基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

基于数据驱动模型融合的锂离子电池多时间尺度状态联合估计方法

本文提出一种基于数据驱动法（data driven method,DDM）-等效电路模型（equivalent circuit model,ECM）融合的锂离子电池多时间尺度状态联合估计方法。首先提取内阻作为健康特征（health factor,HF），利用最小二乘支持向量机（least squares support vector machine,LSSVM）建立电池老化模型实现健康状态（state of health,SOH）估计；根据阻容参数辨识值和容量估计值建立电池状态空间方程，结合无迹卡尔曼滤波算法（unscented Kalman filter,UKF）进行荷电状态（state of charge,SOC）估计；用高斯过程回归（Gaussian process regression,GPR）对HF随循环次数的变化进行映射，预测HF的变化趋势，并结合LSSVM模型实现长期剩余使用使命（remaining useful life,RUL）预测。实验结果表明，所提方法具有较高精度和鲁棒性。     

基于特征电压模型的锂离子电池容量估计与RUL预测

锂离子电池的容量与剩余使用寿命预测对提高其安全性具有重要的意义.该文提出一种基于改进粒子群滤波(PF)算法与特征电压关联模型的锂离子电池容量估计与剩余使用寿命预测方法.提取放电曲线中的特征电压,建立特征电压循环次数及特征电压容量2个关联模型;应用改进PF算法对2个关联模型的参数进行辨识,以实现容量的在线估计与剩余寿命的...     

基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度。     

锂离子电池性能衰退机理与故障预警策略研究

针对新能源汽车用锂离子动力电池在车载复杂工况下，由于老化过程造成整车性能下降以及产生安全隐患的问题开展研究。分析锂离子电池老化机理，研究老化路径对衰减过程的影响；对当前常用的电池模型方法进行了总结，并着重介绍了动力电池电化学- 热- 机耦合仿真模型；分析了实际应用下锂离子电池伴随老化过程可能出现的风险，归纳了主要容量衰退分析方法。研究表明，基于动力电池云端控制的故障预警方案将是动力电池整车应用未来的发展方向。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。     

基于改进粒子滤波算法实现锂离子电池RUL预测

鉴于采用传统粒子滤波算法来预测锂离子电池剩余使用寿命(RUL)过程中,存在粒子多样性丧失现象而导致RUL预测精度较低的问题,引入线性优化重采样思想,建立了基于线性优化重采样粒子滤波(LORPF)的电池RUL预测方法。该方法以双指数模型作为电池老化模型,通过LORPF算法对模型参数进行迭代更新,实现电池RUL预测并给出预测结果的不确定性表达,最后使用美国国家航空航天局PCoE研究中心的电池数据和自主搭建实验平台的电池数据对所提方法与传统PF方法进行对比验证,结果表明该方法有效提高了RUL预测精度,其误差小于5%。     

基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究

本文中提出一种基于动力电池能量状态估计和车辆能耗预测的续驶里程估计模型。电池能量状态估计采用电池状态模型估计电池剩余的可用能量,分析了不同因素的影响。利用纯电动车测试数据,基于递推最小二乘算法辨识车辆能耗参数,结合行驶工况预测汽车能耗,进而计算续驶里程。与传统的续驶里程估计方法相比,基于电池能量状态估计和整车能耗预测的续驶里程估计模型的精度有较大提高。     

基于电化学机理的动力电池老化模型研究*

针对电动汽车的动力电池老化试验需要消耗大量时间与资源等问题,从电化学机理出发建立动力电池老化模型,该模型能反映电池寿命与荷电状态、环境温度以及放电深度等电池寿命主要影响因素间的关系,通过动力电池的静置老化试验验证了该模型的准确性。在计算机环境下完成该模型的搭建,并开展了不同电池存储方案下电池老化情况的仿真,在较短的仿真时间内模拟电池老化过程,降低了电池老化情况的验证成本。     

基于SOC-OCV曲线特征的SOH估计方法研究

电池的健康状态估计(state of health, SOH)是锂离子电池管理系统中的状态参数之一,影响电池荷电状态估计(state of charge, SOC)和峰值功率估计(state of power, SOF)的精度。本文中通过追踪SOC-OCV(open circuit of voltage, OCV)曲线特征的衍变规律,从热力学的角度提出了全新的SOH估计方法。利用三元锰酸锂复合材料为正极的锂离子电池循环寿命实验数据构建SOH与SOC-OCV曲线特征参数之间的关系,并验证所提SOH估计方法的精度。实验结果表明:SOH从100%衰退到50%,SOH估计精度在±1.5%以内。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

不同温度与荷电状态下锂离子电池传荷电阻估计

基于锂离子电池伪二维模型并考虑老化机理建立电化学模型,基于该模型提出了在不同荷电状态和温度下传荷电阻折算方法。在4种不同循环老化工况后,通过获取不同温度和荷电状态下的电化学阻抗谱得到相应的传荷电阻,并采用该折算方法进行不同状态下传荷电阻折算,结果表明折算的平均误差小于9%。该折算方法为利用不同温度和荷电状态下的传荷电阻进行电池寿命状态估计提供了新思路。     

基于电化学模型的车用锂离子电池安全快速充电算法CSCD

传统的快充方法可提升锂离子电池充电速度,但容易损害电池寿命,甚至造成安全问题。基于面向控制的锂离子电池电化学机理模型,提出了全新的快速充电算法。针对一款42Ah镍钴锰(NMC)三元锂离子电池,采用该算法进行了快速充电测试,讨论了开发策略中关键参数阈值电势、初始充电倍率的取值对算法效果的影响。结果表明:该方法实现了该款锂离子电池的安全快速充电,在保持电池不析锂情况下将电池充电速度提高了20.5%;算法中的阈值电势主要影响充电时间,而初始充电倍率影响负极过电势最低值。     

用新陈代谢极限学习机实现电池健康状态估算

针对因电池内部电化学反应的复杂性、算法泛化性差或可用已知数据量少导致的锂离子电池SOH估算精度下降的问题,提出使用极限学习机(ELM)构建强泛化性电池退化状态模型来描述不同电池的共性退化规律;引入新陈代谢机制来更新退化状态模型的输入数据进而实现对SOH的新陈代谢估算,在保证估算精度的同时降低对输入数据量的需求。利用两种不同材料电池在不同工况下所测数据对所提出方法进行验证,结果表明该方法能在仅用4个数据样本的情况下准确估算电池SOH,估算误差不超过2.18%。     

基于AIC 准则判断锂电池最优模型

采用锂离子电池的等效电路模型，利用Matlab 的simulink 模块搭建电池离线仿真模型，选用含有遗忘因子的递 推最小二乘法进行在线参数辨识，基于赤池信息量准则（Akaike’s Information Criterion，AIC）建立锂离子电池模型结 构复杂度和预测精度综合性能函数，对电池不同RC 阶次模型进行研究。通过离线和在线参数的建模方法对不同RC 阶 次的等效电路模型进行AIC 分析，结果表明，一阶RC 等效电路模型最适合锂离子动力电池精确建模。     

锂离子动力电池温升特性的研究

介绍了锂离子动力电池的发热机理.基于锂离子动力电池内阻引起的温升特性,建立动力电池传热模型,通过模拟计算得出电池内部温度分布及电池温升随放电倍率变化的规律.最后对锰酸锂电池进行内阻实验,揭示了电池内阻随电池温度和SOC变化的规律.     

动态条件下基于深度学习的锂电池容量估计

锂离子电池在老化过程中，其内部呈现非线性的复杂变化，因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据，对动态数据的部分片段进行时频特征提取，组成时频特征矩阵作为输入，构建级联式卷积神经网络和门控循环单元容量估计模型，对输入数据进行内在特征提取，并进一步挖掘各时间序列中的相关特征，实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明，该方法能在仅已知电池的额定容量的情况下，准确完成锂离子电池容量估计。最后，本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。     

基于优化高斯过程回归算法的锂离子电池可用容量估算

为了解决应用数据驱动算法估算锂离子电池可用容量时存在的电池老化特征提取不准确、可用容量衰退趋势跟踪精度低及模型要求训练数据量大等问题,提出一种基于优化高斯过程回归算法的锂离子电池可用容量估算方法,实现锂离子电池强非线性全衰退过程可用容量精确估算。首先,提取电池表面平均温度、容量增量曲线峰值及峰值对应电压作为表征电池老化状态的健康因子,通过灰色关联度分析法和熵权值法对所选健康因子进行合理性评估;然后,用2个单一核函数构造高斯过程回归算法复合核函数,并利用鲸鱼优化算法完成复合核函数的参数寻优,基于优化后的高斯过程回归模型实现锂离子电池可用容量估算;最后,通过对比不同核参数寻优算法,证明鲸鱼优化算法在参数寻优方面的先进性,并通过与传统的高斯过程回归、支持向量机、径向基神经网络等机器学习算法进行可用容量估算对比,证明模型的有效性。研究结果表明:基于复合核函数和鲸鱼优化算法参数寻优可以有效改善高斯过程回归模型性能,所建立的优化高斯过程回归模型能够基于较少训练数据实现电池容量的精确估算,并能够有效追踪锂离子电池非线性长周期衰退趋势;对不同电池数据也具备较好的自适应能力,可用容量估算最大误差低于1.56%。     

基于剩余充电电量的锂离子电池组容量快速估计方法

针对传统锂离子电池组容量确定方法存在的效率低、能耗高且只能离线应用等问题,提出一种基于电池剩余充电电量的锂离子电池组容量快速估计方法。首先,基于充电电压曲线一致性原理,以电池组内率先充电至充电截止电压的电池单体电压曲线为基准,通过电压曲线的平移缩放与线性插值计算出各单体电池的剩余充电电量与剩余充电时间,从而实现各单体电池的荷电状态(State of Charge, SOC)在线估计,在此基础上实现电池组容量的快速估计。其次,在电池单体模型的基础上建立电池组的仿真模型,并在全SOC区域上对模型参数进行分段辨识。通过所建立的仿真模型得到电池组的充放电曲线,并对电池组容量进行估计。最后,对4个单体串联而成的电池组进行充电试验。研究结果表明:仿真容量与估计容量误差为1.2%以内,验证了所提出的容量快速估计算法的有效性;利用所提方法估计出电池组容量与试验得到的电池组容量的误差为2.61%;该方法根据电池充电曲线的平移与缩放即可在线估计出电池组容量,可应用于新电池组容量的在线快速估计,能在保证3%估计误差的基础上将检测效率提高到传统方法的2倍以上。