基于实时电路模型的储能系统锂离子电池状态估算

为了充分发挥锂离子电池在电力系统储能中的潜力,需要准确了解电池组的荷电状态(state of charge,SOC)和健康状态(state of health,SOH),为此,提出一种新的SOC和SOH估算方法.该方法基于锂离子电池二阶电路模型,将锂离子电池实际运行过程中的输出电压测量值和所建立的仿真模型端口电压进行比...     

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.     

基于充电电压片段的锂离子电池状态联合估计方法

锂离子电池的荷电状态(SOC)、健康状态(SOH)和剩余使用使命(RUL)是锂离子电池安全稳定运行的重要状态参数,本文提出一种基于充电电压上升片段的锂离子电池状态联合估计方法,实现对电池预测起点(SP)到寿命终点(EOL)的较长运行周期内SOC、SOH和RUL的联合估计.该框架在充电阶段进行SOH和RUL估计,在放电阶段进行SOC估计.首先提取电池恒流充电电压曲线片段的上升时间作为健康特征(HF),以HF作为输入,循环容量作为输出,建立最小二乘支持向量机(LSSVM)电池老化模型,对当前健康状态进行估计;采用等效电路模型对该电压区段进行非线性拟合,用拟合参数建立状态空间模型,结合无迹卡尔曼滤波算法进行SOC估计;用高斯过程回归时间序列模型对电池的健康特征序列进行建模,通过循环次数外推预测健康特征的变化趋势,并结合LSSVM老化模型,对RUL进行预测并给出置信区间.实验结果表明,所提方法具有较高的估计精度和较好的稳定性.     

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.     

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1％.     

基于DAEKF算法的锂离子电池主要状态在线联合估计

为实现三元锂离子电池荷电状态（SOC）、能量状态（SOE）和健康状态（SOH）这3种主要状态的在线联合估计，并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题，提高锂离子电池在线估计的稳定性，提出了一种基于双自适应扩展卡尔曼滤波（DAEKF）算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程，用带遗忘因子的递推最小二乘法（FFRLS）进行在线参数辨识，以微观时间尺度进行锂离子电池SOC和SOE的在线估计，以宏观时间尺度进行锂离子电池SOH的在线估计，从而实现锂离子电池3种主要状态的在线联合估计。最后，以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明：在两种验证工况下，文中方法都能够快速收敛辨识模型参数，微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内，宏观时间尺度中SOH的估计误差稳定保持在1.6%以内；与EKF算法相比，文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。     

修正参数的安时法估算锂离子电池剩余电量

安时法是目前估算锂离子电池荷电状态(SOC)最常用的方法之一.由于安时法不能估计初始荷电状态(SOC0),且难于准确测量库仑效率和电池可用容量变化,会造成累计误差,影响SOC估算精度.考虑锂离子电池的可用容量会随环境温度、放电电流以及电池老化等性能影响,结合开路电压法和安时法,对比实验数据进行误差分析与校正,提出了一种提高SOC估算精度的修正参数方法.仿真结果表明,用修正参数的安时法估算电池剩余电量可以减少误差,提高精度.     

等效滞回模型在锂离子电池SOC估计中的应用

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术之一.针对锂离子电池这一动态非线性系统,通过测试分析锂离子电池的滞回特性,建立了锂离子电池的二阶RC滞回模型,并利用容积卡尔曼滤波算法对电池荷电状态进行估算.实验结果表明,该模型能较好地体现电池的动态滞回特性,而且容积卡尔曼滤波算法在估算过程中能保持较高的精度.     

车载动力电池放电过程健康状态在线估计

针对电动汽车无规则随机充放电特点及在线检测需求，考虑到由于电池一致性问题导致难以保证离线实验数据分析法估计精度的问题，提出一种以离线获取的电池健康状态(SOH)外在指征函数为基础的基于无迹卡尔曼滤波(unscented Kalman filter，UKF)思想的在线闭环校正SOH估算架构.该方法优点在于:能够在随机放电过程中快速估算出高精度的SOH值，算法复杂度相对降低，易于实际工程实现且具有较好的鲁棒性.通过验证可以证明，提出的车载动力电池放电过程SOH估算方法具有较好的实用性及较高的估算精度.     

锂离子电池健康状态估计与剩余寿命预测

针对锂离子电池健康状态(state-of-health, SOH)估计与剩余有效工作时间(remaining useful life,RUL)预测进行探讨. 提出了一种利用SOH参数反应电池状况,并且建模预测电池RUL的方法. 改进了现有研究成果在RUL预测中不能更新其概率密度的缺陷. 同时应用支持向量回归机(SVR-PF)改进标准粒子滤波算法具有粒子贫化效应的缺点. 仿真结果表明提出的参数准确地反应了电池的状况,同时也准确地预测了电池的RUL;SVR-PF具有比粒子滤波更强的平滑与预测能力.      

基于TCN编码的锂离子电池SOH估计方法

为了能够准确可靠地估计锂离子电池的健康状态（State of Health， SOH），提出一种基于时序卷积网络（Temporal Convolutional Network， TCN）的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电池充电曲线上的采样点序列进行编码，通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.     

低温环境对动力锂电池放电特性影响

针对锂离子电池在新能源汽车上的应用前景及其低温条件下的性能限制,尝试对锂离子电池在低温条件下进行放电实验,探讨其在低温条件下的放电性能.本文利用烤燃设备对5Ah锂离子电池充电、放电,通过示波器记录其端电压,观察低温时锂离子电池端电压的变化情况.实验后,静置24小时,测量锂离子电池电压恢复情况.然后对实验数据进行整理分析,通过取点绘制曲线,分别比较0.5C、1.0C放电电流情况下和-20~20℃各温度下锂离子电池的放电性能.综合分析可知,随着温度的降低,锂离子电池的放电性能变差;随着放电倍率的提高,电池的放电容量逐渐减小.     

动力锂离子电池健康状态和剩余使用寿命研究综述

随着电动汽车的不断发展,动力锂离子电池市场得到不断地壮大.因此,动力锂离子电池的安全性也成为了一个越来越重要的课题.针对动力锂离子电池的健康状态和剩余使用寿命的研究进行了综述,列举了主要的电池荷电状态、健康状态和剩余使用寿命的定义方式,总结了锂离子电池的衰减机理以及引起衰减的外部因素,并介绍了基于模型、基于数据、基于模型和数据融合的三种SOH和RUL预测方法,并结合不同的学者研究成果进行了对比,为后续的研究提供了帮助.     

基于随机森林的锂离子电池荷电状态估算

荷电状态(state-of-charge,SOC)是锂离子电池预测和健康管理非常重要的一部分。锂离子电池的SOC无法直接测量,因此本文提出了基于随机森林回归算法的锂离子电池SOC估计的方法。首先构建随机森林回归模型,使用电池电流、电池电压、电池温度作为模型的训练输入,相对应的SOC作为模型的训练输出;然后使用随机森林算法进行模型训练;最后将训练模型应用于电池SOC估计。实验结果表明,随机森林回归算法对锂离子电池荷电状态的预测最大估算误差为0.02,均方根误差为0.003 204,该方法能有效地估算锂离子电池SOC并且有很高的估计精度。该模型研究为未来电池荷电状态估算系统的模型构建提供了参考。     

电动汽车锂电池组的新型双向均衡法

由于电池制造工艺的制约导致生产出的电池间存在一定的离散性,多次充放电后不一致性更加严重,因此有必要对电动汽车电池组进行均衡.在分析了锂电池间不一致性的基础上建立了双向均衡结构,采用粒子滤波PF(Particle Filter)法估算电池初始剩余电量SOC(State Of Charge),提出了先让高SOC电池放电和先给低SOC电池充电的均衡法.该方法相比传统基于充电电压的均衡法能更精确的反映电池能量状态.实验结果表明,对于要求低能耗的系统采用先让高SOC电池放电均衡至±2%平均SOC界限范围;对于要求均衡结果一致性较高的系统采用先给低SOC电池充电均衡至±1%平均SOC界限范围.该均衡方法有效改善了电池组间的不一致性,对于提高电动汽车锂离子电池的使用寿命和续航里程具有实际意义.     

电动汽车锂离子电池组参数辨识与SOC估计

针对电动汽车用锂离子电池组,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法.在分析电池各种等效电路模型优缺点的基础上,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别.然后依据电池模型建立电池的非线性状态空间方程,并对电池开路电压与SOC的关系进行多项式拟合.恒流脉冲放电和ECE15工况下的两种实验均表明,文中算法可有效修正SOC的初始误差,并能保证估算精度.     

黄蓍胶在硅负极锂离子电池中的应用

黏结剂在硅基锂离子电池中的用量虽少,但它却是电池性能的重要影响因素之一.使用水溶性聚合物黄蓍胶作为一种新型的硅基锂离子电池黏结剂,并与较为常见的黏结剂羧甲基纤维素钠(CMC)制备的锂离子电池在循环性能、倍率性能、循环伏安特性以及电化学阻抗方面进行比较与分析,利用扫描电镜(SEM)对锂离子电池循环前后的极片材料进行表征.实验结果显示:采用CMC和黄蓍胶作为硅基锂离子电池黏结剂时,首圈在210mA/g的电流密度下,放电比容量分别为2 808.7和3 178.7mAh/g,首次库伦效率分别为68.84%和83.64%;此后在420mA/g的电流密度下,循环100圈后的放电比容量分别为485.7和1 360.1mAh/g,甚至经过200圈的长期循环后,使用黄蓍胶作为黏结剂的电池放电比容量仍达到1 056.0mAh/g.实验证明黄蓍胶有望成为一种新型且性能优异的水溶性硅负极锂离子电池黏结剂.     

软包装锂离子电池性能研究

研究了以塑料包装取代金属外壳所实现的新型软包装锂离子电池的电化学性能.从软包装锂离子电池的倍率放电性能、电池的高低温放电能力和充放电循环稳定性等方面的研究表明,软包装锂离子电池具有良好电化学性能.软包装锂离子电池既不同于金属外壳锂离子电池,也不同于聚合物锂离子电池,是锂离子电池的一种新型设计.     

锂离子电池电极放电深度分布和产热分布研究

锂离子电池电极上的电压和电流分布会导致电极各处产热率和放电深度的不同,进而影响整个单电池的温度分布和放电性能.通过构建锂离子电池电极模型,用以分析电压、电流、产热率、放电深度在锂离子电池电极上的分布.仿真结果表明:靠近极耳区域处的电压梯度及穿过隔膜电流梯度明显大于其他区域;电极上的产热率分布与穿过隔膜电流密度有关;在放电过程中会优先消耗靠近极耳处的活性物质,导致此处的放电深度一直大于平均值;锂离子电池电极放电深度一致性随放电时间增加而提高,而产热率分布一致性则会出现交替增大、减小现象.     

基于STEKF的锂离子动力电池SOC估算

为能在线准确估算电动汽车动力电池的荷电状态(SOC),提出了一种基于强追踪扩展卡尔曼滤波(STEKF)的锂离子电池的SOC估算方法,该滤波器引入了多重次优渐消因子;以某型锂离子电池为研究对象,基于电池的外特性及相关机理,建立了电池的二阶RC等效电路模型,使用最小二乘法辨识模型参数,然后按照等效电路模型建立电池的STEKF非线性状态空间方程,最后在ECE15工况下进行仿真。结果表明,STEKF估算电池SOC的误差保持在2%以内,该方法能准确估算电池的SOC。