基于EMD-ARMA的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命难以预测以及预测结果不精确等问题,提出了采用电池循环剩余容量数据作为时间序列样本,基于经验模态分解对各分解出的子序列建立自回归移动平均(ARMA)预测模型,并经过Pearson相关系数验证各子序列的相关性,加权重构后实现电池剩余寿命(RUL)预测。实验采用NASA锂离子电池数据集,用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准,对所提模型(EMD-ARMA预测模型)、Elman神经网络模型和ARMA模型的预测结果进行对比分析。试验结果表明,在正常工况下,所提的EMD-ARMA预测模型计算的RMSE和MAE的值为三个模型中的最小值,预测误差小于1%;并且预测误差随预测起始点的后移会逐渐减小,证明所提预测算法在长期预测上有较稳定的收敛性,预测精度也有显著提高。     

基于灰色关联度分析-长短期记忆神经网络的锂离子电池健康状态估计

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析（GRA）以及长短期记忆（LSTM）神经网络的锂离子电池健康状态估计方法。该方法通过分析电池在老化过程中的充电增量容量曲线变化模式,提取电池老化特征。为了降低计算复杂度,引入灰色关联度分析法进行特征分析与筛选,并将其作为长短时间记忆神经网络的输入,进行网络预训练进而估计电池的健康状态。最后,利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。实验结果表明,所提出的方法表现出优秀的电池健康状态估计性能,并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性。     

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。     

动车组车载蓄电池健康状态判别方法综述

镍镉电池凭借优异的放电特性、高寿命、高倍率充电性能、良好的温度适应性、较高的安全性及经济性,作为动车组蓄电池,大量应用于高速铁路领域。镍镉电池的荷电状态估计、健康状态估计和剩余使用寿命预测等问题,对于确保动车组行车安全性、提高修程经济性具有重大意义。为此,在系统总结镍镉电池工作原理和老化机理的基础上,简要分析了动车组蓄电池修程规范,详细论述了目前可用于其健康状态判别的诸如模型驱动和数据驱动的所有可行方法,展望了镍镉电池健康状态估计方法的研究前景及挑战。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.     

基于ISSA-CNN-BiGRU-Attention的锂电池健康状态评估

健康状态（SOH）预测对于电池管理系统至关重要。针对电池健康状态评估建模复杂、预测误差大等问题,准确的SOH预测仍需要改进。本文结合容量增量分析（ICA）和差分电压分析(DVA)方法,提出了一种改进麻雀优化算法（ISSA）-卷积神经网络（CNN）-双向门控递归单元（BiGRU）-注意力机制（Attention）的锂电池健康状态评估方法。通过对容量增量（IC）曲线和差分电压(DV)曲线进行高斯滤波处理,避免了噪声的影响。通过马里兰大学先进的生命周期工程中心（CALCE）数据进行处理,从滤波后的IC和DV曲线上提取一组新的电池老化特征,所提4个老化特征与SOH之间的Pearson相关系数在0.9以上。使用ISSA-CNN-BiGRU-Attention方法来构建电池SOH的预测模型,将所提方法与CNN、BiGRU、CNN-BiGRU等方法进行比较,实验结果表明,该方法的MAE与RMSE误差最大值分别为0.005 44和0.007 17,对比其他模型,具有优秀的鲁棒性和准确性,具有更好的实际使用价值。     

基于GRA-BP神经网络的锂电池剩余容量估计方法

针对锂电池老化过程中特征不明显、对容量波动点追踪不准确、模型长期使用后精度下降等问题，提出了一种基于灰色关联分析(GRA)-反向传播(BP)神经网络的锂电池剩余容量估计方法。通过GRA筛选出能够表征电池老化的特征量，利用计算机辅助寿命周期工程中心(CALCE)公开的锂电池充放电数据集训练BP神经网络模型，并实现电池剩余容量估计。结果表明，对于同一电池，训练集占80%时，容量衰减的估计误差为2.28%，在训练集仅占20%的情况下，估计误差为5.99%。     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于实车数据的电动汽车电池健康状态估计

针对实际工况下电动汽车电池充放电电流不稳定,难以获取满充满放数据带来的电池健康状态估计困难的问题,研究以容量作为健康状态评价指标,以安时积分逆过程计算的深度充电片段电池容量及实车运行特征数据为数据样本,建立特征数据和容量之间的机器学习模型,得到剩余充电片段容量的估计,提出了一种结合安时积分法和机器学习模型对全时间段电池健康状态进行估计的方法.模型评价结果表明,该方法合理有效,对实际工况下电动汽车电池健康状态的实时估计有重要意义.     

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。     

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。     

Prediction of health level of multiform lithium sulfur batteries based on incremental capacity analysis and an improved LSTM

Capacity estimation plays a crucial role in battery management systems, and is essential for ensuring the safety and reliability of lithium-sulfur (Li-S) batteries. This paper proposes a method that uses a long short-term memory (LSTM) neural network to estimate the state of health (SOH) of Li-S batteries. The method uses health features extracted from the charging curve and incremental capacity analysis (ICA) as input for the LSTM network. To enhance the robustness and accuracy of the network, the Adam algorithm is employed to optimize specific hyperparameters. Experimental data from three different groups of batteries with varying nominal capacities are used to validate the proposed method. The results demonstrate the effectiveness of the method in accurately estimating the capacity degradation of all three batteries. Also, the study examines the impact of different lengths of network training sets on capacity estimation. The results reveal that the ICA-LSTM model achieves a prediction accuracy of mean absolute error 4.6% and mean squared error 0.21% with three different training set lengths of 20%, 40%, and 60%. The analysis demonstrates that the lightweight model maintains high SOH estimation accuracy even with a small training set, and exhibits strong adaptive and generalization capabilities when applied to different Li-S batteries. Overall, the proposed method, supported by experimental validation and analysis, demonstrates its efficacy in ensuring accurate and reliable SOH estimation, thereby enhancing the safety and performance of Li-S batteries.     

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。     

基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.     

基于蚁群神经网络算法的电池健康状态估计

电池健康状态(SOH)是进行电池健康监管和维护的重要依据。以某种车用磷酸铁锂单体电池为实验对象,提出了一种蚁群算法优化后的神经网络算法,以电池直流内阻定义SOH,并将该算法应用到电池健康状态估计模型。结果表明所提出的模型和方法预测电池最大直流内阻误差为0.1 mΩ,平均误差为0.049 mΩ,表明该方法能较为准确地预测电池直流内阻,实时反映电池的健康状态。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于TCN-BiGRU的锂离子电池健康状态评估

准确估算锂离子电池的健康状态可以有效保障锂离子电池的安全使用,但现有锂离子电池SOH评估方法存在评估精度不理想等问题。为此,本文提出了一种基于TCN和BiGRU相结合的电池SOH评估方法。首先,从电池充电数据中提取构建健康因子,并验证其与电池容量之间的相关关系;然后,利用TCN模型处理长序列依赖数据并开展特征提取,同时在该模型中添加Dropout层以防止过拟合,提升了模型的泛化性;最后,通过BiGRU模型进行历史数据特征建模并对数据退化趋势进行估计,最终实现对锂离子电池SOH的精确评估。利用实验室搭建的电池退化试验台获取的四组电池退化数据进行方法验证,结果表明所提模型所估计的SOH在决定系数、绝对平均误差以及均方根误差3个指标上的均值分别为0.990 4、0.017 1、0.022 3,明显优于其他对比方法。     

基于AMEsim的锂电池健康状态估计模型实验研究

新能源汽车动力电池健康状态（state of health，SOH）是一个表征电池性能优良的重要评价指标。针对准确估计18650锂电池健康状态这一目标需求，在锂电池单体数学模型的基础上，通过其等效电路模型分析影响锂电池健康状态的因素，采用通用非线性模型（gneral nonlinear model，GNL）电池等效电路和扩展卡尔曼滤波算法，在AMEsim仿真环境下搭建了锂电池SOH估计模型，并对18650锂电池进行充放电循环实验，将采集到的数据集导入AMEsim估计模型的数据模块中进行算法仿真。仿真实验结果表明，SOH估算误差小于8%，建立的锂电池SOH估计模型满足估算精度高，响应速度快的目标需求。