基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明：所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。     

新陈代谢灰色粒子滤波实现电池剩余寿命预测

电池剩余寿命(RUL)预测是电池管理系统的核心技术之一。为了以较少的数据量准确地在线预测电池RUL,提出新陈代谢灰色粒子滤波(MGM-PF)算法。首先利用一阶RC模型在线估算电池容量;然后基于估算的容量数据,利用新陈代谢灰色模型动态更新的灰色发展系数作为模型参数,构建表征电池容量退化的动态状态空间模型;并融合粒子滤波跟踪电池容量退化,实现电池RUL预测并给出预测结果的不确定性表达。实验结果表明,所提出的基于在线容量估算的MGM-PF算法能准确预测电池RUL。     

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 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

基于CNN-Bi-LSTM的锂离子电池健康状态估算

锂离子电池健康状态（state of health,SOH）是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警，保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征，结合卷积神经网络（convolutional neural networks,CNN）和双向长短期记忆网络（bi-directional long short-term memory,Bi-LSTM），提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征，输入数据获取方便，无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征，最终实现精确SOH估算。美国国家航空航天局（national aeronautics and space administration,NASA）电池老化数据集上的测试结果表明，所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32，精度优于Bi-LSTM和CNN-LSTM两种方法。     

基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题，提出一种基于主成分分析(PCA)与改进LM算法 双高斯核RBF(ILM DGRBF)神经网络的方法，实现了SOH的准确估算。首先，提取与锂离子电池容量衰退高度相关的健康因子(HI)，采用PCA方法进行降维处理，减少HI之间冗余度。其次，创建双高斯核RBF神经网络，利用改进LM算法实现网络参数在线学习，建立ILM DGRBF神经网络。再次，利用数据增强的电池测试数据训练ILM DGRBF实现SOH估算。验证表明，经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势，可用于SOH的估算；与其他模型相比，所建ILM DGRBF模型具有更高的估算精度和更好的鲁棒性，估算结果的误差控制在15%以内。最后，基于该方法构建一种新的SOH智能估算系统，为电池安全管理提供参考依据。     

基于损失递推计算的电池组老化轨迹模型研究

准确的电池储能系统老化轨迹预测对于系统的可靠运行与优化管理至关重要。为此,提出了基于活性锂损失递推计算的电池组老化轨迹预测模型。在电池单体方面,在经典等效电路模型的基础上,通过对各模型参数与容量损失量之间的机理关系的表征,结合电池活性锂损失递推计算方法,将经典模型的适用范围扩展至电池全生命周期。在所建单体模型基础上,进一步结合蒙特卡罗方法表征电池组内的不一致参数,建立起电池组的整体老化轨迹模型。最后,通过电池组在不同使用条件及不同成组结构下的老化实验,验证了新模型对电池老化轨迹预测的准确性。     

一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法

锂离子电池健康状态(SOH)的准确估计是电池管理系统(BMS)的关键技术.该文提出一种基于数据驱动与经验模型组合的在线SOH预测方法.通过电池容量增量分析(ICA),找出与SOH相关性较高的两个电压升片段下所耗时间作为电池外部健康特征(HF),并使用高斯过程回归(GPR)的方法建立电池老化的数据驱动模型.利用数据驱动模型对电池工作初期的SOH进行预测,并使用预测值拟合指数经验模型.之后,电池各循环下的SOH用指数经验模型来预测,并且每隔固定循环次数使用观测器对指数模型参数进行一次修正,以保证电池SOH预测的准确性.实验结果表明,该文所提的方法可以在减轻电池监测设备负担的前提下将预测精度保持在较高水平.     

用于储能系统的梯次利用锂电池组均衡策略设计

以北京奥运会纯电动大巴车用淘汰锰酸锂电池为研究对象,在研究车用淘汰电池容量和内阻特性的基础上,分析其梯次利用于电池储能系统可能带来的更严重的电池组一致性问题。结合电池一致性评价方法,分析了基于电池组容量利用率的均衡判据。针对电池储能系统削峰填谷的应用特点,提出了以电池组容量利用最大化为目标的在线均衡策略。最后,设计了电池组充电均衡电路并搭建了电池组均衡测试平台进行实验,验证了在线均衡系统及控制策略的可行性和可靠性。     

动力电池建模与应用综述

建立电池模型是改进电池反应性能与热设计、电池应用系统仿真、电池SOC及SOH等参数估算、优化电池管理系统等工作的基础。根据电池建模原理与应用场所不同可以分为电化学机理模型、热模型和拟合模型。BEST、COMSOL和DUALFOIL等都是基于电池的物理化学方程模型开发的电池模拟软件,主要用于优化电池设计,ADVISOR集合了电池的等效电路模型,应用于电动汽车的仿真。针对一般化的电池建模原理,考虑电池组内单体电池的性能差异,提出电池实例化的概念,为深入研究提供参考。     

锂离子电池组容量差异辨识方法研究

电池组中普遍存在的不一致性问题,是制约电池组可用容量的重要因素之一。电池组内电池单体参数的差异性是描述电池组性能的重要指标,其中容量差异直接与电池组可用容量和优化控制等息息相关。文中对充电电流变化时电压曲线可进行简单缩放进行合理假设。基于该假设,建立一种快速容量差异辨识的方法,并从多种角度分析验证该方法的合理性和适应性。采用容量增量分析法修正SOC和内阻造成的估算误差。将该方法应用于具有较高电压采样精度和宽SOC工作范围的电池组充电数据上,基础算法误差低于2.5%,经修正后辨识误差可小于1.5%。该方法可以用于描述电池组内单体容量的不一致性,为电池组的均衡和维护提供参考。     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

基于新健康指标的锂离子电池容量估计研究

最大可释放容量和内阻常用于锂离子电池的健康状态估计,由于操作条件复杂,在线应用的容量通常难以估计。此外,测量内阻成本高,无法在线测量。通过对NASA PCoE的数据进行分析,提出了一种新的健康指标(HI)用于锂离子电池容量估计。通过对原始健康指标的提取,利用Box-Cox变换对提取的HI序列进行优化,提高健康指标与容量的相关性。实验结果表明,新建立的健康指标对锂离子电池容量估计具有较高的精确度,为锂离子电池健康状态估计提供了理论基础。     

基于一致性模型的梯次利用锂离子电池组能量利用率估计方法

锂离子电池的不一致性导致电池组的容量和寿命等指标显著小于电池单体,且该问题在梯次利用的应用场景下更为严重.电池组老化后,电池组内电池不一致性参数之间并非相互独立,而是相互耦合,因此造成电池组一致性建模困难,降低了电池组的能量利用率的估计精度.针对梯次利用电池筛选成组和成组后的状态评估,该文提出一种基于Copula理论的电池组一致性建模方法,同时实现了电池参数分布特性和参数间相关性的准确刻画.基于电池组一致性模型,提出一种电池组能量利用率估计方法,并进行实验验证,估计误差在1％以内.最后分析电池组能量利用率的影响因素,以指导电池组的优化成组和使用.     

动力电池管理系统设计及SOC实时在线估计方法

针对电动汽车动力电池组的管理需求,设计了一款基于MC9S12XEP100和LTC6804的锂电池管理系统,实现对单体电池电压、电流和温度实时监控、电压均衡管理、热管理、充放电管理、数据存储和上位机显示功能.针对电池荷电状态(state of charge,SOC)估算精度和实时性方面的问题,提出了一种新颖的开路电压和安...     

基于最小二乘支持向量机误差补偿模型的锂离子电池健康状态估计方法

对锂离子电池的健康状态(state of health,SOH)进行准确估计是电池安全稳定运行的重要保障。为此,提出一种基于最小二乘支持向量机误差补偿模型(least squares support vector machine-error compensation model,LSSVM-ECM)的锂离子电池SOH估计方法。该方法将电池容量的衰退过程分为总体趋势和局部差异,对于容量衰退的总体趋势,由电池容量历史衰退数据建立经验退化模型(empirical degradation model,EDM),并计算SOH真实值和模型输出值之间的误差;对于容量衰退的局部差异,以等压升时间作为输入,经验模型的拟合误差作为输出,建立LSSVM误差补偿模型,对EDM的预测结果进行动态补偿。公开数据集和实际实验测试的验证结果表明,所提方法具有较高的预测精度和较强的鲁棒性。     

锂离子电池组合前后的特性研究

为更好地使用锂离子电池组,更精确地估算电池的荷电状态(SOC),对锂离子电池组合前后进行了常温4.0 A充放电、常温7.5 A放电、-20℃下4.0A放电以及55℃下4.0A放电等实验测试.实验结果显示:锂离子电池成组后的充放电特性有所下降,电池组总容量下降为单体电池的90%左右,SOC偏低,工作电压的下降速率在放电末期急剧上升,可达平台区的50倍.对电池组的一致性进行了分析,得出锂离子电池成组时应充分考虑单体电池的一致性;在估算SOC时,采用电池组参数和单体电池参数相结合的方式.     

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。     

一种优化的基于ARM Cortex-M3电池组均衡控制算法应用

为了弥补单体电池因电压差造成过充过放性能较弱的缺陷,同时为保护电池组,以提高其有限容量利用率,提出并设计了一种优化的基于ARM Cortex-M3电池组均衡控制算法应用系统。以EXP-LM3S811作为开发平台,实现上、下位机数据通信、荷电状态(SOC)算法、电池参数及报警功能,采用一种优化的电量复合估算方法对电池组SOC进行准确计算,并且利用Labview人机界面实时监控电池组工作状态。通过仿真和实验证明,该系统提高了均衡控制效率和精度,具有较好的电池利用率。