车用锂离子电池的SOC估算方法研究现状

SOC(State of charge),即电池的荷电状态,它描述的是电池的剩余容量,其数值上表示为电池剩余的荷电量占电池总电量的比值,常用百分数表示。它是电池状态的一个关键指标,SOC的准确估算可以有效的提高电池使用效率,延长电池的使用寿命。荷电状态不能通过直接测量获得,而是需要其它方式来估算。本文对车用锂离子电池SOC估算方法进行了简单的描述,分析了不同方法的优缺点,最后进行了总结。     

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。     

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...     

锂离子电池剩余容量估计与优化分析

锂离子电池剩余容量估计是电动汽车电池管理系统核心技术之一。利用支持向量回归(Support Vector Regression,SVR)进行锂离子电池剩余容量的估计,其参数的选择直接决定着支持向量回归的性能。提出利用粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)对支持向量机进行参数寻优,进行锂电池剩余容量估计分析及优化参数分析;并与基于网格搜索法(Grid Search,GS)的支持向量机和标准支持向量机估计结果作对比。结果表明,GASVR和PSO-SVR均能进行高精度的锂电池剩余容量估计,尤以遗传算法优化性能最佳。     

基于容量增量特性的锂离子电池健康状态诊断与安全预警策略研究

近年来,新能源汽车着火事故时有发生,锂离子电池的性能与安全问题受到社会的广泛关注。针对由电池老化带来的电池故障,本文开展了锂离子电池健康状态诊断和安全预警策略研究。基于容量增量分析法,分别评估了磷酸铁锂电池和三元电池老化过程中健康状态的变化规律并量化分析了电池老化机制。面对电池健康状态不一致和容量跳水两个问题,分别提出了基于离群点检测的安全预警方法和基于老化机制分析的电池容量跳水识别方法,保障了电池组的使用安全。     

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BP神经网络的锂电池剩余寿命预测

准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。文章为精确地预测锂离子电池剩余寿命,引入了BP神经网络算法,并利用NASA电池循环寿命实验数据进行验证。     

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。     

随机放电工况下锂离子电池容量预测方法

针对锂离子电池容量预测精度不高的问题,提出一种基于人群搜索优化的支持向量机(seeking optimization algorithm-support vector machine, SOA-SVM)的容量预测方法。通过分析锂离子电池随机放电过程,构建反映容量变化的随机放电容量均值和标准差两个指标,并以此作为预测容量的特征参数。采用主成分分析法分析特征参数之间的相关性,并提取主成分。基于部分测试电池第1主成分和容量数据,采用SOA对SVM超参数进行全局优化并训练模型。采用优化后的模型结合其余电池第1主成分数据预测锂离子电池容量。预测结果表明,本文中提出的锂离子电池容量预测方法具有较高的预测精度。     

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%。     

车用锂离子电池放电区间与容量衰减关系的研究

锂离子电池寿命通常与电极材料、充放电倍率、放电深度、放电区间和使用环境温度等因素有关。本文中针对一款车用的锂离子电池,研究放电区间对其容量衰减的影响,并通过试验测得的电量增量曲线分析电池的衰减机理,明确电池锂离子和电极活性材料的损失均是导致不同放电区间下容量衰减的因素。最后,利用放电曲线重构的方法,定量分析了容量衰减与可用锂离子和正负极活性材料损失量的关系。     

一种蓄电池剩余容量测试方法的研究

本文通过对常用蓄电池剩余容量估算方法的研究和分析,提出“瞬时稳定大电流放电一端电压测量法”来实现蓄电池剩余容量的测量,并建立了数学模型.同时考虑了放电电流强度、循环次数对荷电状态SOC（State Of Charge）测量精度进行修正和补偿.     

动力电池热模型研究现状

对于没有散热结构的锂离子电池组,在充放电过程中产生大量的热,会造成部分电池温度过高。在高温条件下,电池的温度上升得更快,严重影响电池的容量、性能以及使用寿命,甚至会导致安全事故发生。所以需要通过优化散热结构,采用适合的方式对锂离子电池组进行热管理,以保证电池组的工作温度在正常范围。文章主要对锂离子动力电池热状态研究现状进行阐述,并就锂离子动力电池热管理系统要求进行分析。建议以后锂离子电池热状态研究可以将研究重心放在多种维度模型结合,得到在各种条件下的最佳组合方式。     

车用锂离子电池剩余使用寿命的混沌时序非线性组合预测模型研究

针对用单一方法难以准确预测锂离子电池剩余使用寿命(RUL)的问题,提出了非线性组合预测模型。对电池系统进行混沌判断,得到与实际容量相关性高的间接参数,利用重构后的数据对Elman网络及非线性自回归(NARX)网络进行训练和预测,得到表征电池性能退化的特征量;然后,用最小二乘支持向量机进行非线性组合,获得RUL的预测值。试验结果表明:非线性组合预测模型的预测精度优于Elman和NARX,具有更强的非线性预测能力。     

基于容量增量曲线与充电容量差的电池组微短路诊断方法

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%。     

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SX5256DH434PHEV型混合动力重型环卫车的电池管理系统浅谈

在全球能源危机的情况下,随着国际碳排放出口协定的实施,绿色清洁汽车已经成为发达国家当前汽车技术的发展方向,发达国家多数把锂离子电池作为EV、HEV、PHEV的新能源。由于汽车的复杂工况和锂离子电池电化学特性,一般需要完善的电池管理系统BMS(BATTERY MANAGEMENT SYSTEM),其作用是对锂离子电池电压、电流、温度、容量、电池的SOC荷电状态计量、电池与车体的绝缘状态等多种电池参数以CAN通讯的方式与车控电脑实时进行信息交换,确保电池的能量发挥到极致,使驾驶者能够随时掌握电池的工作状态,以保证电池的安全。BMS不仅是数字化智能电池系统的中枢神经,也是新能源汽车必不可少的关键部件。     

基于安时法的锂离子电池SOC估计实时校正方法CSCD

为减少工业常用荷电状态(SOC)估计方法——安时法的累积误差,提出一种实时校正的锂离子电池SOC估计方法。在0~60℃,放电倍率1 C、2 C、3 C和0.33 C下,进行锂离子电池放电实验,测量了电压、电流、温度,建立了锂离子电池放电数据库。从该库获取上述放电温度、放电倍率范围,SOC值为20%、80%时的开路电压,以此两点引入一条关于电压与SOC的直线。以该直线上某点电压所对应SOC作为修正项,并引入修正因子α,来校正安时法所得剩余电量SOC估计值。与实验值对比,该SOC估计结果的误差小于4%,符合工业需求。     

基于内阻功率消耗的锂电池SOC估计

针对锂电池不同使用场合下的剩余电量估算精度的问题,提出了基于内阻功率的放电策略与功率积分的电池剩余电量计算方法。选取电池的1阶Thevenin等效电路模型,通过放电实验确定电池内部参数,建立了电池的可变参数模型。依据电池不同使用需求,通过功率控制电池放电电流,稳定电池的容量,提升了安时积分算法在稳定放电工况下的鲁棒性;将电池的温度、高频率波动电流和健康状况引入积分项,以衡量电池容量消耗速率,并采用功率积分算法估算电池剩余容量。将积分算法与EKF结合,减弱了积分误差对估算精度的影响。搭建实验台架,设计锂电池的放电工况,采用与之对应的放电策略和计算方法。结果表明:本文的方法有效地提升了电池剩余电量的估算精度。