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。     

采用极限学习机实现锂离子电池健康状态在线估算

电池健康状态(SOH)估算是电动汽车电池管理系统核心技术之一。为准确在线估算锂离子电池SOH,提出在动态工况下构建表征电池衰退的健康指标(HI),并引入极限学习机(ELM)离线训练电池全生命周期的ELM衰退模型,实现SOH在线估算。实验结果表明,该方法能准确在线估算锂离子电池SOH,估算误差不超过2%。     

基于电阻偏差估计的SOH算法研究

电池健康状态(State of Health, SOH)作为电池管理系统的重要一部分,反映电池当前状态下的容量能力,对于电动汽车的续驶里程乃至电池组的使用寿命及安全性起着至关重要的作用。在此背景下,提出一种线性回归最小二乘求解电池等效模型与实际电池组内阻偏差,进而获取电池组健康状态SOH的方法。首先,基于Thevenin等效模型,进行等效参数辨识;随后,建立电池组电阻观测器,基于驾驶循环数据通过最小二乘法计算等效电阻偏差;然后,基于等效电阻偏差与SOH的对应关系获取当前驾驶循环的SOH;最后,建立试验对算法的精度和适用性进行仿真测试验证。     

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。     

基于产业化电动车电池SOH估算方法研究

在电动车行驶过程中,需要能够对电池包的健康状态(SOH)进行估算,如果SOH准确度不高,SOC的估算误差较大,可能导致电动汽车半途因电量不足而被迫停车。文章研究一种产业化的SOH估算方法,可时时在线估算,SOH估算精度≤±4%。     

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%。     

车用电池模型研究

由于社会和环境的需求,电动汽车市场规模不断扩大,对车用电池的研究也在不断加深。其中,电池模型的研究起着十分关键的作用,它关系到电池系统对SOC、SOH、工作参数曲线等信息的描述准确与否,进而关系到相关控制策略的执行,影响整车的参数和性能。文章介绍了三类电池模型——简化电化学模型、等效电路模型和神经网络模型。简化电化学模型采用数学方法描述电池内部的反应过程,等效电路模型使用电路网络模拟电池动态模型,神经网络模型是利用人工智能的方法模拟电池的运行。神经网络非线性、多输入多输出、泛化能力强的特点,尤为有利于描述电池这一高度非线性系统,是研究和应用的重点。     

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。     

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。     

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。     

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%。     

基于电池能量状态和车辆能耗的电动汽车续驶里程估算

为了提高续驶里程估算精度,在工况识别基础上提出一种基于电池能量状态和车辆能耗的续驶里程估算模型,该模型能有效地消除里程误差并具有较好的收敛性及鲁棒性。在Matlab/Simulink下建立电池模型及整车能耗模型,基于该模型建立工况特征参数与能耗之间的模糊规则库,再对电动空调单独进行续驶里程估算,基于卡尔曼滤波的方法对输出剩余里程进行优化。仿真及试验结果表明,与传统的续驶里程估算方法相比,采用基于电池能量状态和车辆能耗的方法不仅能提高剩余续驶里程估算精度,而且能解决在急剧变化的工况下剩余续驶里程大幅度波动的问题。     

基于超声测量及神经网络的锂离子动力电池SOC估算

准确地估算电动汽车动力电池的荷电状态(State of Charge,SOC)对电动汽车的安全驾驶和及时充电至关重要.基于超声测量和神经网络提出一种动力电池SOC估算方法.该方法对动力电池施加一个超声波脉冲,超声信号经过电池后得到反馈脉冲波,并以反馈波形的峰峰值作为神经网络的输入来建立模型,从而对动力电池SOC进行估算...     

纯电动汽车动力锂电池SOC估计策略综述

电池管理系统(BMS)采用了防止电池过放电和过充,提供电池均衡控制,能够实现新能源汽车动力锂电池的最佳利用和保护。电池管理系统实时精准估算电池电荷状态(SOC)是提高电动汽车续航里程和延长寿命的关键。然而,SOC不能直接测量,动力电池的充、放电又是一个复杂过程,导致目前现有的SOC估算策略很难精确地估算出实时在线SOC值。因此,如何提高SOC估算精度是当下BMS领域的研究热点。本文通过对各种SOC估算方法进行文献综述,分析和总结各个SOC估算方法的原理及优缺点,提出SOC估计策略未来发展趋势。     

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。     

Kalman算法在纯电动汽车SOC估算中的应用误差分析

针对纯电动汽车电池组的工作状态和输出特性,分析了模型参数的变化对Kalman算法估算精度的影响.指出了纯电动汽车应用Kalman滤波算法估算SOC应考虑的因素,并结合电池模型参数的变化提出了Kal-man方程修正方案.最后通过电池的城市工况模拟试验,验证了分析的正确和可行性.     

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。     

基于模型的新能源汽车动力电池SOC估算方法的仿真研究

本文对目前动力电池SOC现状进行了简要介绍,然后提出了一种基于模型的新能源汽车动力电池SOC估算方法。该方法使用基于化学反应动力学的电池模型来预测动力电池的电荷和放电行为,并利用滤波器和卡尔曼滤波器来估算电池的SOC。仿真实验结果表明,该方法具有比较高的估算精度和稳定性,最后对动力电池SOC以后的发展进行展望。     

基于simulink的车载电池模型的建模与仿真

动力电池技术是电动汽车作为三电之一的重点研究方向,电池模型可以反映电池的外特性,锂离子电池的精确建模和状态估计在电池的研究中起着至关重要的作用。锂电池的使用过程中,电池内部参数会跟外界环境及荷电状态的变化而变化,选用固定参数的电池模型会导致模型的精度差较大。为了能够更好的提高电池管理系统的作用,基于物理电学模型提出改进的二阶Thevenin等效电池模型,该模型充分考虑了容量对电池内部参数的影响,会使精确度更高。实验及仿真结果表明:在城市道路循环工况下,通过对18650和所建仿真模型进行电压监测对比实验,最大实际误差为0.03V,而传统的最大误差为0.04V,相比传统模型精度提高了25%。因此,所设计的模型能够准确地描述锂离子电池的特性,使得荷电状态的估算精度得以提高,将该模型嵌入到电池管理系统中将使电池管理更加有效。