基于多时间尺度的锂离子电池状态联合估计

荷电状态(SOC)和健康状态(SOH)估计是锂离子电池管理系统的关键技术。针对SOH退化情况下电池模型参数和容量参数发生改变影响SOC长期估计性能的问题,提出了基于多时间尺度的锂离子电池SOC-SOH联合估计方法。建立多时间尺度状态空间方程,构建SOC-SOH与电池模型参数间多维度空间插值曲面,基于无迹粒子滤波算法实现锂离子电池状态联合估计。根据SOH估计结果更新用于SOC估计的电池模型参数和容量参数,在SOH估计中以在线健康因子作为系统观测量实现在线联合估计。实验结果表明,在锂离子电池全寿命周期中,相较于未考虑SOH退化情况,方法在SOC估计的最大误差、平均误差和均方根误差方面有明显降低,较好地提升了SOC的长期估计性能。     

电动汽车动力电池SOH估计方法探讨

实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。     

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。     

锂离子电池开路电压快速估计研究

提出了一种离线式锂离子电池开路电压快速估计方法,在短时间内完成对需要经过长时间搁置才能稳定的开路电压的预估。建立了一个带有权重的电压弛豫模型并利用短时间内搁置电压数据和模型预估值构造损失函数,通过优化算法对损失函数中的参数进行寻优。电池开路电压预估流程包括对电池进行放电,搁置和开路电压预估,整个过程所需时间为30～40 min,即通过30～40 min就可以完成对需要进行数小时静置后才能稳定的开路电压的预估。为了检验此模型的适用性,设计了三元锂电池在不同电池荷电状态(State of charge,SOC)下、不同温度下和以不同的放电倍率放电下开路电压预估的试验,以及设计了电池容量循环衰减试验,并在电池容量衰减后继续对电池开路电压进行预估。试验结果表明,此模型可以通过短时间搁置便能精确地预测电池在不同SOC和不同温度下以及电池容量衰减后的开路电压。提出的离线式锂离子电池开路电压快速估计方法能够快速、准确地预估电池稳定开路电压,在电池SOC以及电池健康状态(State of health,SOH)等状态估计及电池容量估计方面有重要作用,能够大大缩短预估时间。     

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。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测（英文）

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。     

人工智能在动力电池健康状态预估中的研究综述

目前先进的电动汽车开发和应用已成为实现“脱碳”的关键技术。准确的电池健康状态(State of health, SOH)预估可有效地表征动力电池性能,对电动汽车动力电池维护和寿命管理具有重要意义。近年来,以深度学习、强化学习和大数据技术等为代表的新一代人工智能技术在电动汽车电池状态预估的应用已成为研究热点。首先简要介绍人工智能技术、SOH的含义以及影响SOH主要因素,然后分别从电池单体与电池系统的角度对几种人工智能模型在SOH预估中的研究进行总结与讨论,最后结合大数据、云计算、区域链等新兴技术,对电池健康状态预估问题进行展望,为提升当前动力电池全生命周期管理能力提供一些思路。     

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。     

基于无迹卡尔曼航空锂电池的SOC估算系统

针对放电条件下,航空锂电池的放电情况,考虑了电流及温度对极化参数的影响的电池模型。电池电荷状态(State of Charge,SOC)对于电池是十分重要的性能,为了精准估计航空锂电池的电池电荷状态(State of Charge,SOC),尝试使用无迹卡尔曼滤波(UKF)对航空锂电池的SOC进行估算,无迹卡尔曼滤波是一种新型的滤波估计算法。UKF以无损变换变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无迹(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。在simulink上建立航空锂电池的等效电路模型,进行仿真实验。仿真实验表明该算法SOC估算精度误差稳定在百分之五左右。     

镍氢电池组的荷电状态估计方法研究

采用联邦城市行驶工况(FUDS)对电池组进行充放电试验,建立了单变量的镍氢电池组的状态空间模型。将电池荷电状态(State of charge, SOC)作为系统的状态,基于卡尔曼滤波进行SOC的估计,估计结果的最大相对误差为2.15%。该方法适合于电池工作为动态的混合动力汽车,也同样适用于那些电池状态变化不剧烈的场合,并且具有较小的计算量。     

纯电动汽车电池管理的开发与应用

简要介绍了搭载磷酸铁锂电池的电动汽车电池管理系统与整车的关系,分析了磷酸铁锂电池的充放电特性,阐述了电池管理系统的结构,对于电池电量(SOC)的估算做出阐述,根据应用经验估算出电池可循环使用寿命(SOH),通过大量实验数据说明了电池的充放电特性,这些特性对于电池管理系统的开发具有积极意义.     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

[动力电池]基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。     

基于Peukert方程的动力电池荷电状态卡尔曼滤波估计算法

电池荷电状态（SOC）受到温度、电流、循环寿命等因素的影响,Peukert方程是一种很好的计算电池容量方法。传统Peukert方程没有考虑温度的影响,而温度变化会导致Peukert方程常数n和K的变化。因此,建立了基于温度和电流变化的Peukert方程,利用安时法和复合电化学模型建立电池模型状态方程和测量方程,采用扩展卡尔曼算法实现电池荷电状态动态估算。结果显示,基于温度修正Peukert方程的镍氢电池荷电状态估计算法精度比传统安时法提高7%~8%。     

混合动力汽车电池内部状态预测的贝叶斯极限学习机方法

针对混合动力汽车（HEV）电池内部状态预测问题,引入贝叶斯极限学习机（BELM）方法。对BELM的基本原理进行了详细介绍,在高级车辆仿真软件ADVISOR中采集HEV电池的各项性能参数,包括电压、电流、温度和内阻等。基于此,将BELM应用于电池的荷电状态（SOC）和健康状态（SOH）的预测,同时考虑电池老化对内部状态预测效果的影响。BELM预测结果表明：所设计的预测模型具有较高的精度,能够实时准确地预测出电池的SOC和SOH值。     

基于数据驱动的锂离子电池健康状态估计研究进展综述

锂离子电池(LIBs)在电气化交通、电化学储能和移动电子产品等领域广泛使用,精准评估其健康状态( SOH)是确保安 全可靠应用的基础。 数据驱动法是当前评估 SOH 的主流方法,该方法无需考虑电池内部复杂的物理化学反应,依赖于直接的 数据分析,且具有较高的精度。 本文从锂离子电池 SOH 影响因素入手分析了基于数据驱动的电池 SOH 估计方法的研究现状, 着重比较了机器学习、滤波器和时间序列等方法实施 SOH 估计的原理、优缺点。 最后,针对电动汽车实际应用场景,对 SOH 估 计方法的未来发展趋势进行了展望。     

State of charge estimation of vanadium redox battery based on improved extended Kalman filter

The accurate state of charge (SOC) estimation can protect the battery from overcharging and over-discharging, and it is useful to make an effective dispatching strategy. The extended Kalman filter (EKF) method is used to estimate SOC widely. But it does not consider the SOC constraints. Moreover, the convergence is influenced by the uncertain initial SOC, which may lead to false alarm, unwanted operation of protection, error dispatching and poor robustness of the system. This paper presents an improved extended Kalman filter (IEKF) method to estimate SOC for vanadium redox battery (VRB) by introducing a gain factor. It can be adjusted automatically according to the output error and SOC boundary. To implement IEKF estimator, a VRB state space model is established and its parameters are identified by recursive least square (RLS) method. Then a VRB of 5kW/30kWh experimental platform is built. Finally, the IEKF method is validated and compared with EKF against unknown initial value through the experiments. The results have shown that IEKF method is superior to EKF in terms of accuracy, convergence speed and robustness. And the estimated SOC remains bounded by using IEKF method. It is more suitable for SOC estimation than EKF algorithm in the industrial applications.     

基于最小二乘支持向量机的锂离子电池的SOC估算

由于储能系统是微电网中必不可少的一部分,锂离子电池因其寿命长、使用效率高和储能密度大等优点,成为微电网中较为理想的储能装置。在电池的使用过程中,由于要求对电池的容量有精确的判断,因此应检测电池的SOC。本文在分析了不同的SOC估算方法的基础上,针对微电网中储能使用的锂离子电池,提出了使用最小二乘支持向量机的方法估算其SOC,并进行了具体的试验验证。试验显示,预测数据与实际数据的最大误差约为6%,充分证明了该方法是可行和有效的。