基于UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

基于改进回声状态网络的锂离子电池剩余使用寿命预测

锂离子电池凭借其优越的性能被广泛用于纯电动汽车及大型电气系统。然而，随着锂离子电池循环充放电，电池性能大幅度衰退，会间接导致用电系统的性能衰退或发生故障。因此，准确预测锂离子电池剩余有效寿命(RUL),能够保障电池安全可靠运行。为了提高锂离子电池RUL的预测精度，提出了一种基于改进粒子群算法(IPSO)回声状态网络(ESN)的锂离子电池RUL预测方法，实现在线准确预测锂离子电池RUL。首先，通过遗传算法(GA)的交叉和变异操作优化PSO,提高粒子局部与全局寻优能力。然后通过GA-PSO对ESN网络参数进行优化，建立退化预测模型，利用NASA公开的锂离子电池实验数据进行仿真实验。结果表明，在相同数据集条件下，与改进粒子群算法和门控循环单元(IPSO-GRU)神经网络、遗传算法的极端学习机(GA-ELM)、非线性自回归(NARX)动态神经网络、改进蚁狮优化算法支持向量回归(IALO-SVR)、间接健康指标与ESN的预测方法相比，GA-PSO-ESN有更高的预测精度、稳定性和泛化能力，表明了该方法的有效性。     

一种基于粒子滤波的锂离子电池健康预测算法

安全性是制约锂离子电池发展的关键瓶颈,锂离子电池故障往往会导致系统性能下降并可能使系统瘫痪,军事应用时将直接导致各种无人作战系统无法遂行战略战术预期。根据锂离子电池电学特性建立一种融合非线性开路电压、电流,温度,循环次数以及随时间变化的剩余容量等多种电池动态特性的集总参数模型。以锂离子电池电化学工作过程为基础,提出一种依据序列重要性重采样来预测其单次放电循环放电终止时间的和循环寿命的粒子滤波算法。仿真结果表明以集总参数模型为基础的粒子滤波算法能对锂离子电池健康状态进行正确预测,为其健康管理提供了一种关键的理论支持。     

基于抗差UKF的动力锂电池SOC估计算法研究

从锂离子电池模型的研究与优化入手,以自主设计的电池SOC仿真系统模型和硬件实验平台为基础,分析锂离子电池SOC预估算法中的粗差影响因素,建立一种新型基于抗差无迹Kalman滤波(UKF)的锂离子电池SOC预估方法.该方法将开路-AH法与抗差UKF估计理论相结合,克服传统估算方法无法消除累积误差的缺点.对照实验结果表明,新算法能够提高动力储能锂离子电池的SOC量测过程中的预估精度,对于促进动力储能锂离子电池的推广,提高动力储能锂离子电池组的能量储存能力、利用率和循环寿命有着重要的科学意义.     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。     

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。     

锂离子电池剩余寿命预测研究

准确的锂离子电池剩余寿命预测对其安全有效管理及使用维护具有重要意义。针对锂离子电池寿命预测的研究现状进行分析,归纳总结了锂离子电池寿命建模思路。重点研究了近年来用于剩余寿命预测的技术、算法和模型,并分别比较了各类预测方法的优缺点,给出了锂离子电池剩余寿命预测亟待解决的问题及发展趋势。     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

电池管理系统算法综述

锂离子电池由于其高能量密度和使用寿命长等优点成为储能的首选,锂离子电池系统的安全运行、状态估算、剩余寿命预测都由电池管理系统(BMS)管理,故BMS对电池系统的使用和稳定至关重要.主要关注以动力电池为代表的电池系统,综述了数据驱动方法的各种算法在BMS系统的应用.概述了BMS电模型的电化学模型、等效电路模型、数据驱动模型的特点,热建模的电模型、热模型、热-电耦合、热-电化学耦合模型的应用范畴.介绍了卡尔曼滤波、神经网络、向量机在SOC估计的应用,粒子群算法、HI-DD-AdaBoost.RT(不等式漂移检测自适应增强学习/阈值回归算法)、卡尔曼滤波在SOH估计的应用剩余寿命预测方面,介绍了经验预测、滤波预测、时间序列预测法.     

基于PF-ARIMA的锂离子电池剩余寿命预测

针对电池健康状态局部波动增加预测难度,采用粒子滤波和自回归整合移动平均模型分别预测由经验模态分解提取的健康状态趋势项和细节项,实现锂离子电池剩余寿命预测.提出的PF-ARIMA方法相对误差均值约4.0％,表明该方法能够较为准确地预测锂离子电池剩余寿命.     

磷酸铁锂动力电池循环寿命预测方法

针对粒子滤波循环寿命预测算法对磷酸铁锂动力电池长期预测效果较差问题,通过神经网络对电池历史数据进行学习,将训练学习值作为观测值代入粒子滤波算法中,修正粒子状态值;针对磷酸铁锂电池动态方程中寿命没有直接与观测值建立联系的问题,推导了关于电池寿命与容量观测值的后验概率关系,得到蒙特卡洛方法下的后验概率密度关系,给出了电池寿命预测不确定性表达。实验结果表明以神经网络训练值,作为改进粒子滤波动态方程算法的观测值,方法有效,降低了预测误差。     

锂离子电池状态估算与寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点问题。准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。为此,针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结了锂离子电池剩余使用寿命预测的方法和应用现状,涵盖锂离子电池荷电状态与健康状态估算和剩余使用寿命预测2部分核心内容,总结其优势与局限性,并分析了未来的发展趋势和研究挑战。     

基于最优权阈值ELM算法的锂离子电池RUL预测

针对锂离子电池剩余使用寿命RUL(remaining useful life)预测结果不准确及极限学习机ELM(extreme learning machine)权阈值随机选取等问题,提出利用ELM模型间接预测锂离子电池RUL的方法 ,并利用遗传蚂蚁算法GAAA(genetic algorithm ant algorithm)选取ELM的最优权值与阈值,建立基于等压降放电时间间接寿命特征参数的最优GAAA-ELM锂离子电池RUL预测模型。基于NASA锂离子电池数据集预测和评估锂离子电池的RUL,并与BP模型预测方法、ELM模型预测方法和GA-ELM模型预测方法相比较,结果表明该方法能够更准确有效地实现锂离子电池RUL预测。     

基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。     

利用 QPSO 改进相关向量机的电池寿命预测

锂离子电池作为系统供能的关键部分,其寿命终结往往导致用电设备的性能下降或故障,甚至整个系统的崩溃。因此,研究电池剩余使用寿命(RUL),提前预知失效时间,显得日趋重要。针对锂离子电池寿命预测过程中训练时间较长、参数确定困难、输出结果不稳定等问题,提出了利用运用泛化能力更好,更稀疏,测试时间更短,更适用于在线检测的相关向量机(RVM)进行预测,并通过量子粒子群对相关向量机进行了优化,保证了预测输出结果的稳定性。分析结果表明,量子粒子群算法改进后的相关向量机对锂电池失效时间的预测准确度高达99%,电池寿命预测的绝对误差平均值2%,均方根误差3%,验证了该改进算法的可行性和优越性。     

关于锂离子电池健康状态预测方法的研究进展

锂离子电池寿命对于实际应用至关重要,研究其寿命影响因素,并进行精准寿命预测,对于提升电池组使用可靠性和降低电池组成本具有重要的意义。立足应用,简要分析了电池性能衰退机理,重点综述了预测电池日历寿命和循环寿命方法的研究进展。还对电池寿命测试和电池全寿命周期性能估计中的关键问题和研究方向进行了探讨。     

基于 STPF 的 SOC 估计及在多锂电池均衡中的应用

提出一种能跟踪突变状态的锂电池荷电状态(SOC)估计方法,并应用于多锂电池组的SOC均衡中。在粒子滤波算法中引入强跟踪滤波,将当前的采样结果融入到预测误差更新中,得到新的校正项,然后利用该校正项对粒子滤波算法的粒子集进行校正,从而使粒子快速推向高似然区域,抑制粒子退化;渐消因子的引入能实时调整误差协方差矩阵,使粒子滤波算法兼具强跟踪滤波的强鲁棒性和对突变状态的跟踪能力,有效克服模型的不确定性,进一步提高SOC的估计精度。将所提方法应用于多电池主动均衡中,提出一种基于SOC一致性的均衡策略,率先均衡容量差距较大的相邻电池组,再控制能量实时双向传递,提高了整体均衡速度。实验结果表明,改进算法的平均估计误差在0.13%以内,标准差为0.12%;相比传统的粒子滤波算法、扩展卡尔曼滤波算法和强跟踪算法,精度分别提升约64%、85%和75%,并且稳定性也得到了进一步加强。在多电池主动均衡中的应用表明,有效减小了电池组容量在充放电过程中的不一致性,电池组离散度被控制在1%以内,有利于提高电池容量的利用率与使用寿命。     

增强锂离子电池安全性的电解液添加剂

电解液作为锂离子电池的一个重要组成部分对电池性能影响很大。有机电解液添加剂是近年来锂离子电池研究中的一个热点。综述了锂离子电池有机电解液中过充电保护添加剂、改善电池安全性的添加剂的作用机理、特点以及它们在锂离子电池有机电解液中的应用研究现状;同时对它们的优缺点进行了评述。     

Data-driven prognostics and remaining useful life estimation for lithium-ion battery:

As an important and necessary part in the intelligent battery management systems (BMS), the prognostics and remaining useful life (RUL) estimation for lithium-ion batteries attach more and more attractions. Especially, the data-driven approaches use only the monitoring data and historical data to model the performance degradation and assess the health status, that makes these methods flexible and applicable in actual lithium-ion battery applications. At first, the related concepts and definitions are introduced. And the degradation parameters identification and extraction is presented, as the health indicator and the foundation of RUL prediction for the lithium-ion batteries. Then, data-driven methods used for lithium-ion battery RUL estimation are summarized, in which several statistical and machine learning algorithms are involved. Finally, the future trend for battery prognostics and RUL estimation are forecasted.