超级电容动态参数等效电路模型及实时辨识方法

针对超级电容传统静态参数等效电路模型不能有效反映其动态工作特性问题,提出一种包含动态充放电内阻和电容参数的二阶梯形等效电路模型,利用递推最小二乘法对二阶梯形等效电路模型参数进行初步离线辨识.进一步,考虑超级电容参数的动态变化,将离线辨识模型参数作为初值,引入带遗忘因子的递推最小二乘法对动态参数进行实时辨识.搭建超级电容仿真模型和实验测试平台,通过仿真和实验结果对比验证动态参数二阶梯形等效电路模型和实时辨识方法的有效性和准确性.结果表明：动态参数二阶梯形等效电路模型可以有效反映超级电容的动态充放电工作特性,与传统静态参数的三分支等效电路模型和二阶梯形等效电路模型相比,模型的精度分别提高2.08和3.56个百分点.     

SOC distribution-based modeling for lithium-ion battery for electric vehicles using numerical optimization

In order to simulate electrical characteristics of a lithium-ion battery used in electric vehicles in a good manner,a three-layer battery model is established.The charge of the lithium-ion battery is assumed to distribute among the three layers and their interaction is used to depict hysteresis and relaxation effect observed in the lithium-ion battery.The model parameters are calibrated and optimized through a numerically nonlinear least squares algorithm in Simulink Parameter Estimation Toolbox for an experimental data set sampled in a hybrid pulse test of the battery.Evaluation results showed that the established model is able to provide an acceptable accuracy in estimating the State of Charge of the lithium-ion battery in an open-loop fashion for a sufficiently long time and to describe the battery voltage behavior more accurately than a commonly used battery model.The battery modeling accuracy can thereby satisfy the requirement for practical electric vehicle applications.     

基于电动汽车行驶数据的动力电池放电性能评估

随着动力电池在新能源汽车中的广泛应用,电池故障诊断、退役电池评价等问题亟需解决,评估电池健康状态成为动力电池领域的重要课题。 在分析电动汽车行驶数据的基础上,提出了一种评估锂离子动力电池放电性能的模型。 该模型针对电池实际工作数据充放电较为随机的特点进行了调整和适配,解决了传统评估模型难以适用于实际使用场景的问题。 该模型具有低复杂度,能够快速给出评估结果,适用于大批量的电池评估。 实验表明,该模型提取的放电性能指标具有随累积行驶里程的增加而下降的趋势。 根据灰色关联分析,放电性能指标和电池容量随里程的变化具有相似趋势,能够从电池实际工作情况中评估出电池当前的放电能力,为更全面地评估电池健康状态提供参考。     

Fuzzy Model for Estimation of the State-of-Charge of Lithium-Ion Batteries for Electric Vehicles

A fuzzy model was established to estimate the state of charge (SOC) of a lithium-ion battery for electric vehicles. The robust Gustafson-Kessel (GK) clustering algorithm based on clustering validity indices was applied to identify the structure and antecedent parameters of the model. The least squares algorithm was utilized to determine the consequent parameters. Validation results show that this model can provide accurate SOC estimation for the lithium-ion battery and satisfy the requirement for practical electric vehicle applications.     

粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元（gated recurrent unit,GRU）神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。     

自适应模型与改进粒子滤波的电池RUL预测

为提高锂电池运行的安全性和可靠性并维护系统稳定运行,提出一种自适应混合模型与改进粒子滤波（particle filter, PF）算法的锂电池剩余使用寿命（remaining useful life, RUL）预测方法。采用经验模型与神经网络模型结合建立自适应混合模型描述电池容量退化趋势,并使用天牛须搜索（beetle antennae search, BAS）算法优化PF重采样步骤解决粒子多样性丧失问题,从而提高估计精度进而实现RUL的精准预测。应用NASA和CALCE公开的两组不同类型锂电池作为实验对象,验证模型的有效性并通过对比PF与改进PF算法验证RUL预测的准确性。结果表明:自适应混合模型对于电池容量变化的表达能力更强,既能考虑电池内部的参数变化又能反应电池外部环境的变化,基于BAS改进的PF（BAS-PF）方法相较于传统PF算法的估计精度更高而且RUL预测更准确,对于不同的预测起点,两块测试电池的RUL预测误差分别为5.88%、3.92%、1.96%和3.75%、1.25%、0%。自适应混合模型能更加有效地描述电池容量特征,基于自适应混合模型的BAS-PF算法的电池RUL预测能力更好,可靠性更强,有助于提高RUL预测的精度和表现。     

电动汽车用动力电池组建模和参数辨识方法

提出了电动汽车用的锂离子动力电池组电化学极化模型,并利用扩展卡尔曼滤波和最小二乘算法分别建立了在线和离线的参数辨识方法。混合脉冲功率特性试验的验证结果表明:基于提出的电化学极化模型所建立的参数辨识方法能够保证模型最大相对误差在1%以内,可精确模拟动力电池组的动态电压特性。建立的参数辨识方法能有效地避免动力电池初次使用前耗时、复杂且易错的参数辨识及定期的参数标定等试验,提高电池管理系统的工作效率。     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于递归聚类与相似性的模糊神经网络结构设计

针对模糊神经网络结构设计问题,提出一种基于递归聚类与相似性的结构设计方法.首先,提出以输出变化强度为导向、以结构细分为手段的递归聚类方法对网络初始结构进行设计.其次,通过计算模糊规则的相似性,将高度相似的规则进行合并,在保持良好精度的前提下,对网络初始结构进行简化.最后,通过函数逼近、非线性系统辨识仿真实验验证了方法的可行性和有效性.     

基于神经网络的MH/Ni电池剩余容量预测

为有效地对电动车电池剩余容量进行预测，在分析了MH／Ni电池充放电过程的反应机理的基础上，应用改进算法的BP神经网络，建立了MH／Ni电池的神经网络模型，用于预测MH／Ni电池放电过程中某一状态下的剩余容量。结果表明，通过该网络模型可以方便快速的得到电池剩余容量及荷电状态的预测值，所得结果满足要求，为电池管理系统提供了一种新的预测方法。     

基于神经网络的MH/Ni电池剩余容量预测

为有效地对电动车电池剩余容量进行预测,在分析了 MH/Ni 电池充放电过程的反应机理的基础上,应用改进算法的 BP 神经网络,建立了 MH/Ni 电池的神经网络模型,用干预测 MH/Ni 电池放电过程中某一状态下的剩余容量.结果表明,通过该网络模型可以方便快速的得到电池剩余容量及荷电状态的预测值,所得结果满足要求,为电池管理系统提供了一种新的预测方法.     

面向全生命周期的锂电池健康状态估计

为研究锂电池在动态工况下以及全生命周期内健康状态的准确估计问题,提出一种基于固定充电电压片段的方法.选取充电过程中某固定电压片段内所充电量作为电池容量估算的等效健康因子,利用遗传算法选择最优的充电电压片段,在两类锂电池老化实验数据的基础上,设计放电电流不同、健康状态区间不同的8个验证算例.实验结果表明:8个验证算例中,训练集电池和测试集电池健康状态估计的平均绝对误差与均方根误差均低于1.55%;所提出的基于等效健康因子的方法,在100%～60%的全寿命健康状态区间,对于不同的放电电流、不同材料的电池,均能进行健康状态的准确在线估计,具有较强的适用性.     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

基于IPSO-GRU的锂离子电池剩余使用寿命预测

为了提高预测锂离子电池剩余使用寿命（RUL）的精度,提出了一种基于改进型粒子群算法（IPSO）与门控循环单元（GRU）神经网络的锂离子电池RUL预测模型。首先,通过改变PSO算法的惯性权重和学习因子的更新规则,提高其寻优能力;然后,通过IPSO算法优化GRU神经网络的参数选择,搭建IPSO-GRU模型。最后,利用美国国家航空航天局（NASA）公开的锂离子电池实验数据进行试验,验证IPSO-GRU模型的准确性。实验结果表明,相比于直接采用单一GRU模型,所提IPSO-GRU模型降低了容量预测误差,有效提高了锂离子电池RUL预测精度。     

基于动态折息因子递推最小二乘法的 永磁同步电机参数辨识

针对传统递推最小二乘法（RLS）辨识永磁同步电机（PMSM）参数精度较差问题,提出了一种动态折息RLS的PMSM参数辨识方法。在PMSM数学模型基础上建立了多参数辨识模型,实现了多参数实时辨识;对RLS引入动态折息因子,通过估计误差对其实时调整,克服了传统RLS数据饱和与估计精度较差问题。仿真分析和实验结果表明,在不同工况下,所提方法在辨识电机定子电阻、定子电感和永磁磁链参数的误差均控制在1%以内,比传统参数辨识方法具有更好的辨识精度与快速性。     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

Structure improvement and electrochemical studies of bipolar nickel metal hydride batteries for hybrid electric vehicles

Inrecentyears,globalenvironmentalpollutionproblemssuchasacidrain,greenhouseeffectandairpollutionbecomemoreandmoreserious,especiallyinbigcities[1].Thedevelopmentandcommercializationofelectricvehiclesandhybridelectricvehiclesisakeyfactorintheresolutionofthesematters[2].However,thefinalacceptanceofthesezero emissionvehiclesdependsstronglyontheperformanceofbatteries.Ni/MHispres entlythemostpromisingbatterysystemforhybridvehi clespropulsionintheshortandmid term,whichhasmanyadvantagessuchashighener…