基于改进容量增量分析法的锂电池可用容量估计

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。     

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。     

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。     

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。     

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。     

基于遗传算法优化支持向量回归的电池SOH预测

针对实车运行过程中电池当前可用容量难获取、电池健康状态评估不准确的问题,提出利用车辆的停车充电片段数据,通过箱型图及卡尔曼滤波算法对安时积分法计算所得的电池容量进行修正,构建支持向量回归模型用于电池衰减预测,通过皮尔森相关性分析确定有效的模型输入参数,结合遗传算法优化模型参数。结果表明：优化后模型的拟合优度可达88%,相较于优化前提高了12%,可以实现电池健康状态的准确预测。     

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。     

Data-driven State-of-Charge estimator for electric vehicles battery using robust extended Kalman filter

An accurate battery State-of-Charge (SoC) estimation method is one of the most significant and difficult techniques to promote the commercialization of electric vehicles. This paper tries to make two contributions to the existing literatures through a robust extended Kalman filter (REKF) algorithm. (1) An improved lumped parameter battery model has been proposed based on the Thevenin battery model and the global optimization-oriented genetic algorithm is used to get the optimal polarization time constant of the battery model. (2) A REKF algorithm is employed to build an accurate data-driven based robust SoC estimator for a LiFePO4 lithium-ion battery. The result with the Federal Urban Driving Schedules (FUDS) test shows that the improved lumped parameter battery model can simulate the dynamic performance of the battery accurately. More importantly, the REKF based SoC estimation approach makes the SoC estimation with high accuracy and reliability, it can efficiently eliminate the problem of accumulated calculation error and erroneous initial estimator state of the SoC.     

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WOA-DELM的成都地铁建设阶段温室气体预测

为解决成都地铁设计和修建过程中碳排放计量问题，以成都地铁18号线6车站7区间为研究对象，采用机器学习算法对成都地铁建设阶段碳排放进行预测研究。基于生命周期评价（life cycle assessment, LCA）框架对地铁车站和盾构区间建筑材料生产阶段、建筑材料运输阶段和现场施工阶段温室气体排放量进行计算，建立基于鲸鱼优化算法（whale optimization algorithm, WOA)的深度极限学习机（deep extreme learning machine, DELM）地铁碳排放预测模型，并与基于风驱动优化（wind driven optimizer, WDO）、灰狼优化(grey wolf optimizer, GWO）、粒子群优化(particle swarm optimizer, PSO)、人工蜂群优化（artificial bee colony, ABC）、多元宇宙优化（multi-verse optimizer, MVO）、原子搜索优化（atom search optimizer，ASO）的深度极限学习机（DELM）和未优化的BP（back propagation neural network）、KELM(kernel extreme learning machine)、DELM算法预测结果进行对比分析。研究得到： 1)WOA-DELM算法预测结果相关一致性为0.757，略高于其他算法； 2）根据WOA-DELM算法对地铁碳排放主要输入指标进行敏感性分析，得到地铁车站碳排放预测的关键影响因素为车站长度和轨面埋深，对应指标碳排放相对变化率分别为30.1%和23.1%。     

车载动力电池液体冷却非线性优化方法研究

电动汽车动力电池散热需求会受到外部环境温度、风速和负载电流变化等因素的影响,如果不及时散热,动力电池的温度会迅速攀升,进而影响电动汽车的驾驶性和安全性。基于此提出一种锂离子电池非线性冷却优化方法。首先,通过对锂离子电池生热、散热机理分析,建立考虑传热系数随冷却液流速变化的锂离子电池集中热模型,通过电池特性测试试验确定电池内阻和熵热系数等热物性参数,并与AMESim模型对比,验证模型的有效性。然后,基于电池冷却系统非线性和易受负载电流变化影响的特征,提出一种考虑电池冷却系统的稳态特性以及参考变量前馈功能和闭环反馈消除静态误差机制的非线性冷却优化方法,并对其稳定性和鲁棒性进行研究。仿真结果表明:在NEDC-HWFET-US06组合工况下,非线性冷却优化方法调节下的电池温度与目标温度的最大偏差较PID方法减小了0.8 K,并且冷却过程的能耗降低了6.3%,具有更好的调节效果。     

车用锂离子动力电池组散热特性数值研究

针对车用锂离子动力电池的散热问题,对电池组的结构进行优化设计。建立锂离子动力电池三维模型,利用Fluent进行数值仿真。通过对仿真结果的对比分析得出：电池间距的增大和减小分别使电池组的散热性能提高和降低,且其间距减小时,电池间温度差异明显;发现动力电池组入口风速升高,电池表面空气流速相对提高,电池组换热能力增强,但电池间流场的一致性变差、温差变大。     

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。     

基于SOC-OCV优化曲线与EKF的锂离子电池荷电状态全局估计

SOC-OCV曲线是锂离子电池状态估计的基础.针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题,提出一种基于粒子群优化算法的OCV曲线优化方法.该方法将小电流恒流放电得到的OCV曲线进行平移,以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标,...     

车用大尺寸锂离子动力电池性能的仿真与分析

为探究车用大尺寸锂离子动力电池内部性能不一致性,基于伪二维理论,建立了二维仿真模型.引入集流体区域电势分布及边界条件,对10～150 cm不同长度电极的电池建模仿真,分析了倍率性能、容量发挥率、阻抗等电性能及局部析锂.结果显示:长度为100 cm的电池在3 C大倍率充电时正极集流体压降高达0.1 V,充电容量发挥率仅为...     

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...