锂离子电池健康状态估计方法

为研究动力锂离子电池的健康状态( state of health,SOH),根据SOH和荷电状态( state of charge,SOC)的定义以及电池的二阶电阻电容( resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型。通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果。结果表明：所提出的估计方法具有可行性和精确性。     

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。     

锂离子电池状态估计与剩余寿命预测方法综述

准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状态评估与寿命预测方法进行了大量研究,提出了多种方法。首先,介绍了SOC与SOH的定义及已有估算方法,并进行了对比;然后,介绍了RUL的定义,并对主要方法进行了分类与比较;最后,总结了锂离子电池状态估计与寿命预测方面存在的挑战,并提出了未来的发展方向。     

基于SVR-PF的无人机电池健康状态诊断研究

针对无人机锂离子电池健康状态诊断问题,提出一种基于支持向量回归机粒子滤波(SVR-PF)的电池健康状态诊断方法。根据锂离子电池阻抗衰退机理与阻抗和容量的相关性,定义电池健康状态变量;建立阻抗衰退模型及电池容量-阻抗关系模型,并分别对两个参数进行辨识;利用辨识得到的电池健康状态变量,为无人机电池的健康状态诊断提供了一种可行手段。     

基于SOH及离线数据分段矫正的锂电池SOC估计

锂离子动力电池在电动车辆上应用时,受工况、环境等随机因素影响,SOC具有很强的时变非线性,对电动车辆动力电池SOC估计进行研究具有理论意义和应用价值。安时积分法是目前工程中常用的SOC估计方法,在应用过程中存在的难点是积分过程中累积误差的消除。首先利用电池健康状态估算出电池当前时刻的实际可用容量,作为安时积分法中的除数项,对SOC估计值进行矫正;其次,利用离线数据对安时积分法中的累积误差进行分段消除。仿真结果表明,所提方法比传统的安时积分法具有更高的精度,能够较好地消除累积误差。     

一种基于SOH的机载蓄电池地面维护设备的实现

机载蓄电池的健康度（State-Of-Health,SOH）是评判电池是否可以继续使用的重要评价参数。针对其受多重因素影响,难以估计准确值的特点,文中提出了一种简单可靠、测量精度理想、易于实现的地面维护设备设计方案,适用于对机载蓄电池进行地面维护。文中从设备设计角度分析了其功能需求关系,实验结果印证了该方法的可行性。     

Effect of Stand-Off Height on Microstructure and Tensile Strength of the Cu/Sn9Zn/Cu Solder Joint

To investigate the effect of stand-off height (SOH) on the microstructure and mechanical behavior of certain solder joints, Cu/Sn9Zn/Cu solder joints with a SOH of 100 μm, 50 μm, 20 μm, and 10 μm were prepared and studied. It was found that, as the SOH is reduced, the Zn content in the solder bulk experiences a rapid decrease due to consumption by metallurgical reaction in the reflow process; hence, the microstructure of the solder bulk is changed significantly from a Sn-Zn eutectic structure to a hypoeutectic structure. By contrast, Cu content in the solder bulk experiences a rapid increase with reducing SOH, and this leads to more dissociative intermetallic compounds (IMCs) in the solder bulk. These compositional and microstructural changes induced by reducing the SOH correlate closely with the mechanical properties of the solder joints. In our study it is found that, as SOH is reduced, the tensile strength of the solder joints decreases, the fracture path of the solder joint transfers from the solder bulk into the interface between the IMC layer and the solder bulk, and the fracture mode tends to change from ductile to brittle. These findings point to a probable way to improve the mechanical properties of miniaturized solder joints by controlling the composition and dissociative IMCs in the solder bulk.     

基于卷积自编码神经网络的锂离子电池健康状况评估方法研究

目前锂离子电池已被广泛用作能量存储系统,在手机、电动汽车和飞机中均有广泛的应用。然而锂离子电池在使用过程中存在一定的危险性,若不能及时对电池健康状态评估（SOH）发现危险将会导致十分严重的后果。因此,研究一种基于卷积神经网络的锂离子电池健康状况评估方法,该方法通过使用卷积自编码神经网络对电池状态数据进行特征提取,有效提升了评估的准确率,并且神经网络能够在使用过程中不断进行学习,具有较高的灵活性,最后通过使用NASA公开的锂电池数据集测试,评估准确率达到93.6%,相比传统方法有较大提升。     

改进PSO-RBF算法的锂电池额定容量实时估计

针对在实际工况下对锂离子电池额定容量进行估计时,数学建模困难、内部参数测量复杂、模型自适应性差等问题,提出一种对粒子群聚类算法的参数组合进行优选并结合优选结果对径向基函数(RBF)神经网络进行改进的方法,以实现对锂电池额定容量的实时估计。将电池额定容量的影响因素划分为内部退化因素和特性影响因素,通过分析电池内部退化规律的相关性,进行剩余寿命预测;结合电池健康状态影响因素(温度、充放电倍率),进行动态额定容量标定。实验结果表明,改进的RBF算法预测结果平均误差约为2.1%。     

一种面向HDFS的多层索引技术

SOH（SQL over HDFS）系统通常将数据存储于分布式文件系统HDFS中,采用Map/Reduce或分布式查询引擎来处理查询任务。得益于HDFS以及Map/Reduce的容错能力和可扩展性,SOH系统可以很好地应对数据规模的飞速增长,完成分析型查询处理。然而,在处理选择型查询或交互式查询时,这类系统暴露出性能上的缺陷。本文提出一个通用的索引技术,可以应用于SOH系统中,以提高其查询处理的效率。分析了SOH系统访问HDFS文件的过程,指出了其中影响数据加载时间的关键因素;提出了split层和split内部双层索引机制;设计并实现了聚集索引和非聚集索引。最后,在标准数据集上进行了大量实验,并与现有基于HDFS的索引技术进行了比较。实验结果表明,所提出的索引技术可以有效地提高查询处理的效率。