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.     

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.     

基于注意力机制的改进LSTM锂电池健康状态估计方法

将车载式安全工器具柜应用于配网抢修车辆中,其供电电池性能直接影响了工器具柜的稳定运行,因此需要精确预估供能电池的健康状态(state of health, SOH).本文提出一种基于海鸥算法(SOA)和注意力机制优化改进长短时记忆神经网络(long short-term memory neural network, LSTM)的锂电池健康状态估计方法.首先提取出4种与电池老化特性强相关的健康因子,将其历史运行数据输入到结合SOA-LSTM思想设计的SOH估计方法;其次利用Attention机制对输入变量进行权重分配,以强调关键特征在SOH预测中的作用;最后利用已公开的电池充放电曲线数据集对所提算法进行测试验证,并与其他算法进行对比.结果表明,本文方法可实现高精度SOH预测,均方根误差为0.011,模型拟合度达到98%以上.     

基于证据推理规则CS-SVR模型的锂离子电池SOH估算

锂离子电池健康状态(SOH)的准确性影响电池的安全性和使用寿命.针对锂离子电池SOH估算问题,提出一种基于证据推理(ER)规则的布谷鸟搜索支持向量回归(CS-SVR)的SOH估算模型,并利用NASA Ames研究中心的锂离子电池数据集进行SOH估算试验.该方法以电池放电循环的平均放电电压和平均放电温度为模型输入,利用E...     

基于粒子群算法估计实际工况下锂电池SOH

提出一种基于粒子群算法和锂电池经验容量模型的对电池实际工况下的健康状态进行估计的新方法.建立了电动汽车实际运行工况下充电曲线特征与电池健康度的线性模型.辅以电池经验容量模型,使之符合监督学习的实际情况并能够用计算机对参数进行拟合.以美国航天航空局电池老化数据建立训练集与验证集,对模型进行训练,并对训练好的模型进行实验验证.实验表明SOH估计误差都在7%以下,在实际工况中能够快速对电动汽车锂电池的健康度进行准确估计.      

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于ELM–Takagi Sugeno的车载锂电池优化充电策略的研究

针对目前车载锂电池充电慢、充电效率低以及对电池损害大等问题,提出一种基于ELM–Takagi Sugeno(T–S)模型的锂电池梯级式优化充电策略.首先通过极限学习机(ELM)获得锂电池的最佳充电电流与温度、内阻、极化电压等特征参数之间的数学模型,将离线训练好的参数存储在STM32处理器中,系统每采集1次数据,处理器即调用ELM程序计算当前时刻的最佳充电电流.其次利用T–S模糊模型将恒压、恒流、脉冲3种不同充电方式优化处理实现动态最优充电.仿真结果表明锂电池实际充电电流能够实时跟踪最优充电电流,其充电时间比三阶段充电模式缩短20%,充电效率比CC–CV充电模式提高约25%.     

基于局部信息融合及支持向量回归集成的锂电池健康状态预测

为了提高锂电池健康状态(State of health,SOH)的预测准确率,该文将支持向量回归(Support vector regression,SVR)算法与集成学习理论相结合,提出一种基于局部信息融合的支持向量回归集成(Local information fusion with ensemble support vector regression,LIF-ESVR)算法。该算法的核心思想是利用数据的局部信息融合替代原有全局信息,并将信息层融合问题转化为决策层融合问题。首先将原始的训练集划分为若干个子训练集,每个子训练集都包含了原始训练集中的部分重要信息;然后,在每个子训练集上训练一个对应的SVR模型;最后,利用集成学习算法将已训练好的多个SVR模型进行融合。在美国国家航空航天局蓄电池数据上的实验结果表明,所提方法的性能优于现有的锂电池SOH预测方法,具有广泛的应用价值。     

基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计

动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, BP-AdaBoost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,BP-AdaBoost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。     

基于支持向量分位数回归的货币需求条件密度预测研究

考虑到货币需求与其影响因素之间复杂的关系,基于支持向量分位数回归(support vector quantile regression,SVQR)模型,文章研究了货币需求及其影响因素之间的非线性依赖关系,给出了货币需求条件密度预测方法,并将其与传统的线性分位数回归模型进行了比较。选取中国2004年1月至2014年12月期间工业增加值、消费物价指数(consumer price index,CPI)、利率与M1的月度数据进行实证研究,结果表明SVQR模型不仅能够很好地拟合货币需求,而且能够给出准确的概率密度预测结果。     

变系数部分非线性模型的分位数回归估计

研究纵向数据缺失下变系数部分非线性分位数回归模型的估计问题.利用逆概率加权法结合分位数回归给出参数估计和非参估计;在一定条件下,证明了所给估计量的渐近正态性;通过数值模拟,验证了所提方法的有效性.     

基于非规则分布样本的航段油耗区间估计

飞机航段油耗估计是航空公司进行节能减排的重要基础。多因素影响下的航段油耗样本的非规则分布特征会导致一般的区间估计方法得到的估计区间质量较低,针对以上问题,提出了基于支持向量分位数回归(support vector quantile regression, SVQR)和Bootstrap相结合的航段油耗区间估计方法。利用SVQR非对称形式的绝对值残差最小化的思想估计航段油耗的条件分位数,并将其作为Bootstrap的输入来估计航段油耗总体的统计量,由于相同机型、航段的油耗样本总体满足正态分布,最后构建一定置信度的估计区间。实验结果表明：该方法的估计区间可信度更高、平均带宽更窄、提高了估计区间的质量。该方法能为航空公司合理的估计油耗及制定碳排放监测计划时提供参考。     

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IMM-UPF的锂电池寿命估计

提出了一种基于交互式多模型(Interacting Multiple Model,IMM)和无迹粒子滤波算法(Unscented Particle Filter,UPF)的锂电池健康状态(State of Health,SOH)估计方法,针对目前SOH估计方法需求样本量大、不适用于全寿命周期结果跟踪等问题,建立了基于多项式模型、双指数模型和集成模型的IMM,通过UPF解决了重采样过程中粒子贫化的问题,根据滤波的结果对锂电池的SOH进行预测,实现了锂电池全寿命周期内的SOH精确估计.讨论了IMM的选型依据和建模方法,给出了详细的SOH估计算法,并通过仿真和实验对不同模型进行对比.仿真和实验结果表明,所提出的基于IMM-UPF的锂电池SOH估计结果的概率密度函数标准偏差仅为19,实现了高估计精度.     

面板数据复合分位数回归模型的渐进相对效率

针对面板数据个体固定效应复合分位数回归模型,研究回归系数估计的渐进相对效率.采用计算复合分位数回归估计和最小二乘法估计的协方差矩阵的迹的比值,计算结果表明复合分位数回归相对于最小二乘法的渐进相对效率的比值大于70%.还将Zou在2008年提出的适应性lasso的想法应用于此面板数据个体固定效应复合分位数回归模型,构造出适应性lasso惩罚复合分位数回归估计,并在适当条件下证明其估计的渐进性质.     

基于改进RVM算法的三元锂离子电池SOC估计

三元锂离子电池荷电状态的估计,由于构建模型复杂,受到外界干扰因素影响较大,导致预测精度达不到理想效果,但荷电状态的估计精度对于电池管理系统而言至关重要,因此不断提高估计精度是业内的研究重点.根据已有的相关向量机算法提出了3种改进算法,即循环相关向量机、自回归相关向量机和自回归循环相关向量机,分别对3 600组大样本训练数据进行学习建模,并对另外3 600组大样本数据进行荷电状态的估计,通过与最小二乘支持向量机对比表明,提出的基于自回归循环相关向量机的三元锂离子电池SOC的估计,具有稀疏性好、拟合与泛化能力强和运行速度快等优点.     

多节串并联锂电池智能无线充放电系统

介绍一种对多节以不同串并联方式连接的电池进行智能无线充放电的系统.本多节串并联连接电池智能无线充放电系统,包括一锂离子电池智能充放电管理系统及一电磁感应式无线电能传输系统.智能充放电管理系统采用分级定电流的充电方式对电池进行充电.具有输入低电压锁存,温度监测,电池端过压保护和充电状态指示等功能.还具有过放保护及电池充电完成后的恢复电路.系统的无线充电效率接近70%,对不同串并联方式连接的所有锂电池电压均可充至4.1 V以上,接近单节锂电池的满充电压4.2 V.不同锂电池最大电压差仅为0.03 V,达到了智能均匀充电的效果.放电测试表明电路均在10.3 V左右关断,起到了保护锂电池组,延长锂电池组使用寿命的效果.     

优化分级T-S模糊控制动态估计纯电动汽车电池健康状态

针对纯电动汽车动力电池健康状态（state of health,SOH）预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55 ms内,预测效果比现有方法显著提高.      

动力锂电池组的管理系统(BMS)的认知

该文主要讲解了动力锂电池的管理系统对每节电池的特征参数进行测算、电池充电方法和充电器、大电流充放电双向均衡、管理系统BMS工作准确性、管理系统对各类故障应有检测和处理功能、智能管理及通讯功能等内容.     

左截断右删失数据下线性模型的加权复合分位数估计及变量选择

在可靠性及生存分析等领域中经常出现左截断右删失数据,即指在某种设定下,样本值不能被完全观测到的数据.左截断右删失数据下线性回归的参数估计方法一般选用加权分位数估计,然而加权分位数估计只考虑了单个分位点的损失,在估计效率方面存在缺陷.为克服这一缺点,针对左截断右删失数据下线性模型的参数估计问题,提出了加权复合分位数估计方法.此外,为识别模型中的非零参数并进行变量选择,建立了基于自适应Lasso的惩罚加权复合分位数估计,并在一定假设条件下,证明了所提估计具有渐近正态性和Oracle性质.数值模拟和实例分析结果表明,本文提出的惩罚加权复合分位数估计具有良好的变量选择性质,并且加权复合分位数估计与加权分位数估计相比,具有更高的估计效率.