数据驱动的锂离子电池健康状态综合评分及异常电池筛选

锂离子电池是电动汽车和储能系统最重要的组成部分,其故障预测和健康管理对于运行维护至关重要.数据驱动的方法较基于模型的方法更适合大规模工程应用,针对实际应用中工况复杂和数据质量较差的场景,提出数据驱动的健康状态综合评分及异常筛选算法,具有较强的适应性.首先,针对电池实际运行工况提出一种新的特征提取方案,可适用于非恒流的不...     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

大数据驱动的动力电池健康状态估计方法综述

动力电池健康状态估计是电池管理系统关键算法之一,对提高动力电池能量利用效率、降低电池热失控风险,以及动力电池的维保和残值评估具有重要意义。对比分析试验法、模型法、数据驱动法的优势和不足,并以数据驱动方法为核心,分别从动力电池健康状态数据集构建、健康状态特征参数提取、健康状态估计模型三个方面对现阶段健康状态估计方法的理论基础和技术方案进行综述。总结常用的大数据采集方法以及数据预处理方法,明确大数据在健康状态评估中的意义。比较现有健康状态特征提取方法,对其优劣以及适用场景做了分析。阐述不同健康状态估计模型的基本原理,提出模型融合是未来技术发展方向。最后,面向未来大数据实车应用场景,对动力电池健康状态估计方面存在的问题和发展前景进行了总结和展望。     

考虑混杂充电数据的锂离子电池容量估计

准确有效的电池容量估计对于电动汽车的安全性等有着十分重要的意义.目前结合健康因子提取的电池容量估计方法受到了广泛的关注,然而大多数研究没有考虑到电池实际应用中每个循环的充电数据会根据充放电情况的不同而具有不同的充电数据结构,这会导致健康因子的提取不能连续有效地进行,无效或缺失的健康因子序列会导致无法有效地估计电池容量,...     

锂离子电池健康评估和寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点研究问题。为此,本文针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结锂离子电池剩余寿命预测的方法和应用现状,涵盖锂离子电池管理系统、退化状态识别和循环寿命预测三部分核心内容。最后,给出一个面向空间应用的实例,并分析了未来的发展趋势和研究挑战。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

锂离子电池参数辨识与状态估计

对锂离子动力电池的电化学特性进行分析,基于其电化学特性在Matlab/Simulink建立了能斯特模型,仿真实验证明了电池模型的准确性,以RC二阶等效电路模型基于最小二乘法进行在线参数辨识,并引入卡尔曼滤波算法进行SOC估算,完成对电池管理系统的初步设计与验证,并在Matlab/Simulink中通过仿真证明了改进模型在纯电工况下的可行性与准确性。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

车用锂离子电池热管理系统研究

近年来,随着能源和环境问题越来越突出,锂离子电池驱动的电动汽车在缓解这些问题方面显示出了巨大的潜力和优势。与其他电池相比,锂离子电池具有比能量高、能量密度高、使用寿命长等优点。然而,受限于电池的工作温度,锂离子电池电动汽车发展面临巨大挑战。在高温环境下,锂离子电池可能会产生热失控,导致短路、燃烧、爆炸等安全问题。本文介绍了锂离子电池所使用的热管理方法,并对其优缺点进行了讨论和比较。同时,本文的最后,提出了锂离子电池的发展前景。     

飞机机电系统部件数据驱动健康状态 在线估计方法综述

飞机机电系统的机电部件(飞机机电系统部件)处于良好的健康状态是飞机机电系统安全运行重要前提,对于保障飞机正常飞行和成员安全具有重要意义。飞机机电系统部件健康状态在线估计可以实现部件健康状态的在线估计,有效支撑部件的视情维修,进而为飞行任务保障提供决策参考。本文以代表性飞机机电系统部件机电作动器和辅助动力装置为具体研究对象,在对该领域健康状态估计方法进行充分调研基础上,阐述飞机机电系统部件健康状态估计基本概念及内涵,并针对飞机机电系统部件数据驱动健康状态在线估计方法体系进行系统地分析,进而归纳总体发展动态并展望未来发展方向,以此为相关研究者提供参考。     

基于局部模型网络的锂电池SOC估计方法

锂电池的荷电状态(SOC)是电池管理最重要的参数,准确的SOC估计对保证电池运作的安全性至关重要。传统基于数据驱动的SOC估计法,如神经网络,在可解释性、参数整定方面表现不足。本文提出一种基于局部模型网络和天牛须搜索优化组合的SOC估计法。首先,借助局部模型网络描述复杂非线性系统的能力和其作为灰箱模型的可解释性,将模型的工况空间分解为多个可以用简单模型表示的局部子区间,再用调度函数组合为最终的模型。其次,在网络的训练过程中,采用天牛须搜索优化算法确定分裂空间上的最佳分裂方位,很好的兼顾了模型辨识的精度和运算复杂度。最后,在锂电池动态特性数据集上与已有文献中的SOC估计法进行了对比试验,本文所提出的方法在简单工况的训练集上的RMSE误差小于0.4%,在复杂工况的测试集上的RMSE误差小于0.9%,在不同温度上的表现也相对平稳,总体展现出较高的辨识精度及泛化能力。这一特点在实测的数据集上也得到了进一步验证。     

基于电化学阻抗谱的退役动力电池荷电状态 和健康状态快速预测

针对现阶段检测退役动力电池健康状态存在的耗时长、精度低和能耗大等问题,提出了一种基于电化学阻抗谱(EIS)的电池荷电状态(SOC)和健康状态(SOH)的快速预测方法。通过对退役磷酸铁锂动力电池在不同SOH、不同SOC和不同温度下的EIS测试和分析,建立了EIS等效电路模型。然后,利用常相位元件参数与退役动力电池SOC和SOH之间的关系,建立数学模型,实现对退役动力电池SOC和SOH的快速估计。验证实验表明,利用这种方法,可以大大减少测试时间至20min以内、节约能源以及实现对未知荷电状态和健康状态的电池的快速估计,预测误差在4%以内。     

六自由度振动老化条件下锂离子电池的 衰退机理诊断与 SOH 预测

电动汽车锂离子电池会受振动与老化影响而加速衰减,为了诊断振动老化条件下的衰退机理,实现健康状态(SOH)预测,采取如下措施:首先,分析电池受振动影响的衰减结果;其次,辨识衰退模式,利用容量增量-微分电压(IC-DV)曲线对衰退模式进行量化,Z组结果为:活性物质损失(36.94%)、锂离子损失(35.12%)、电导率损失(1.9%);最后,将量化结果输入建立的GA-Elman模型实现SOH预测,结果误差保持在5%以内,满足电池管理系统(BMS)预测的要求。该研究为振动老化条件下锂离子电池的衰退机理诊断与SOH预测提供了依据,有助于BMS制定相关策略延长电池使用寿命。     

基于脉冲电压频域特征和内阻的退役电池快速初步分选策略

随着新能源产业的发展,越来越多的退役电池如何处理成为了一个急需解决的问题。 磷酸铁锂电池由于高能量密度及 安全性的优点被广泛应用于汽车及储能场合,是现有退役电池中的主流之一。 退役磷酸铁锂电池的二次利用场景是根据电池 的健康状态、内阻等状态进行评估的,但是这个过程耗费大量的时间。 本文提出利用脉冲过程电压的频域特征作为估计健康状 态的健康特征,然后利用随机森林回归算法实现了健康状态的快速估计,这极大的缩短了退役磷酸铁锂电池分选的时间。 在此 基础上,本文提出利用基于高斯分布的异常参数识别方法评估异常内阻退役磷酸铁锂电池。 通过实验验证,选取的 15 节磷酸 铁锂电池中健康状态估计的最大误差为 6% ,且能够有效的筛除内阻与 SOH 不匹配的退役磷酸铁锂电池。     

基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

可重构卫星锂离子电池剩余寿命预测系统研究

针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法.首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路.实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景.     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

基于DSP的电动汽车蓄电池电量计量及荷电状态估计

荷电状态是反映蓄电池能量的重要参数,是电动汽车整车控制器制定能量控制策略的重要依据。为了解决电动汽车蓄电池电量计量及荷电状态估计问题,设计了基于数字信号处理器(DSP)的蓄电池电量快速计量系统,采用安时法对蓄电池充放电容量进行了估计,通过放电率、温度、自放电及容量老化等补偿措施来提高计量精度,并分析了温度与充放电倍率对蓄电池容量的影响。试验结果表明,补偿后的安时法可准确地估计蓄电池荷电状态,最大充放电倍率随温度升高而增大。