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%。     

电动汽车锂离子电池荷电状态估算方法研究

电动汽车动力锂电池内部充电状态的评估是电池管理系统状态评估模块的核心。不能用仪器直接测量,只能通过测量蓄电池的外部电流、电压等参数进行评估。准确评估充电状态对于控制电池寿命、功率和安全性非常重要。根据算法的不同,分为传统的开路电压法、电流积分法、基于数据传输的机器学习阻抗法、基于模型的卡尔曼滤波算法、粒子滤波算法和融合算法。介绍不同评估算法的计算原理,分析比较了不同评估算法的计算复杂度和精度。针对当前锂离子电池充电评估研究中存在的问题,指出锂离子电池充电评估的研究方向和未来发展方向是更具通用性、更高精度和更好实时性的多种评估方法。     

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...     

电动汽车电池管理系统电池状态估算及均衡技术

文章根据纯电动汽车和混合动力汽车的工作情况,归纳提出了电池管理系统（BMS）的核心功能和拓扑结构,对电池状态估算、电池监测系统和电池均衡系统等做了新的解析,简要的解释了电池常见故障原因以及预防措施等。     

锂离子电池状态估计机器学习方法综述

本文旨在综述机器学习方法在锂离子电池状态(包括荷电状态、健康状态和剩余可用寿命)估计领域的研究进展.首先,阐述机器学习方法在电池状态估计中的应用现状.然后,归纳电池状态估计机器学习方法的5个具体实施环节,即数据准备、模型选择与评价、超参数确定、数据预处理和模型训练,并提出了融合精度、实施成本和鲁棒性的学习算法评价方法....     

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。     

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.     

电池管理系统里的电池健康评估和寿命预测

本文对锂离子电池的应用特性进行了总结,分析了电压、电流、温度三大参数对锂离子电池健康和寿命的影响,尤其是充电截止电压,化成电流和高温情况对电池容量的影响。以不同材料之间的比较试验为基础,重点分析了高充电截止电压,充电电流和高温对材料稳定结构的破坏,从而引发电池循环寿命降低的原理。最后基于电池使用中放电电流和环境温度应力为参数,进行了基于电压、电流、温度的锂离子电池循环寿命预计模型研究,得到锂离子电池循环寿命预计基础模型,为混合动力汽车锂电池3参数与寿命关联模型构建提供了重要的研究基础。     

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。     

锂离子动力电池SOC估算技术进展综述

本文回顾了电池管理系统（Battery Management System,BMS）在电动汽车和可再生能源领域的关键发展阶段,本文重点讨论了电池剩余能量监测技术,即荷电状态（State of Charge, SOC）估计方法。文章概述了常见的SOC测量方法,包括基于模型法、安时积分法、放电测试法和人工神经网络法等。随着技术和时代的发展,电池管理系统正朝着智能化方向演进,采用更为先进的控制方法以提升系统性能。结合新型互联网+的服务模式,云计算和大数据在BMS中的潜在应用也在快速发展,为BMS和SOC估算带来了新的可能性。从未来发展趋势来看新型电池技术和应用场景的不断发展,将对SOC估算技术提出更高要求。在电动汽车快速发展的大背景下,持续优化和创新电池估算方法以满足各类电池和应用环境的特定需求已成为行业发展的必然趋势。     

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。     

电动汽车用NiMH电池建模及基于状态空间的SOC预测方法

电动汽车的电池管理系统需要精确、可靠的电池荷电状态(SOC)预测器。针对氢镍(NiMH)电池，提出了一种集总参数等效电路模型，介绍了通过实验获得电池参数的方法。该模型考虑了温度对电池参数的影响，能反映电池充放电的动态过程。文中用状态空间描述了R—C电池模型，在此基础上建立了一种新的基于状态空间的SOC递推算法，并对电池的充放电过程进行了仿真计算。分析表明，提出的SOC估计方法同样可用于其它类型的动力电池。     

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。     

考虑电动公交在途特性的电池状态梯次划分

电动公交电池容量衰减造成里程焦虑增加、服务可靠性降低、电池资源浪费等问题。因此,评估和发现电动公交实际运营过程中影响电池健康状态的关键因素并划分电池状态尤为重要。基于电动公交长时间实际行驶过程中的充放电数据,结合安时积分法与最小二乘拟合建立电池容量估计模型,并据此计算各充放电片段的电池健康状态。进一步考虑电动公交在途特性,从电池组充放电属性、车辆行驶工况、公交营运状态3个角度提取可能影响电池健康状态的相关因素,并采用因子分析法将影响因素组合为12个影响因子,使用随机森林回归构建电池健康状态预测模型,从而根据预测结果的准确性反推获得各影响因子的重要度。最后考虑不同影响因素的重要度,利用加权聚类算法梯次划分电动公交电池健康状态为4个类别,下降梯度分别为-0.013 6、-0.011 9、-0.003 4、-0.002 8,并通过对比研究发现了同一条线路不同梯次的车辆电池组在放电深度、速度标准差、最大加速度和刹车次数等影响因素上的差异。研究结果表明:车辆荷载、电池电流释放情况、车辆行驶中速度的变化、电池的使用时间、线路拥挤状况以及电池充电深度大小对于电池健康状态的影响程度较大,而在公交营运状态相同条件下,驾驶人的行为对电池健康状态衰减程度有着较大影响。     

不同温度与荷电状态下锂离子电池传荷电阻估计

基于锂离子电池伪二维模型并考虑老化机理建立电化学模型,基于该模型提出了在不同荷电状态和温度下传荷电阻折算方法。在4种不同循环老化工况后,通过获取不同温度和荷电状态下的电化学阻抗谱得到相应的传荷电阻,并采用该折算方法进行不同状态下传荷电阻折算,结果表明折算的平均误差小于9%。该折算方法为利用不同温度和荷电状态下的传荷电阻进行电池寿命状态估计提供了新思路。