考虑不同充电策略的锂电池健康状态区间估计

评估锂离子电池健康状态(SOH)对于电池使用、维护、管理和经济性评价都有十分重要的意义,但当前锂电池SOH估计方法多针对特定充电策略,采用确定性估计模型,无法反映电池退化过程中的随机性、模糊性等不确定性信息.为此,提出一种适用于不同充电策略的锂电池SOH区间估计方法.该方法针对不同充电策略的电池循环充放电数据提取多个特征参数,通过交叉验证自动选择针对特定充电策略的最优特征参数组合.另外,考虑到锂电池全生命期循环次数有限,属于小样本问题,提出集成支持向量回归与分位数回归优势的支持向量分位数回归模型(SVQR)进行锂电池SOH区间估计.选用放电程度较深的锂电池充放电循环数据作为训练集,对SVQR模型进行离线训练,训练好的模型用于不同充电策略下锂电池SOH在线估计.采用具有不同充电策略的数据集验证所提方法,实验结果表明：所提方法适用于不同充电策略,且估计结果优于分位数回归法、分位数回归神经网络法和高斯过程回归法.     

锂电池-超级电容混合系统能量管理与仿真

为了解决储能蓄电池作为动力源应用电动汽车的单一化等不足,在对锂电池与超级电容的外部工作特性及其储能机理理论研究基础上,提出锂电池-超级电容混合电动汽车能量系统。首先基于超级电容内部化学反应与外部工作特性,提出等效电路模型,并建立了其时域状态空间模型。接下来制定脉冲电流实验方案采集电压实验数据,辨识得到准确的超级电容模型,并通过模型仿真曲线与实验曲线的对比来验证模型的准确性。然后结合电动起实际工况及电池和超级电容储能机理,提出超级电容-电池电动汽车能量管理策略,最后基于超级电容模型和电池模型,在matlab/simulink仿真实验平台搭建起超级电容-电池混合电动汽车能量仿真模型,仿真结果验证管理策略的可行性和准确性。     

采用Morlet小波的锂电池相对健康状态估计

针对现有电池健康状态(SOH)估计方法存在估计精度低、计算量大等问题,提出了一种采用Morlet小波的锂电池相对健康状态估计方法。首先探究了电池电化学阻抗谱(EIS)与相对健康状态对应关系,然后获取电池实际工况下的电压电流数据,采用Morlet小波对所获得的电池电压和电流数据分别进行Morlet小波变换,用变换后的电压小波系数除以电流小波系数在线计算电池EIS,最后利用在线计算的EIS估计电池的相对健康状态。该方法无需进行大量实验,准确度高,计算快,能更好地应用于电动汽车中。在城市道路循环(UDDS)工况下对所提出的方法进行了验证,实验结果表明,该方法可以准确估计出电池的相对健康状态,估计误差控制在3.3%以内。     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

基于Arrhenius方程下EV用磷酸铁锂电池寿命预测

磷酸铁锂电池寿命作为一项评价电池性能的重要指标,逐渐成为提高电动汽车性能的关键技术.为了研究日历老化和循环老化对电池容量衰减的影响,提高纯电动汽车动力电池性能.以某电动汽车的磷酸铁锂电池作为研究对象,对其施加不同的加速应力、不同温度条件和变充放电倍率等参数,计算锂电池容量的衰减结果.以Arrhenius方程求解为基本手段,建立电动汽车循环工况下充放电模型,对磷酸铁锂电池寿命进行预测.计算与实验结果表明:在相同条件下,循环老化速率约是日历老化速率两倍;在日历老化和循环老化交替条件下,温度从25℃上升到35℃后,磷酸铁锂电池寿命降幅达66.66％;建议在磷酸铁锂电池使用中尽量减小充放电倍率,配备动力电池冷却系统.     

基于简化可变参数热模型的锂电池内部温度估计

锂电池内部温度的准确估计是实现电池安全可靠热管理的关键,为准确估计锂电池内部温度,针对现有电池热模型中各热电参数的辨识误差对内部温度估计精度的影响,文中提出基于简化可变参数热模型的锂电池内部温度估计方法.通过对不同环境温度下锂电池内部热容与外部热阻进行辨识,建立可变内部热容与外部热阻估计模型,同时对模型机理进行分析,详细描述了外部环境对于内部热容和外部热阻的影响,并通过实验验证了模型的可靠性;最后结合扩展卡尔曼滤波(EKF)算法,实现对内部温度的估计.不同温度梯度下的恒流放电实验与仿真结果证明,所建模型适用于不同环境温度下的锂电池热模型,提高了内部温度估计精度.     

遗传径向基函数神经网络估计纯电动汽车锂电池的荷电状态

考虑到串联的锂电池是复杂的非线性系统,并且径向基函数神经网络(RBF NN)对于解决非线性问题有较好的特性,建立了锂电池SOC估计的RBF NN模型,并提出了一种基于遗传RBF NN的电动汽车锂电池SOC估计的方法. 利用在2010年上海世博园区中运营的纯电动汽车锂电池数据对遗传RBF NN进行训练和SOC估计的实验. 实验结果表明,SOC估计的均方根误差为0.0024,提高了估计的精度.     

基于电化学模型的锂离子电池健康状态估算

针对电动汽车锂离子电池健康状态在线估算问题,提出了一种基于伪二维模型参数的估算方法. 该方法通过拆解同类估算目标电池,以扫描电镜测量电池结构参数,利用遗传算法辨识其他未知电化学模型参数,建立一种新的基于化学计量比的电池正极容量计算法则,估算电池健康状态. 同时考虑老化对电池正极化学计量比的影响,进一步提高健康状态估算精度. 采用电池老化数据集验证该方法的有效性,结果表明所提出的估算方法能在短时动态工况下实现电池健康状态的准确在线估算.      

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

多时间尺度下锂电池在线参数辨识及SOC估计

为了解决锂电池内部参数时变性和SOC估计不准确等问题,提出了一种电池模型参数在线辨识与SOC联合估计算法.在二阶RC等效电路模型基础上该联合算法于宏观时间尺度下采用无迹卡尔曼滤波算法在线辨识电池模型参数,并联合微观时间尺度下的扩展卡尔曼滤波算法估计锂电池SOC,在UDDS工况下验证了该联合算法对锂电池SOC的准确实时估算.实验结果表明,传统离线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别为1.52％和1.80％,在线参数辨识下的锂电池SOC估计算法的平均绝对误差和均方根误差分别降低到0.90％和1.12％,EKF-UKF联合算法提高了SOC估算的精确性和鲁棒性.     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

磷酸铁锂电池模组老化行为

阐明退役电池的老化行为和衰减机理有助于对其安全高效地再利用。本文采用容量标定、循环老化、材料表面分析等试验方法对一个近似于盲盒的退役电池系统的老化行为进行了研究。研究结果表明,虽然整个退役电池系统是按照容量衰减到80%的做法进行退役,但是退役电池系统中大部分的电池模组SOH值远远高于80%。选取的一个电池模组在设定的2C倍率、100% DOD的老化模式下循环到60% SOH以下只有400次,前200次循环衰减较慢,后200次循环衰减较快。材料表面分析结果发现退役电池在循环老化后阳极的劣化要比阴极的更严重,可循环锂的消耗是导致电池容量衰减的主要原因之一。因此,退役电池梯次利用时从模组级别进行分选和成组,可以最大化地挖掘其剩余价值,同时应尽可能在低电流倍率和浅充浅放等较温和工况下使用退役电池。     

基于开路电压特性的动力电池健康状态诊断与估计

电池系统复杂的配置和严苛、不确定性的工作环境造成的电池衰退过程极为复杂.为了准确地实施电池系统的管理与控制以保证其高效、可靠和安全运行,有效的电池健康状态诊断与估计必不可少.利用容量增量分析和差分电压分析等原位电化学分析方法对电池开路电压特性变化进行分析,建立电池容量衰退与其衰退机理的量化关系,追溯到电池衰退的源头,从衰退机理角度对电池健康状态进行更真实和更准确的诊断.同时,建立基于电池开路电压曲线的容量估计模型用于电池健康状态估计,该模型不仅能捕捉电池内部不同阶段电化学反应特性,而且具有较高的精度和鲁棒性.在电池全生命周期内,该模型估计误差均小于4%.     

优化分级T-S模糊控制动态估计纯电动汽车电池健康状态

针对纯电动汽车动力电池健康状态（state of health,SOH）预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55 ms内,预测效果比现有方法显著提高.      

电动汽车动力电池健康状态在线估算方法

针对电动汽车动力电池SOH(state of health)的估算问题,提出一种可以在线运行的有效估算方法.其优势在于仅依托电池管理系统实时测量电压、电流等数据,无需离线电池寿命衰退曲线及电池的初始状态,因此更符合电动汽车对于SOH估算问题的实际需求.在电池恒流充电模式下,以Thevenin及OCV-SOC模型为基础,构建以时间和SOH为隐变量的电池模型.基于此电池模型,提出利用NLS(nonlinear least square)初始化GA搜索范围的快速求解算法进行在线参数辨识,得到电动汽车实时的SOH估计值.验证结果表明SOH估计算法具有较好的实用性及较高的估算精度.     

基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计

动力电池健康状态(State of Health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。本文使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用BP-Adaboost算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与LSTM-RNN算法对比,BP-Adaboost算法估计误差更小,平均绝对误差MAE达到0.96%,因此,本文提出的方法可以应用于实车电池SOH的高精度估计。     

储能型光伏系统电池容量优化配置及经济性分析

独立型光储微电网作为光伏应用的有效形式得到了广泛的使用,其中系统的经济性优劣主要依赖储能的类型和配置调控方案。基于此,根据独立光伏系统的建模思想,在给定负荷变化规律的前提下,以最大化利用光伏输出能量为目标,建立光伏能量最大化利用模型,将光伏发电单元和储能单元作为整体进行容量优化配置。通过算例分析,获得目前较为典型的5种储能电池和光伏容量的优化配置结果,在此基础上,为使系统经济性最优,进一步引入年均成本为目标并建立相应模型,得到了5种电池和混合储能电池的经济对比分析结果,最后对5种电池对应的放电时间、循环效率和寿命进行了敏感性分析。结果表明,在同等配置条件且满足项目指标的要求下,能量型铅酸电池和功率型铅酸电池组成的混合电池具有更好的经济性,其次为钠硫电池和铁锂电池,全钒液流电池成本最高。     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

磷酸铁锂电池充电后静置的电压预测方法

混合动力电动汽车在行驶过程中的动态充电后静置开路电压不稳定。特别是再生制动充电时开路电压的变化,而导致常用的开路电压法存在SOC估计误差大和混合动力电动汽车动力控制策略难以实施。以磷酸铁锂电池为对象,依据电化学理论分析了其充电后静置过程中正负极表面锂离子扩散对开路电压的影响机理以及开路电压随时间的变化关系。再通过充电后静置实验和参数辨识方法,建立了充电后磷酸铁锂电池静置开路电压预测模型。以此对其充电后静置的开路电压进行了预测实验。结果表明,在实验工况下,该模型的最大预测误差为0.017V。