基于随机抽样参数辨识的动力锂电池组仿真模型构建

为解决多电芯电池组建模过程中电池参数辨识大量耗时的问题,根据电池组中各单体电池参数呈正态分布的特点,提出一种基于统计学方法和最小电动势的复合电池组建模方法.该方法首先随机抽取电池组中部分单体作为样本,利用脉冲充放电实验和最小二乘辨识方法对样本电池进行参数辨识;然后以样本电池参数的平均值和方差代表电池组的参数特征进行电池组模型构建;最后基于Simulink平台进行计算机仿真实验,并对比实际充放电实验数据.结果表明,两者的端电压误差在0.05 V以内,相对误差1.5%,验证了所提方法的有效性.     

压差＋查表法的锂电池组均衡控制策略

锂电池以其非记忆性,高工作电压和能量密度,低自放电率,使用寿命长等优点成为了储能元件的首选,在电动汽车及通信系统等方面得到了广泛应用.然而在使用过程中,由于其单体电池的不一致性导致电池组可利用容量有限,甚至单体电池可能出现过充或过放,从而影响整个电池组的寿命.因此,很有必要采用适当的均衡方法来实现单体电池间的均衡.本文提出了一种基于压差＋查表法的均衡控制策略,通过查找压差——频率表来调整对应开关管的开关频率,从而调整均衡电流,确保电池组中每个单体电池能够同步、快速、高效的完成均衡.文中给出了详细的参数计算及控制框图,仿真跟实验结果表明提出的策略有效提高了锂电池组的均衡速度及效果.     

一种电动汽车锂离子动力电池组一致性评估及维护方法

锂离子动力电池组一致性好坏直接影响着电动汽车使用效率。为了方便动力电池组的使用及维护,需采取一定的方法对电池组一致性进行监控。该文提出一种基于单体电池电压值标准偏差的锂离子动力电池组一致性评估方法,并将电池组一致性分为四个阶段,根据不同阶段采用不同的维护策略。实验通过对电动汽车锂离子动力电池组进行充放电测试,采用文中提出的方法获得了四个阶段的电池组一致性评估曲线,为电动汽车电池使用及维护提供指导。     

基于SNGAN的黑盒恶意软件对抗样本生成方法

基于变分自编码器的协同推荐算法可以帮助解决推荐算法中的稀疏性问题，但是由于变分自编码器模型先验是单一的高斯分布，使得表达趋向简单和平均，存在拟合不足的问题.高斯混合变分自编码器模型拥有更加复杂的先验，相对于原本的变分自编码器模型，它对于非线性的任务有着更强的适应性和效果，已被广泛应用于无监督聚类和半监督学习.受此启发，本文研究基于高斯混合变分自编码器模型的协同过滤算法.本文基于Cornac推荐系统比较框架设计实验，将高斯混合变分自编码器改进后用于协同推荐任务中，利用生成模型重新生成的用户-物品矩阵进行推荐.在推理模型和生成模型中分别用一层隐藏层提取深层特征增加模型鲁棒性，并且使用提前停止的训练策略以减少过拟合.本文在多组公开数据集上进行实验，与其他推荐算法在NDCG和召回率指标上进行对比.实验证明，改进的基于高斯混合变分自编码器模型的协同过滤算法在推荐任务中表现优异.     

电动汽车锂离子电池管理系统的关键技术

 锂离子电池具有能量密度高、功率密度高、寿命长、环保等特点,已经在电动汽车中获得应用。但电动汽车锂离子电池组的容量大、串并联节数多、安全工作区域有限,需要电池管理系统对其进行有效控制与管理,以充分保证电池的安全性、耐久性和动力性。电池管理系统由各种传感器、执行器、控制器等构成,其关键技术包括:传感器的精度及传感器之间的同步技术、电池单体及电池组的状态(荷电状态、健康状态、功能状态、能量状态、安全状态等)估计技术、电池组一致性辨识与均衡技术、安全充电和故障诊断技术。为了研发先进的电池管理系统,首先要对锂离子电池性能进行测试研究,确定影响其性能的主要因素及变化规律;然后采用基于机理、半经验或经验的建模方法建立电池系统模型,设计基于模型的电池系统状态估计及性能优化管理算法,并进行系统集成和应用开发,以保证在电池安全可靠运行的前提下发挥出最佳的动力性能。     

基于一致性估计的车用动力蓄电池组SOC修正法

目前车用动力蓄电池组荷电状态(SOC)的估计方法在应用时都将电池组看作一个整体,而忽略了组中单体电池之间的差异对整组SOC估计的影响.提出一种基于单体电池一致性估计的车用动力蓄电池组SOC修正方法.此方法采用了自适应神经模糊推理系统的基本原理,通过对模糊逻辑规则库的离线自适应训练,构建了可用于车载电池管理系统(BMS)的SOC一致性模糊推理系统.通过仿真或者试验验证表明,该方法能够在电池组SOC一致性发生变化的情况下,作出较为准确的判断并结合传统的整组SOC估计结果进行修正.说明通过该方法建立的模糊模型经过神经网络自适应学习后具有较好的泛化能力.     

基于采样数据的大规模储能系统一致性控制

针对大规模储能系统中储能电池的荷电状态(SOC)不一致问题，提出了一种储能多智能体系统一致性控制方法，实现了SOC和输出功率的一致性.该方法应用简化的大规模储能系统模型，基于采样数据进行了一致性控制协议设计，并进行了收敛性分析.从而使本地储能单元智能体仅在特定采样时间点接收邻接储能单元智能体的状态信息，就能够产生本地储能单元控制信号，解决了大规模储能多智能体系统因通讯复杂而带来的计算量过大的问题.考虑了采样数据和系统需求，进行了系统控制参数设计.同时，对瞬时功率过大的问题，进行了带功率限制的一致性控制改进.最后，在满足定理条件、不满足定理条件和功率限制等三种场景下进行了仿真，验证了该方法的有效性.     

基于STM32的电池管理系统的研究与设计

为加强电池组的管理与保护以及减少电池组各单体参数之间的差异,设计了一套基于STM32F103VET6的电池管理系统;并提出在电阻耗能法的基础上结合能量转移思想对电池组进行均衡管理。运用MATLAB/Simulink工具建立了锂电池模型,并对电池所采用的均衡方案进行了仿真分析。仿真结果表明:采用改进的均衡方案电压偏差明显减小,单体之间的电压逐渐趋近到一个固定的值。此外通过18650型锂电池对电池管理系统进行了均衡实验测试,求出了均衡前后电压的期望值和方差值。经过对比分析,进一步验证了电池管理系统电压均衡的有效性。     

锂离子电池组聚类筛选低温混合预热系统建模与热分析

低温导致锂离子动力电池性能衰减加速、寿命缩减、形成锂枝晶，甚至造成内短路等严重问题，因此预热已经成为电动汽车在低温地区应用的关键问题。此外，电池单体间一致性对电池组整体性能及老化有重大影响。采用聚类分析对锂离子电池单体进行筛选成组，并提出一种附有PTC加热膜和液冷板的混合电池热管理系统，通过计算流体力学建模和数值计算对此系统在-40 ℃环境下的预热效率进行分析。结果表明：对初始方案进行优化后，经过695 s预热电池组最低温度可加热至0℃以上；此外，与纯PTC加热方法相比，电池组温度标准差可降低5.9℃。因此，此系统可在无过多功耗增长的前提下，短时间内高效地将电池组加热至工作状态，预热速度为3.56 ℃/min，且能提升温度均匀性。     

利用免疫进化网络的镍氢电池组荷电状态预测

针对电池组建模困难的情况,利用计算智能算法训练的前馈神经网络来预测荷电状态,选择电池组放电电流、最小单体电池电压和最小电压的导数,以及电池组平均温度作为神经网络的输入,荷电状态为网络的输出.在训练网络权值时,为了克服BP算法的缺陷,采用自适应并行免疫进化策略训练网络权值,在变功率运行工况下,通过对预测的和实际的荷电状态的比较,验证了所提出的神经网络预测精度可达到5%.     

分布式电池电源模块储能系统的荷电状态均衡控制

针对储能系统中锂电池充放电程度不一致而造成的电池过放/过充,从而导致电池使用寿命缩短的问题,提出了一种分布式储能系统的荷电状态(SOC)均衡控制方案。首先,采用单体电池电源模块串联的分布式储能结构,以单体锂电池估算SOC为控制对象;然后,设计基于SOC均衡的加权因子分配公式,通过对电源模块分配不同的加权因子来调整各电源模块的占空比,从而动态调节各单体锂电池的充放电速率,实现分布式储能系统的SOC均衡控制,改变了传统电池组组内、组间两级均衡控制形式,消除了组内单体锂电池间能量传递造成的功率损失;最后,采用负载电压调节与SOC均衡的双闭环控制结构,保证均衡过程中系统运行的稳定性。仿真结果表明:所提出的均衡控制方法能够有效实现储能系统的动态均衡控制,与SOC比例均衡控制方法相比均衡时间缩短了47%。     

基于动态特性的新能源挖掘机电池组参数匹配

作为新能源动力挖掘机的动力来源,电池组的性能及合理匹配程度对动力系统及整机性能都有显著影响。基于电池动态特性对挖掘机电池组进行匹配设计,分析了动力电池的放电特性与寿命特性。通过单体电池不同倍率下的放电曲线辨识其Peukert参数,在工况已知的情况下采取工况等效电流,根据Peukert方程实现电池组的参数匹配。最后对日立ZX—70—5A挖掘机进行匹配计算,并进行实验,验证了该匹配方法的有效性和实用性。     

汽车动力锂电池组翅片式散热性能仿真分析

以计算流体动力学(CFD)为基础,应用商业软件ANSYS Fluent进行仿真分析,研究具有不同结构尺寸的翅片式电池热管理系统的冷却性能.首先,通过实验与模拟对比单体电池在不同放电倍率下放电时的温度变化,验证了仿真分析的可靠性.其次,以模块的最高温度和最大温差作为温度控制的监控参数,模拟分析了不同结构尺寸翅片对电池组热性能的影响,发现加入翅片可以显著降低电池组的最高温度,改善温度场的均匀性,而翅片开缝可以扰动空气流场,同时减轻热管理系统质量,提高电池组热管理系统的综合性能.     

基于变分自编码器的情感回归半监督领域适应方法

提出一个新的情感回归半监督领域适应方法.首先使用长短期记忆网络(long short-term memory,LSTM)实现回归模型,其次使用变分自编码器(variational autoencoder,VAE)实现生成模型,最后联合学习LSTM回归模型和VAE生成模型,实现基于变分自编码器的情感回归半监督领域适应模型.实验结果表明,所提出的基于变分自编码器的情感回归半监督领域适应方法较其他基准方法能有效提高实验性能.     

动力氢镍电池循环寿命仿真方法研究

研究动力氢镍电池循环寿命仿真问题,针对目前动力系统仿真中电池模型不考虑循环寿命的缺陷,为提高电池循环性能仿真精度,提出了动态更新模型参数进行电池寿命仿真的方法。以Olivier-Louis电池模型为基础,提取出7 A.h氢镍电池的模型参数,并在Simulink平台上对模型进行了仿真验证。结果表明,该模型充放电电压的误差在5%以内;然后结合已有的高温循环寿命测试数据对电池循环放电性能进行了仿真,得到了放电电压误差不超过0.6%的结果;用另一种电池的常温测试数据进行充电仿真,充电电压误差小于4%。这些结果表明电池寿命仿真方法具有可行性,有望进一步应用于电池组的循环寿命仿真。     

基于液冷的锂离子电池组热均衡性研究

为了改善车用锂电池模组在高温高倍率工况下的热均衡性,根据圆柱形锂电池的传热特性,建立了18650锂电池单体的三维热模型,并完成40 °C环境自然对流下的热特性仿真,并通过温升试验验证了生热模型的可靠性. 在此基础之上,针对某型纯电动汽车的动力电池组,提出了一种夹套式电池模组冷却系统,利用Fluent研究了40 °C环境下冷却液流量、冷却液温度和放电倍率对电池组散热均衡性的影响. 结果表明:增加冷却液流量可以有效降低电池组最高温度、最大温差及电池自身温差,改善电池间的温度均匀性;但当入口流量增至0.03 kg/s后,对电池组散热性能的改善效果十分有限;降低冷却液温度后,电池组最高温度下降,但电池组最大温差与单体电池间温差不断上升,单体电池自身最大温差略有降低;当放电倍率增大时,电池组最高温度与最大温差均不断上升,单体电池间温差以及电池自身温差显著增大,电池组热均衡性变差.      

基于PF-RLS的电池组SOC估算

针对电池组的安时积分法由于传感器的精度、电池老化、积分误差和初值,会导致SOC(state of charge)的估算不准确等问题,对传统安时积分法的SOC初值、标称容量、积分周期等参数进行了改进.在探索SOC与开路电压U_o内在联系的基础上,建立了一阶RC等效电路模型,通过带遗忘因子的递推无参数最小二乘法(PF-RLS)实时在线提取更新U_o,引入对U_o影响较大的电池温度θ变量,建立SOC-U_o-θ三维模型,为改进的安时积分法提供准确的初值,在考虑电池组不一致性的基础上,提出基于电池组的最大电压、最小电压融合算法,进行了FUDS(federal urban driving schedule)工况检测和实车工况验证.结果表明:PF-RLS在线提取U_o的精度为2.55%,单体电池SOC的精度为3.20%,电池组SOC算法的精度为4.00%,满足QC/T 897—2011 《电动汽车用电池管理系统技术条件》的要求.     

基于变精度粗糙集的神经模糊网络优化及应用

针对现有神经模糊网络应用中的不足,提出了一种新的基于变精度粗糙集的神经模糊网络优化方法,并讨论了其在复杂系统建模中的应用.将变精度粗糙集理论中的β分类精度作为信息函数,选择条件属性.通过选择适当的精度,对建模数据进行离散化,组成决策表.通过对决策表进行变精度的知识约简,提取重要的属性和属性值,映射到模糊规则中,简化生成的规则,从而有效地优化了神经模糊网络结构,极大地减少了网络的训练时间,且提高了训练精度.将该方法应用于有大量样本数据的非线性时延系统建模,仿真实例验证了此种方法的可行性和有效性.     

动力电池组健康状态评价方法的研究

为研究动力电池组内各单体电池的健康状态SOH(State of Health),对电池极化内阻和欧姆内阻特性进行分析.根据电池欧姆内阻提出相对健康状态的评价方法,并结合电池工作时内阻对端电压的影响,采用端电压对电池组内单体电池健康状态进行评价.最后进行了对比实验验证,实验结果证明了所提方法的准确性和可行性.     

一种基于IMM-ABSE算法的锂离子电池组SOC估算

信号噪声干扰、电池模型对温度与老化的适应性及单体不一致性等因素直接影响电池组电荷状态(State of Charge,SOC)估算精度.为实现锂离子电池组SOC的准确估计,提出了一种使用交互多模型(Interacting Multiple Model,IMM)和自适应电池状态估计器(Adaptive Battery State Estimator,ABSE)相结合的估算方法.首先,基于电池组综合特性建立电池交互模型,通过ABSE对单体SOC进行估算并嵌入IMM模型中.然后,计算各模型的信息分配因子,并根据信息分配因子对各模型的SOC进行概率融合,得到精度较高的电池组SOC.最后,在不同温度的组合工况下,评估该算法的鲁棒性和普适性.实验结果表明,该方法适用于系统输入信号存在噪声、全气候工况和单体间存在不一致性的环境,在有效充放电期间平均误差小于2%.