂离子电池健康状态估计方法研究综述

电池管理系统是锂离子电池高效、安全运行的重要保障。电池的状态估计在电池管理系统中发挥着重要的作用。健康状态是锂离子电池状态估计的重要指标之一。通过对近几年国内外锂离子健康状态估计方法相关文献的整理,综述了锂离子电池健康状态的定义和估计方法,并对现有的估计方法进行了分类和阐述。最后针对现有估计方法的不足,提出未来需要改进的方向。     

深海环境锂离子电池荷电状态分析

针对应用于某4 500 m深度等级载人潜水器的充油锂离子电池,对于其深海环境下的典型工况,即下潜、作业和上浮过程,在不同深度下分析了110 V主电池的荷电状态(SOC)与工作电流的关系,同时分析了SOC与工作环境、温度的关系,在陆上分别模拟了常温常压充放电循环试验、低温容量测试和常温高压强放电循环试验,还比较了实际下潜时并联电池模块之间SOC的变化特点,发现深海低温环境和不同的工作电流对锂离子电池的SOC有较明显作用,在此可以对锂离子电池在深海环境的使用提供相关技术参考。