共查询到20条相似文献,搜索用时 15 毫秒
2.
3.
4.
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%。 相似文献
5.
6.
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。 相似文献
7.
8.
9.
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%。 相似文献
10.
11.
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
16.
17.
基于ALO-SVR的锂离子电池剩余使用寿命预测 总被引:2,自引:0,他引:2
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... 相似文献
18.
19.
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。 相似文献
20.
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. 相似文献