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。     

电动汽车动力锂电池状态估计综述

电池状态估计是电池管理系统的核心技术，对保证电池安全可靠的使用、充分发挥电池的能力、延长使用寿命起着至关重要的作用。电池模型是状态估计技术的基础，极大地影响着状态估计的精度和时效。为此，对最常用的电池建模和状态估计方法进行了梳理和总结。首先，对电池模型及其建模方法进行系统概述，主要包括电学特性模型、热模型、电热耦合模型以及老化模型。然后通过对文献的归纳分析，从剩余容量、功能估计、功率预测、健康评估、温度监测和安全保障等角度，对电池荷电状态、健康状态、能量状态、功能状态、功率状态、温度状态和安全状态等估计方法进行了较为全面的阐述。最后，对未来电池状态估计的研究方向和趋势进行展望。研究结果可为电动汽车动力锂电池状态估计朝着先进化、智能化发展提供参考。     

基于LSSVM和NSGA-Ⅱ混凝土耐久性多目标配合比优化

为减少由于耐久性不足而导致的混凝土结构劣化损伤，实现快速准确地确定配合比优化方案，以吉林某隧道工程为背景，选择混凝土耐久性主要指标抗冻性（动弹性模量）和抗渗性（氯离子渗透系数）为研究目标，建立一种LSSVM-NSGA-Ⅱ算法。基于原材料及配合比，利用最小二乘支持向量机（LSSVM）模型实现混凝土动弹性模量和氯离子渗透系数耐久性指标高精度预测，将回归预测函数作为适应度函数并结合规范及工程项目要求建立原材料及配合比相关的约束条件；在此基础上，利用NSGA-Ⅱ实现多目标优化。研究结果表明： 1）将相对动弹性模量和氯离子渗透系数作为耐久性评价指标并利用LSSVM模型进行预测的结果精度高； 2）所得预测回归函数作为适应度函数，以混凝土抗冻性和抗渗性为目标，利用NSGA-Ⅱ算法进行多目标优化后，可以获得配合比优化目标值； 3）经试验可知，混凝土工作性能等均符合规范和工程项目要求，且与工程实际情况相符。研究结果反映了该模型在配合比多目标寻优中的智能化、精准化。     

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。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

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。     

基于实车数据的电动汽车电池健康状态预测

鉴于现有电动汽车电池健康状态(SOH)预测方案多基于条件有限实验室的实验数据,且存在单指标预测精度低等问题,基于实车运行数据分析并提取电池健康状态因子,以电池容量、内阻和单体一致性为特征,构建机器学习模型,实现电池SOH多指标的准确预测;针对实车数据区间不完整、片段间隔大等问题,提出自适应状态估计法;利用非支配排序遗传算法(NSGA-II)进行精度与效率的多目标优化,获得最佳电压区间,提高电池容量的变区间估计精度。结果表明,该方法可有效实现基于实车数据的电池SOH准确预测,采用5-fold交叉验证计算测试集最大平均绝对误差小于2%。     

基于非线性降维IC特征的实车电池SOH估计EI北大核心CSCD

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。     

电动汽车锂离子电池建模和剩余容量估计

建立锂离子电池的非线性数学模型,计算了模型参数,得到电动汽车用锂离子电池荷电状态的合理控制范围。提出一种估算锂离子电池剩余容量的方法。结果表明,所建的数学模型能很好描述锂离子电池各种工作状态,所提出的剩余容量估计方法为锂离子电池的寿命预测提供了依据。     

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%。     

融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究

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。     

基于融合方法的电动汽车动力电池容量衰退预测模型构建与优化

为了构建和优化基于融合方法的动力电池容量衰退预测模型，以准确预测电池容量衰退过程，采用融合方法将机器学习算法和物理模型相结合，通过多种数据源的综合使用来构建容量衰退预测模型。首先，收集并分析实际电池操作数据，充放电过程、温度变化等；然后，利用机器学习算法对数据进行特征提取、模式识别和建模，从而揭示电池容量衰退规律；最后，结合物理模型对电池内部参数进行估计，并与机器学习模型进行融合，获得更准确的容量衰退预测结果。     

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。     

基于PNGV改进模型的SOC估计算法

基于磷酸铁锂动力电池改进的PNGV等效电路模型,提出了卡尔曼滤波法结合安时积分法估算电池荷电状态(SOC)的方法。该模型考虑了温度、自放电等因素对模型参数的影响,在Matlab/Simulink中建立了仿真模型,通过对比采用卡尔曼滤波法结合安时积分法和单独采用安时积分法估计得到的电池SOC值,表明PNGV改进模型能真实地反映电池特性,并能在允许的误差范围内准确估计电池的SOC。     

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中，因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题，针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统，结合非线性预测滤波(NPF)和自适应滤波的优点，提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先，根据NPF算法原理，通过最小化预测观测残差与系统误差的加权平方和，估计动力学模型系统误差；其次，结合自适应滤波原理，利用状态预测残差向量构造自适应因子，设计了一种自适应扩展卡尔曼滤波(AEKF)算法，用于估计系统状态向量，并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响，克服NPF对系统状态估计精度有限的缺陷；再次，对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导，以补偿动力学模型系统误差对系统状态估计的影响；最后，通过车载GNSS/IMU组合定位系统试验，从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点，同时克服了NPF算法估计精度有限的缺陷，具有较好的滤波解算精度，水平定位精度小于1.0 m，算法单次平均执行时间约为0.013 9 ms，在精度和实时性的平衡方面显著优于其他滤波方法。     

电动汽车动力电池荷电状态估计

精准可靠的荷电状态估计对电动汽车整车性能有举足轻重的影响,从而成为国内外学者研究的重要方向。文章选取三元锂离子电池作为研究对象,然后介绍了几种荷电状态的估计方法,选择使用模型基础法进行荷电状态的估计,构造一阶Thevenin模型,然后利用充放电实验所得数据和MATLAB里的多项式拟合工具构造得出开路电压-荷电状态（OCV-SOC）的函数对应关系。通过使用最小二乘法来辨识对模型中的参数值可以进行离线辨识,再使用自适应扩展卡尔曼滤波（AEKF）算法来估计锂离子电池的荷电状态。随后进行了动态应力测试（DST）实验,将扩展卡尔曼滤波（EKF）算法与AEKF算法进行荷电状态估计的对比及误差分析,从而对AEKF算法的精确度进行检验。最终通过实验数据可以得出结论,文章介绍的AEKF算法对DST实验工况的荷电状态估计可以保证较满意的精确度,并且此算法不是很复杂,操作性强。     

基于数据驱动的电动汽车电池安全风险预测

为了对电池安全风险进行准确预测，本文提出基于一种车-天气-驾驶员的多指标电池安全风险预测方法。首先提取车内外多维度信息即运用数据挖掘提取了天气状况、汽车行驶工况和驾驶风格等多指标特征，以模拟实际的电池应用场景；然后通过随机森林和SHAP组合模型的方式对特征进行筛选，从而提高了模型的泛化性和鲁棒性；最后将电池安全风险预测问题解耦为机器学习预测和时间序列预测问题，分别选择XGBoost和随机森林模型进行预测，并在此基础上建立新的Stacking集成模型对电池安全风险进行预测。最终模型的预测效果和数据实验的结果表明，该方案对电动汽车电池安全风险能做出较为准确的预测，可以为安全化、智能化的电池管理系统提供辅助决策信息。     

电动汽车用NiMH电池建模及基于状态空间的SOC预测方法

电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池，提出了一种集总参数等效电路模型，介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响，能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型，在此基础上建立了一种新的基于状态空间的SOC递推算法，并对电池的充放电过程进行了仿真计算。分析表明，提出的SOC估计方法同样可用于其它类型的动力电池。     

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。