基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题，提出一种基于主成分分析(PCA)与改进LM算法 双高斯核RBF(ILM DGRBF)神经网络的方法，实现了SOH的准确估算。首先，提取与锂离子电池容量衰退高度相关的健康因子(HI)，采用PCA方法进行降维处理，减少HI之间冗余度。其次，创建双高斯核RBF神经网络，利用改进LM算法实现网络参数在线学习，建立ILM DGRBF神经网络。再次，利用数据增强的电池测试数据训练ILM DGRBF实现SOH估算。验证表明，经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势，可用于SOH的估算；与其他模型相比，所建ILM DGRBF模型具有更高的估算精度和更好的鲁棒性，估算结果的误差控制在15%以内。最后，基于该方法构建一种新的SOH智能估算系统，为电池安全管理提供参考依据。     

灰色神经网络模型在线估算锂离子电池SOH

锂离子电池是一个复杂的电化学动态系统,难以通过单一的监测电池内部的物理和化学特性实现健康状态(state of health,SOH)在线估算。为此提出以欧姆内阻增加量、极化内阻增加量和极化电容减少量作为电池的健康因子(health indicator,HI),并引入灰色神经网络离线训练以HI为输入,电池容量退化量为输出的灰色神经网络模型,最后通过在线构建电池HI实现电池SOH估算。实验结果表明所提出的HI能够有效表征电池健康状态,灰色神经网络模型与BP神经网络模型相比,具有更高的SOH在线估算精度,估算误差不超过2%。     

数据驱动的锂离子电池健康状态估计

为契合纯电动汽车实车电池数据特点,提出一种数据驱动的锂离子电池健康状态(SOH)估计方法。基于前馈神经网络和循环神经网络模型,通过电池动态放电数据学习其动态特性,并参考锂离子电池电化学模型中电池端电压的组成公式,设计电池系统辨识神经网络的结构。该神经网络能较精确地学习电池的端电压响应和预测电池的恒流放电电压曲线,平均误差小于20 mV。基于曲线相似度计算法,利用模型预测的恒流放电电压曲线,对电池的容量和SOH进行估计。所提出的方法可对电池SOH进行精确估计,误差小于2.5%。     

基于增量能量法和 BiGRU-Dropout 的锂电池健康状态估计

锂离子电池健康状态(SOH)的精确估计是电池管理系统面临的核心问题之一。针对实际的电池容量很难直接测量和容量再生导致的SOH估计误差问题,提出了一种基于增量能量法和双向门控循环网络(BiGRU)-Dropout的锂离子电池健康状态估计方法。首先分析增量能量曲线随电池老化的衰退规律,提取出最大峰值高度作为电池SOH的新健康因子。通过翻转层和门控循环网络层所搭建的BiGRU网络得出健康因子与SOH的映射关系,同时添加Dropout机制网络层防止出现过拟合现象,建立SOH估计模型用于电池SOH精确估计。实验结果表明,在不同充电倍率条件下,该方法均可快速、准确地估计电池SOH。     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

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。     

HELM实现锂离子电池SOH在线估算

锂离子电池的健康状态(SOH)估算对电动汽车的稳定安全运行十分重要，是提前预知电池寿命保障系统正常运行，避免灾难性事故发生的关键之一。针对目前健康因子(HI)构建复杂以及现有SOH估算方法模型参数多且复杂、耗时长等问题，提出了利用可直接测量的电池恒流充电时间和放电电压样本熵作为HIs表征电池的容量退化，降低HI构建的复杂度。引入分层极限学习机(HELM)模型建立SOH在线估算框架，以所构建的两种新HIs作为输入，离线训练HELM电池退化模型实现SOH在线估算。采用美国宇航局(NASA)、牛津大学(Oxford)公开数据集与自测数据集验证所提出的HELM框架对三元锂电池和钴酸锂电池SOH估算的有效性。训练样本和估算样本在相同温度条件下，最大绝对误差不超过1.05%,SOH估算精度较高；当温度条件和电池类型不同时，最大绝对误差不超过2.1%，表明该SOH估算框架具有较好的泛化性与迁移性。     

基于CNN-Bi-LSTM的锂离子电池健康状态估算

锂离子电池健康状态（state of health,SOH）是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警，保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征，结合卷积神经网络（convolutional neural networks,CNN）和双向长短期记忆网络（bi-directional long short-term memory,Bi-LSTM），提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征，输入数据获取方便，无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征，最终实现精确SOH估算。美国国家航空航天局（national aeronautics and space administration,NASA）电池老化数据集上的测试结果表明，所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32，精度优于Bi-LSTM和CNN-LSTM两种方法。     

基于改进粒子群优化算法和极限学习机的锂离子电池健康状态预测

锂离子电池健康状态(SOH)的准确预测能够保障电池安全稳定的运行。针对目前SOH预测模型准确性不高的问题，提出了一种改进粒子群优化算法(IPSOVP)和极限学习机(ELM)的SOH预测模型。首先，对电池数据进行分析，选择能够映射SOH变化趋势的健康特征；然后，采用Pearson相关系数分析法选出与SOH具有极高相关性的3个健康特征作为模型的输入，SOH作为输出；利用IPSOVP算法对ELM进行优化，建立IPSOVP-ELM模型进行SOH预测；最后，利用NASA电池数据集对IPSOVP-ELM模型进行验证，并与ELM模型、PSO-ELM模型、反向神经网络(BP)以及长短期记忆网络(LSTM)模型进行比较。实验结果表明，IPSOVP-ELM模型误差稳定在2%以内，具有更高的预测精度和鲁棒性，性能更好。     

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.     

锂离子电池老化机理及综合利用综述

准确的老化机理诊断与健康状态(SOH)评估可提示用户及时更换故障电池,保障电池系统的安全运行。分析总结过充与温度影响下锂离子电池容量衰减的老化机理,依据剩余容量,将退役锂离子电池应用于电网储能、应急电源等。对比不同方法下的老化诊断、SOH评估现状,展望未来建立退役锂离子电池快速诊断老化以及可用于实时监测退役锂离子电池二次利用过程中SOH变化的模型和系统。     

一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术.该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法.通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型.利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型.之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性.实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平.     

基于最小二乘支持向量机误差补偿模型的锂离子电池健康状态估计方法

对锂离子电池的健康状态(state of health,SOH)进行准确估计是电池安全稳定运行的重要保障。为此,提出一种基于最小二乘支持向量机误差补偿模型(least squares support vector machine-error compensation model,LSSVM-ECM)的锂离子电池SOH估计方法。该方法将电池容量的衰退过程分为总体趋势和局部差异,对于容量衰退的总体趋势,由电池容量历史衰退数据建立经验退化模型(empirical degradation model,EDM),并计算SOH真实值和模型输出值之间的误差;对于容量衰退的局部差异,以等压升时间作为输入,经验模型的拟合误差作为输出,建立LSSVM误差补偿模型,对EDM的预测结果进行动态补偿。公开数据集和实际实验测试的验证结果表明,所提方法具有较高的预测精度和较强的鲁棒性。     

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。     

基于能量加权高斯过程回归的锂离子电池健康状态预测

针对容量再生现象影响锂离子电池健康状态预测(SOH)建模精度的问题,提出一种经验模态分解(EMD)的能量加权高斯过程回归(EWGPR)方法。该方法将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用EMD分解获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH预测模型。基于NASA锂电池数据集的仿真实验结果表明,EWGPR方法比基本GPR算法具有更高的精度和适应性,单步预测和多步预测的均方根误差(RMSE)分别减少了3%和10%。     

电动汽车动力锂离子电池寿命预测方法研究

对动力锂离子电池寿命预测的相关研究进展进行了综述。介绍了锂离子电池健康状态(SOH)衰减的机理和影响锂离子电池使用寿命的主要因素。重点介绍了动力锂离子电池寿命预测的方法,包括基于电池容量衰减的寿命预测模型、电池的健康状态估算和电池的加速寿命实验。展望了动力锂离子电池寿命预测方法在电池测试和产品开发方面的应用前景。     

基于新健康指标的锂离子电池容量估计研究

最大可释放容量和内阻常用于锂离子电池的健康状态估计,由于操作条件复杂,在线应用的容量通常难以估计。此外,测量内阻成本高,无法在线测量。通过对NASA PCoE的数据进行分析,提出了一种新的健康指标(HI)用于锂离子电池容量估计。通过对原始健康指标的提取,利用Box-Cox变换对提取的HI序列进行优化,提高健康指标与容量的相关性。实验结果表明,新建立的健康指标对锂离子电池容量估计具有较高的精确度,为锂离子电池健康状态估计提供了理论基础。     

基于BiGRU网络的锂电池寿命预测

锂离子电池寿命预测是电池健康管理的一项重要内容,针对锂离子电池使用寿命预测难和单向LSTM神经网络不能充分利用数据信息等问题,提出了一种基于BiGRU的神经网络模型并将电池容量数据作为关键因子的锂离子电池循环寿命预测方法.BiGRU的神经网络预测精度更高,且训练参数较少,验证了BiGRU模型的有效性.     

基于ICA和Box-Cox变换的锂离子电池SOH估计方法

对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。