共查询到20条相似文献,搜索用时 890 毫秒
1.
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。 相似文献
2.
3.
基于实车电池复杂的运行数据,本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征,使用t-SNE非线性降维方法处理IC峰特征,消除多维特征冗余性,以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型,实现对电池健康状态的估计。结果表明,本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化;对实车数据的平滑、降噪方法可以较好地提升训练数据质量;基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度,保证了有限样本数据集上实现准确估计。 相似文献
4.
《汽车工程》2019,(10)
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。 相似文献
5.
6.
7.
目前还没有一种有效的手段针对处于前期演化阶段的锂离子电池微短路进行检测,为此本文提出了一种基于电池充电容量增量(IC)曲线和充电容量差(DCC)变化规律的微短路故障诊断方法。首先确立锂电池短路故障与充电容量增量的关系,利用小波变换对IC曲线进行降噪,得出在不同电流倍率和温度下IC曲线最高峰(ICPV)与电池荷电状态(SOC)唯一对应。然后提出利用充电容量差DCC描述存在内短路的故障电池与正常电池的SOC差异,并据此得出锂电池微短路的量化方法。最后通过仿真分析与实验验证表明,在不同工况下循环测试均可获得电池微短路的量化信息,且诊断最大误差均小于8.12%。 相似文献
8.
9.
电动汽车锂离子动力电池健康状态(SOH)衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命(RUL)短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络(LSTM)和多层感知机(MLP)对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。 相似文献
10.
针对动力锂电池在使用过程中难以高效准确估计其衰退后可用容量的问题,提出一种不依赖滤波算法的容量增量分析法获取不同型号电池的容量衰退特征,并基于数据驱动的方法搭建可用容量估计模型。首先,分别分析低通滤波与小波滤波在获取容量增量曲线中存在的问题,并对比差分电压值在1、10、20、50 mV时容量增量曲线的形态。其次,采用移动方差算法对不同电压差分值下容量增量曲线的波动性做出评价,确定出峰值特性明显且平滑的容量增量曲线。提取曲线的峰值作为动力锂电池的老化特征,运用斯皮尔曼相关性系数验证老化特征与电池老化状态之间的相关性。然后,引入门控循环单元建立锂电池的可用容量估计模型。最后,将不同老化测试条件下的2类电池老化数据集用于模型验证。研究结果表明:所建立的估计模型能够有效估算锂电池全寿命循环内的可用容量值,2组数据集中测试结果的相对误差除个别值外,多数相对误差值在2%以内;数据组1中,分别选取电池1和电池3测试数据的前50%为训练数据,后50%为测试数据,训练结果绝对误差稳定在0.05 A·h左右,测试结果绝对误差在0.04 A·h左右;对电池2与电池3的全寿命循环可用容量做出估计,结果相对误差稳定在2%左右;数据组2中对电池5、电池6和电池7的全寿命循环可用容量估计结果的相对误差整体亦在2%以内;且模型能够对锂电池循环过程中出现容量再生现象的循环做出4%以内的准确估计,显示出良好的估算精度和泛化能力。 相似文献
11.
12.
为提升实际应用中锂离子动力电池寿命预测精度,本文中提出一种融合经验老化模型和电池机理模型的电池寿命预测方法。该方法以基于经验老化模型SOH预测值作为卡尔曼算法的先验估计,以基于机理模型估计电池未来容量衰减量进而预测得到的SOH作为卡尔曼算法的后验修正,从而实现对锂离子电池寿命的准确预测。基于电芯试验数据的动力电池寿命预测算法验证结果表明,锂离子动力电池剩余寿命预测误差≤5.83%、基于实车数据的锂离子动力电池的剩余寿命预测误差≤8.12%,取得了良好的预测效果,丰富了锂离子动力电池寿命预测的方法。 相似文献
13.
14.
15.
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。 相似文献
16.
17.
18.
为提高锂离子电池容量在线估计精度,本文中提出一种基于部分充电曲线特征容量在线辨识和阿伦尼乌斯容量衰减模型融合的自适应容量估计方法。针对纯电动汽车极少存在完整充电的情况,提出一种基于恒流充电电压特征点的容量在线辨识方法。该方法先利用遗传算法对缩放平移后的充电曲线进行电压特征点优化,再通过监测有关这两个不动的电压特征点的恒流充电数据,在线辨识电池的当前容量。为进一步提高容量在线估计的精度,通过增量式PID算法来融合容量在线辨识值和阿伦尼乌斯模型,进行模型参数的闭环修正。最后,交变温度寿命实验结果表明,利用本文中提出的自适应估计方法,最大估计误差不超过2%。 相似文献
19.
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%。 相似文献