基于改进粒子滤波的锂离子电池健康状态估计

为了准确估计电池当前健康状态(SOH),提出一种基于改进粒子滤波算法的电池SOH在线评估方法。首先针对传统萤火虫优化算法的不足,提出了一种改进萤火虫算法替代传统粒子滤波的重采样,然后从锂离子电池工作时的可测参数中提取在线健康指标(HI),建立HI与SOH之间的映射模型,并将其应用于状态空间模型的观测。利用马里兰大学先进寿命周期工程中心(CALCE)公布的试验测量数据进行验证,结果表明,该方法对具有非线性和非高斯特性的锂离子电池降解过程的状态估计具有良好的适应性。     

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离线预测;利用此方法通过拟合样本电池老化数据来优化建议概率密度的初始值,提高模型参数辨识的准确性以提高所建立关联模型的精度。结果表明：所提出的方法容量估计误差能保持在3%以内,寿命预测误差保持在5%以内。     

基于改进支持向量回归机的锂离子电池剩余寿命预测

为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。     

基于放电过程的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测时的容量难以测量和预测精度不高等问题,提出一种基于放电过程的锂离子电池剩余寿命预测方法.首先,提取锂离子电池放电过程中特定电压区间放电时间作为健康因子;接着,构建双向极限学习机的剩余寿命预测模型;最后,基于锂离子电池实验数据验证该预测方法的准确性.结果 表明:该模型能准确地预测电池剩余寿命,且...     

改进粒子滤波算法在组合导航中的应用

为了提高组合导航定位系统的定位精度和可靠性,分别对扩展卡尔曼滤波(EKF)、粒子滤波(PF)和U卡尔曼滤波(UKF)3种算法进行了分析。通过分析3种算法各自的特点,将PF算法和UKF算法的优点相结合,提出了一种新的粒子滤波算法——U粒子滤波(UPF)算法,并将其应用于GPS/DR组合导航系统中。通过对UPF算法与PF算法在GPS/DR组合导航系统中的仿真研究比较,进一步证实了UPF算法的可行性及计算的精确性。     

基于进化算法的锂离子电池充电策略优化

为提高电池的性能;研究制定先进的充电策略至关重要。基于差分进化算法;文章提出了一种综合考虑电池寿命和充电效率的多级恒流充电策略。首先;结合锂离子电池外特性与内部机理;建立了电学模型、热学模型和寿命等耦合模型;其次;根据上述耦合模型参数;进一步构造以使用寿命和充电速度为目标的优化方程;最后;采用差分进化算法确定各恒流段的最优充电电流。制定满足消费者需求的安全快速充电策略;不仅有利于电动汽车的推广与普及;而且能够为国家长久可持续发展做出贡献。     

锂离子电池顶盖材料分析改进

锂离子不锈钢项盖电池内阻较高,不锈钢顶盖一般需要通过填充镍金属材料才能与铜连接片焊接.铜顶盖材料的改进不仅降低电池内阻,而且可以直接与铜连接片焊接,减少镍片和铜镍复合片的作业成本.通过对锂离子电池不锈钢顶盖材料的使用现状及铜顶盖材料的性能分析,将锂离子电池顶盖材料改进为铜顶盖,电池平均内阻降低了16.7％,每年节约成本70万元,生产效率提高20％,节约设备占地面积15％.     

车用锂离子电池剩余使用寿命预测方法

剩余使用寿命(RUL)是锂离子电池健康监测与维护的关键参数,反映了电池到寿命终点的剩余工作时间。本文中提出了反映电池健康状态的电池容量衰退参数,利用这些参数建立RUL预测模型。将支持向量回归机粒子滤波应用于参数估计与RUL预测,给出了RUL的预测值与概率密度。结果表明提出的方法准确地预测了电池的RUL。     

基于主成分分析和改进支持向量机的锂离子电池健康状态预测

针对现有锂离子电池健康状态(SOH)预测方法预测精度不高,且预测准确率易受特征参数冗余或不足影响的问题,提出一种将主成分分析(PCA)算法与粒子群优化(PSO)支持向量回归(SVR)模型相结合的方法,首先提取多个可以反映电池性能退化状态的特征参数,然后应用PCA算法对特征参数进行降维处理,构建基于SVR的SOH预测模型,并使用PSO算法对SVR关键参数进行全局寻优,最后采用美国国家航空航天局电池数据集与现有的预测方法进行对比试验,结果表明,该方法具有较高的预测精度。     

基于机器学习的锂离子电池荷电状态多步预测

先进电池管理技术依赖于对未来一段时间荷电状态变化的预测,难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度,利用实际锂电池数据研究了不同多步预测策略的效果。结果表明,实际锂电池荷电状态预测在充电过程中具有显著线性特性,放电过程表现出非线性特性。预测步长为 15个时,LR模型、KNN模型、RF模型的 MAPE均低于 6%,R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。     

基于无迹Kalman滤波算法的电池内部温度估计

为实时监测车用锂离子动力电池内部温度,提高电池性能,提出了一种非线性无迹Kalman滤波(UKF)估计算法。对某一2.6 Ah三元单体锂离子电池,建立等效可变参数热模型;用状态方程分析法,建立电池内部外部温度的关联并离散化;用递推最小二乘法(RLS)辨识热模型中时间、表面温度、环境温度、输入电流4种热参数,实时更新系统状态与观测方程的参数矩阵,结合UKF算法,实现电池内部温度估计。通过Matlab搭建仿真模型,用混合动力脉冲能力特性(HPPC)、动态应力测试(DST)以及恒流3种工况,来验证算法精度。结果表明：对于这3种工况,该UKF算法均可在1℃内估计电池内部温度。     

基于粒子滤波算法的动力电池容量估计模型研究

针对基于双指数模型和多项式模型的粒子滤波算法估计动力电池容量精度低的问题,提出一种融合指数项和多项式的组合模型估计动力电池容量,通过分析粒子滤波算法运行过程中双指数模型和多项式模型的参数迭代更新状态,提取两模型中的关键项形成组合模型,并分别以实验室条件下和用户工况下动力电池容量数据对组合模型进行验证。结果表明,两种条件下基于组合模型估计的动力电池容量精度均高于基于双指数模型和多项式模型估计的精度。     

基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究

对锂离子电池动力学系统进行了非线性特性分析,并判别了其混沌特性。采用相空间重构技术恢复锂离子电池动力学系统原有的混沌特性,得到多维状态空间的时间序列,利用LS-SVM模型对重构后的时间序列进行预测,获得荷电状态(State of Charge,SOC)的预测值。仿真结果表明:与BP神经网络预测模型相比,该预测方法具有较高的预测精度和较好的适应性,对实际应用具有一定的指导意义。     

基于CNN-BiLSTM-AT混合模型的新能源汽车锂离子电池健康状态预测

快速准确的健康状态预测能够提高新能源汽车锂离子电池的长期使用安全性和可靠性,可为电池管理系统的优化提供可靠的数据支持.结合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(AT)技术,提出并验证了CNN-BiLSTM-AT混合模型的预测有效性.以三元锂电池和磷酸铁锂电池为例,将CNN-BiLSTM-AT模型与其他6种预测模型进行对比.结果表明:CNN-BiLSTM-AT模型在多种电池类型和不同循环次数下均表现出色,具有最低的均方根误差和平均绝对误差,且决定系数R2 接近1,显著优于其他模型.     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题,本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型,再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明,本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中,最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

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。     

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。     

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%。     

基于粒子滤波算法的质子交换膜燃料电池健康状态估计

质子交换膜燃料电池 （Proton Exchange Membrane Fuel Cell,PEMFC） 的老化过程影响其输出性能,为了更精确地控制输出功率,需要考虑燃料电池的老化和功率衰退趋势。以功率-电流曲线作为健康状态 （State of Health,SOH）指标,在以往研究的基础上进行改进,考虑开路电压在老化过程中的变化,增加老化模型中老化因子的个数,建立了PEMFC功率和内部部件老化之间的映射关系,基于极化曲线推导了半机理功率衰减模型,并基于正则化粒子滤波算法设计了老化率模型,结合功率衰减实现对燃料电池SOH的估计。在测试数据集上进行了仿真试验,并和试验测试数据进行对比,结果表明该方法能对长期性能衰减模型进行预测,相比于已有研究方法,该方法能通过老化率参考值和功率衰减模型更准确地估计PEMFC的SOH和性能衰减趋势,随着训练时间的缩短,估计精度较之提升,尤其是在训练时间长度100 h,估计时间长度250 h,误差相对下降率达65.69%。