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。     

基于表面温度和增量容量的锂电池健康状态估计

本文中提出了一种基于电池表面温度和增量容量的健康状态(SOH)估计方法,分析了恒流充电过程中的温度变化曲线,从温度变化曲线中提取了3个几何特征作为健康因子,并与增量容量曲线的峰值结合作为反向传播神经网络的输入来建立模型估算SOH。试验结果验证了该方法的有效性,SOH平均估计误差仅在2%以下。     

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。     

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。     

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。     

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。     

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

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。     

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。     

基于恒流充电曲线电压特征点的锂离子电池自适应容量估计方法

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%。     

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。     

考虑老化的电动汽车退役锂电池SOC在线估计

为提高电动汽车退役锂电池在梯次利用中的安全性,需要准确及时获取退役电池在使用过程中的荷电状态（SOC）参数值。由于退役电池不断老化会引起容量较快衰减,严重影响SOC参数的估计精度,所以文章提出了一种考虑退役锂电池容量衰减的SOC在线估计方法。经过混合脉冲功率（HPPC）和动态应力测试（DST）循环工况的试验测试,证明了所提方法能够在不同使用工况下准确和实时估计退役锂电池的SOC,并且最大估计误差均小于2%。     

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...     

纯电动车锂电池管理系统的应用浅析

首先介绍了纯电动车用电池管理系统在实车上具有的功能和组成结构。接着论述了应用中的SOC算法、SOH算法、均衡方法、热管理和故障诊断与处理等关键技术。最后就电池管理系统在功能安全、SOC估算精度和电池寿命估计算法等方面提出了一些建议,供设计开发人员参考。     

基于大数据的车用动力电池开路电压估计方法研究

开路电压是电动汽车动力电池的重要参数之一,对电池电量(SOC)参数的估计具有关键作用。然而,在电动汽车实际使用过程中,动力电池的稳定开路电压状态却往往很难得到。传统的试验获取开路电压的方法难以满足动力电池复杂的实际工况条件。为准确获取实车动力电池的开路电压值,通过大数据分析电动汽车在充电完成状态及下次启动状态的动力电池电压状况,利用随机森林回归(RFR)算法预测动力电池电压变化特性,实现了对充电完成状态的开路电压预估,估计精度可以达到87%,为SOC标定、电池等效电路参数辨识和SOH估计工作实现奠定了基础。     

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

针对因选取的健康因子不理想导致锂电池剩余使用寿命（RUL）预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络（ATCN）预测电池的剩余使用寿命,通过对美国国家航空航天局（NASA）锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络（SimpleRNN）、长短期记忆（LSTM）神经网络和门控循环单元（GRU）神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。     

基于容量增量变化量曲线的锂电池健康状态估计

提出了基于容量增量变化量曲线的电池健康状态估计新方法，该曲线具有随电池老化平移不明显的特点，并有利于特征参数的确定和提取。利用随机森林方法分析该曲线上各个函数值的重要性，根据重要性筛选出曲线上可以作为表征参数的函数值，并使用神经网络建立起表征参数与健康状态的映射关系。利用马里兰大学老化数据验证该方法的平均绝对百分比误差为0.77%，健康状态估计值误差基本控制在2%以内，具有较高的精度。     

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法，本质上是一个递推的过程，每一次预测的误差会随预测次数增加而累积，难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论，建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法，使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型，并融合ARIMA模型预测误差趋势，进而修正最终预测结果。理论分析和实车采集数据验证表明，该方法在预测比例超过历史数据总量35%的情况下，仍然能较好地拟合实车SOH衰退曲线，有效提高锂电池剩余使用寿命的预测精度。     

交通网络中动态OD矩阵估计模型研究

动态起点-迄点（OD）矩阵为智能交通系统提供所需的基础数据。为了提高交通网络中动态OD矩阵估计的精度,在最小化路段实际交通量和分配交通量之间差值以及最小化历史OD矩阵和待估计OD矩阵之间差值的基础上,将浮动车采集信息融合到OD矩阵估计过程中;在动态网络加载过程中,OD矩阵估计值如果大于加载车辆数会使网络中的定点问题求解发散。为了避免该情况的发生,基于广义最小二乘模型并引入容量约束,提出1种带不等式约束的动态OD矩阵估计方法。仿真实验表明,该方法对于OD矩阵估计的精度较好,优于带滑动窗的广义最小二乘算法。