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。     

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...     

锂离子电池健康状态多因子在线估计方法

针对传统的锂离子电池健康状态估计方法仅用电池欧姆内阻作为单因子评估指标时存在较大误差的问题,提出了一种利用电池欧姆内阻、极化内阻与极化电容共3个模型参数构建的多因子评估模型。选用一阶RC等效电路模型作为基础电路模型,并通过仿真实验验证了所选择电路模型的准确性。对同一型号的多组三元锂离子电池进行循环老化实验,得到离线辨识的模型参数,发现等效电路模型中的欧姆内阻、极化内阻、极化电容与健康状态存在确定的关系。通过带约束的最小二乘算法求解对应模型参数的权重,并以卡尔曼滤波算法在线辨识模型参数,实时获得基于多因子模型的综合电池健康状态。将所提方法与仅用欧姆内阻评估的方法进行了对比,结果表明:所提方法评估锂离子电池真实健康状态的误差变化范围较小,基本在1%左右,精度更高。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

基于多时间尺度锂电池在线参数辨识及 SOC 和 SOH 估计

电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池 SOC(State of Charge)估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法。 以 18650 三元锂电池为研究对象,采用基于二阶 RC 等效电路模型的多时间尺度 DEKF 算法,针对电池参数的慢变 特性和状态的快变特性进行双时间尺度在线参数辨识和 SOC 估算;通过联邦城市驾驶计划 (FUDS) 测试验证,得 出多时间尺度 DEKF 算法和传统离线辨识 EKF 算法对 SOC 估计的平均绝对误差分别为 0. 97%和 2. 46%,均方根 误差为 1. 19%和 2. 69%,容量估计值对参考值最大误差仅为 0. 007 72 Ah;实验结果表明:所提出的多时间尺度 DEKF 算法,具有更好的鲁棒性和 SOC 估算精度并能实时反应 SOH 变化趋势。     

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。     

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.     

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.     

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.     

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.      

混合动力镍氢动力电池参数辨识

为实现电池SOC(State of Charge)的精确估计与提高电池模型的精确性,采用等效电路模型PNGV电池试验手册中的标准电池模型,基于辅助变量法和最小二乘法相融合的方法提出了混合动力镍氢动力电池在线参数辨识方法,并利用MATLB/SIMULINK建立电池模型.仿真分析结果显示,所建立的电池模型电压最大误差为4....     

基于电化学机理模型的锂离子电池参数辨识及SOC估计

采用Fisher信息矩阵进行参数可辨识性分析,解决了参数的辨识问题,进而提出了基于简化电化学机理模型SP2D(simple pseudo-two-dimensional)的SOC(电池电量)在线估计方法。实验表明,该SOC估计方法较基于等效电路模型(一阶RC模型)的SOC估计方法,可将SOC估计的平均误差减小近30%,而在电池放电中后期更可减小达60%,有效解决了在电池全工作范围内的SOC高精度估计问题。     

基于CNN-Transformer的锂离子电池健康状态估计

目的 健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法 从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果 本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论 所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。     

基于开路电压特性的动力电池健康状态诊断与估计

电池系统复杂的配置和严苛、不确定性的工作环境造成的电池衰退过程极为复杂.为了准确地实施电池系统的管理与控制以保证其高效、可靠和安全运行,有效的电池健康状态诊断与估计必不可少.利用容量增量分析和差分电压分析等原位电化学分析方法对电池开路电压特性变化进行分析,建立电池容量衰退与其衰退机理的量化关系,追溯到电池衰退的源头,从衰退机理角度对电池健康状态进行更真实和更准确的诊断.同时,建立基于电池开路电压曲线的容量估计模型用于电池健康状态估计,该模型不仅能捕捉电池内部不同阶段电化学反应特性,而且具有较高的精度和鲁棒性.在电池全生命周期内,该模型估计误差均小于4%.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

基于充电数据的多阶段锂离子电池健康状态估计

锂离子电池的健康状态估计是锂离子电池寿命评估和健康管理的基础.文中针对实际应用场景中充电数据的缺失,提出一种实用的多阶段电池的健康状态估计方法.研究中根据电压大小,将充电过程划分为3个阶段,分别提出了具有针对性的电池的健康状态估计方法.特别是对于恒流电压过渡阶段,在恒流数据和电压数据都严重缺失地情况下,利用卷积神经网络的数据挖掘能力,直接建立了电压电流数据与电池的健康状态的关系,在锂离子电池的长期老化实验数据研究基础上对所提出的方法进行了验证.结果表明,该方法具有估计精度高、应对严重数据缺失的能力强、对电池不一致性鲁棒性强等优点.