锂离子电池组可用剩余容量的估算方法

锂离子电池的可用剩余容量是电池管理系统(BMS)中一个重要参数,为精确计算电池的可用剩余容量,提出了一种新型的估算锂离子电池可用剩余容量的方法,利用开路电压法与智能估算方法相结合估测电池的SOC,得到锂离子电池SOC的实际值和估测值,经过比较,能很好的反映出电池随老化程度及其他条件的改变而发生的可用剩余容量变化.     

锂离子电池剩余寿命预测方法综述

准确预测锂离子电池的剩余寿命对提高设备的安全性和降低设备的维护成本具有重要意义.针对锂离子电池剩余寿命预测方法的研究现状进行分析,归纳总结了基于模型的方法、基于数据驱动的方法和基于融合的方法,对比分析了不同方法的优缺点.然后总结归纳了锂离子电池剩余寿命预测在实际应用中常见的两个问题,最后分析了未来的发展趋势和挑战.     

基于剩余容量的锂离子电池组均衡策略

不一致性使得电池在成组后容量利用率方面远不及单体电池,现有的均衡方法注重防止电池过充过放,控制策略没有兼顾能量利用效率,均衡过程能量损失较大。基于单体电池剩余容量估算,通过对电池体质的在线辨识,将电池划分为倾向于过放、倾向于过充以及与整体平均剩余容量变化一致3类,并依据电池体质合理地分配每类电池的均衡能量。实验表明该方法较传统的电压中心均衡策略能够有效缩小单体电池剩余容量差异,电池组容量利用率提升了3.3%。     

基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH).该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异.为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(regΔV,通常为峰下的部分荷电状态区间)提取F...     

基于卡尔曼滤波器的蓄电池剩余容量估算法

蓄电池剩余容量是反映蓄电池性能的重要参数,蓄电池剩余容量的准确估算可以防止电池过度充放电,提高电池寿命。在分析现有估算方法的基础上,建立了一种基于卡尔曼滤波器的蓄电池数学模型,利用卡尔曼滤波器实现了蓄电池剩余电量的最小均方差估算。给出了算法的软件流程和试验结果,证明了此种估算法的可行性。     

锂离子电池组可用剩余容量计算方法的研究

区分了电池剩余容量与电池可用剩余容量,通过安时法与开路电压法相结合的方法估测电池的SOC。为了更精确计算电池的直流阻抗,实时修正电池运行过程中电流误差系数,通过试验得到电池电压与可用剩余容量的关系及SOC与放电时间的曲线,经过比较,该策略能很好的反映出电池随老化程度及其他条件的改变而发生的容量变化。     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

基于GRA-BP神经网络的锂电池剩余容量估计方法

针对锂电池老化过程中特征不明显、对容量波动点追踪不准确、模型长期使用后精度下降等问题,提出了一种基于灰色关联分析(GRA)-反向传播(BP)神经网络的锂电池剩余容量估计方法。通过GRA筛选出能够表征电池老化的特征量,利用计算机辅助寿命周期工程中心(CALCE)公开的锂电池充放电数据集训练BP神经网络模型,并实现电池剩余容量估计。结果表明,对于同一电池,训练集占80%时,容量衰减的估计误差为2.28%,在训练集仅占20%的情况下,估计误差为5.99%。     

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。     

计及健康特征信息量的锂离子电池健康状态与剩余寿命预测研究

电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性,但并没有考虑其信息量及信息质量,低质量的数据输入会造成一定程度的预测偏差。针对上述问题,提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health, SOH)预测与剩余寿命(remaining useful life, RUL)估计模型。该模型在GA-BP神经网络的基础上,通过确定有效健康特征数据集,利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果,将过滤后的预测结果作为电池老化模型的输入,进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证,得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下,剩余寿命估计结果MAE、RMSE分别控制在0.0031 mA·h、0.0042 mA·h之下,具有良好的可行性与有效性。     

基于机器学习的电池剩余使用寿命预测方法综述

电池剩余使用寿命预测是电池管理系统中的关键环节,对于电池的安全运行至关重要。由于电池退化受到诸多因素的影响,剩余寿命预测仍然面临着多方面挑战。近年来,机器学习算法由于强大的非线性学习能力而受到广泛关注,并且逐渐成为剩余使用寿命预测的可靠主流方法。梳理了各类基于机器学习的剩余使用寿命预测算法,分析其优缺点,并总结和展望了未来的改进方向。     

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。     

基于IGWO-MKELM的锂离子电池剩余使用寿命预测

随着锂离子电池在储能系统中比例迅速增大,为避免因电池性能退化导致的事故,如何准确预测锂离子电池剩余使用寿命就成为保障储能系统可靠运行的关键。针对锂离子电池剩余使用寿命预测的问题,提出一种改进灰狼优化多核极限学习机（IGWO-MKELM）预测方法。首先从电池充放电过程中提取能够表征电池寿命退化的间接健康因子作为输入量,然后采用改进灰狼算法对多核极限学习机参数进行寻优,建立改进灰狼优化多核极限学习机预测方法,最后使用NASA电池数据集进行仿真实验。结果表明,IGWO-MKELM方法可以更加精确地预测锂离子电池剩余寿命。     

基于Res-LSTM网络的多元化电池剩余容量实时预测

针对储能系统电池容量实时预测中存在的电池新旧程度不一,放电倍率、采样间隔多样等多元化问题,提出了一种全新的基于安时残差连接的长短时记忆网络。通过进行多通道传感信号的特征变换,使其更适用于多元化电池放电的实时剩余容量预测。所提方法相比于常见基线方法误差降低了11.8%,并且在多倍率测试下方差较小,具有更高的鲁棒性。     

相关向量机预测电池健康状态和剩余有效寿命

相关向量机(relevance vector machine,RVM)算法由于其高稀疏性的特征,比有同样原始模型的支持向量机(support vector machine,SVM)算法有着更多的优势,在锂离子电池剩余有效寿命的研究中受到了关注.总结了现有的基于RVM算法的预测模型,介绍针对于电池寿命中RVM算法的改进,...     

基于ALO-SVR的锂离子电池剩余使用寿命预测

锂离子电池(Lithium-ion batteries,LIBs)的剩余使用寿命(remaining useful life,RUL)预测在电池故障预测与健康管理(prognostics and health management,PHM)中起着十分重要的作用.准确预测电池RUL可以提前对存在安全隐患的电池进行维护和更...     

锂离子电池健康状态估计方法研究综述

电池管理系统是锂离子电池高效、安全运行的重要保障。电池的状态估计在电池管理系统中发挥着重要的作用。健康状态是锂离子电池状态估计的重要指标之一。通过对近几年国内外锂离子健康状态估计方法相关文献的整理,综述了锂离子电池健康状态的定义和估计方法,并对现有的估计方法进行了分类和阐述。最后针对现有估计方法的不足,提出未来需要改进的方向。     

基于多退化特征的锂离子电池剩余寿命预测

针对目前锂离子电池剩余寿命预测模型精度低、泛化性差的问题,在一种基于充放电健康特征提取的锂离子电池剩余寿命估计方法的基础上,增加了健康因子和实际容量之间的相关性分析,具体方法是:从锂离子电池充放电电压、电流、温度曲线变化趋势中提取若干潜在健康因子,并利用主成分分析(PCA)去除数据冗余性,得到代表退化特征的融合健康因子。结合自适应遗传算法(AGA)优化了Elman预测模型。结果表明所建立的PCA-AGA-Elman神经网络预测模型误差控制在1.5%之内,可作为锂离子电池的剩余使用寿命(RUL)预测模型。     

基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.