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。     

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.     

基于充电电压片段和融合方法的锂离子电池SOC-SOH-RUL联合估计

对锂离子电池的荷电状态(state of charge,SOC),健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)进行准确估计是锂离子电池安全稳定运行的重要保障,该文提出一种结合充电电压片段和等效电路模型(equivalent circuit mod...     

基于FFRLS-UKF的锂离子电池内核温度估计方法

基于锂离子电池的集总参数模型,建立产热内阻随温度、SOC和循环次数变化的数学模型,并提出了一种基于带遗忘因子的递推最小二乘法(recursive least square with forgetting factor,FFRLS)-无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的锂离子电池内核温度估计方法.在单周期的FUDS工况下进行实验验证,根据采集的电池表面温度值、环境温度和电流值在线辨识热阻容参数和内阻,并验证所辨识参数的准确性;用FFRLS-UKF算法估计内核温度的变化,实验结果表明,该方法可以很快消除未知初始值的误差,并跟随到真值附近,最大误差在1℃以内.在此基础上设计了150次FUDS循环充放电的仿真实验,仿真结果表明,在循环工况下,该方法能够较好地追踪内核温度和内阻平均值变化情况,显示了较好的稳定性和鲁棒性.     

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。