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.     

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 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。     

基于电化学模型的锂离子电池健康状态估算

针对电动汽车锂离子电池健康状态在线估算问题,提出了一种基于伪二维模型参数的估算方法. 该方法通过拆解同类估算目标电池,以扫描电镜测量电池结构参数,利用遗传算法辨识其他未知电化学模型参数,建立一种新的基于化学计量比的电池正极容量计算法则,估算电池健康状态. 同时考虑老化对电池正极化学计量比的影响,进一步提高健康状态估算精度. 采用电池老化数据集验证该方法的有效性,结果表明所提出的估算方法能在短时动态工况下实现电池健康状态的准确在线估算.      

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CDPSO-EBRB的锂离子电池健康状态估计

锂离子电池在武器系统中广泛应用,对其健康状态的评估对于保证武器系统作战效能具有重要意义.但构建锂离子电池退化过程的物理模型难度较大,同时由于数据的不确定性与不完整性影响,使用纯数据驱动的方式也不能准确描述此过程.扩展置信规则库模型结合了知识结构和证据推理的特性,可对数据的不确定性与不完整性进行定量描述,但原始模型的参数选择对其性能影响较大,针对以上问题,提出了一种中心离散粒子群算法(CDPSO)优化的扩展置信规则库(EBRB)模型,并将该模型应用于锂离子电池的健康状态评估中,使用数据驱动方式将规则集转化为规则,采用CDPSO对初始参数进行训练,最后使用测试数据集来测试模型的有效性,通过与传统的方法进行比对,验证了所提出方法的有效性.     

电动汽车锂离子电池荷电状态估算方法综述

电动汽车动力锂电池内部荷电状态估计是电池管理系统状态估计模块的核心,其无法通过仪器直接测量,仅能通过对电池外部电流、电压等参数进行测量并由此估计。准确的荷电状态估计对电池的寿命、容量和安全性管理至关重要。本文综述了用于电动汽车动力锂电池荷电状态估算的主要方法,根据算法差异将其分为传统的基于传感器测量的开路电压法、电流积分法和阻抗法,基于数据驱动的机器学习类算法以及基于模型的卡尔曼滤波器及粒子滤波器算法与融合类算法。深入介绍了不同估计算法的计算原理并由此分析比较了不同估计算法的计算复杂度、计算精度等特点。总结了现阶段锂离子电池荷电状态估算研究存在的问题,指出其研究趋势和未来发展方向将是更具泛化性和更高精度以及更佳实时性的多融合类估算方法。     

可编程锂离子电池充电管理芯片分析及研究

本文首先介绍了锂离子电池的研究背景、相关的研究现状和基本理论,包括：锂离子电池的定义、分类、结构、充电原理等;重点介绍了可编程锂电池充电管理芯片ISL6292的充放电性能,对其功能、特性、充电过程、在配变监控终端的应用和现实意义以及实验结果都做了详细的介绍;最后总结了本次研究的工作目标,研究进展情况。     

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.     

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.     

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...     

基于VM7205的锂离子电池充电系统

锂离子电池本身的良好特性,使得其在便携式产品(手机、笔记本电脑、PDA等)中的应用越来越广泛,用于锂离子电池的充电器在功能上也要求日趋完善。根据锂离子电池的充放电特性,采用VM7205专用锂离子电池充电管理芯片,设计一款锂离子电池充电器,具有高精度预充电、恒定电流充电、恒定电压充电、电池状态检测、温度监控、充电状态指示、电池内阻补偿等功能。     

基于USB接口的锂离子电池充电电路设计与实现

介绍了锂离子(Li-ion)电池的基本情况,分析了PC机USB接口用作锂离子电池充电电源的可行性,分别给出了三个可以实际使用的USB接口充电方案,并作了分析和对比.具有很强的实用性和推广价值.     

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%.