基于分数阶无迹粒子滤波的动力电池SOC估计

针对纯电动汽车动力电池组荷电状态(SOC)估计问题,提出一种基于可变温度的分数阶Thevenin模型的建模方法,并采用分数阶无迹粒子滤波(FUPF)算法估计电池SOC。建立Thevenin模型的分数阶电池模型,采用试验设计(DOE)方法和遗传算法进行参数辨识,利用FUPF算法对SOC进行估计,并与无迹粒子滤波算法进行比较。试验结果表明,基于FUPF算法与可变温度的分数阶电池模型的SOC估计方法能够在较宽温度范围内保持较高的估计精度且比整数阶模型估计精度更高。     

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。     

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。     

电动汽车用功率型锂离子电池的针刺安全特性研究

为揭示电动汽车用功率型锂离子电池的针刺安全特性，针对18650、21700功率型锂离子电池，通过搭建电池针刺特性试验平台，借助基于电池内、外电路电子流向的经典内短路模型，探究了不同荷电状态（SOC）、针刺速度、刺针直径以及电池尺寸等关联影响因子对电池针刺安全特性的影响。试验结果表明：荷电状态越高、针刺速度越快、刺针直径和电池尺寸越大时，电池针刺热失控的发生风险越高；当18650、21700功率型锂离子电池的荷电状态分别在40%、20%范围内时，电池具有较好的针刺安全性。     

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。     

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。     

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PNGV改进模型的SOC估计算法

基于磷酸铁锂动力电池改进的PNGV等效电路模型,提出了卡尔曼滤波法结合安时积分法估算电池荷电状态(SOC)的方法。该模型考虑了温度、自放电等因素对模型参数的影响,在Matlab/Simulink中建立了仿真模型,通过对比采用卡尔曼滤波法结合安时积分法和单独采用安时积分法估计得到的电池SOC值,表明PNGV改进模型能真实地反映电池特性,并能在允许的误差范围内准确估计电池的SOC。     

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。     

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RLS和UKF算法的锂电池SOC估算研究

电池的荷电状态估计是锂电池管理系统重要的参数之一,在电池能量优化,电池安全及系统可靠性优化方面发挥着重要的作用。文章以二阶Thevenin等效电路作为电池模型,通过递推最小二乘法(RLS)对电池参数进行辨识,采用无迹卡尔曼滤波算法估计电池的SOC(State of charge)。并将估计的结果与试验测量结果进行比较,仿真结果显示,RLS与UKF的联合估计方法可有效估计电池的SOC值,使估算偏差值基本保持在2%以内。     

基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究

本文中提出一种基于动力电池能量状态估计和车辆能耗预测的续驶里程估计模型。电池能量状态估计采用电池状态模型估计电池剩余的可用能量,分析了不同因素的影响。利用纯电动车测试数据,基于递推最小二乘算法辨识车辆能耗参数,结合行驶工况预测汽车能耗,进而计算续驶里程。与传统的续驶里程估计方法相比,基于电池能量状态估计和整车能耗预测的续驶里程估计模型的精度有较大提高。     

车用动力锂离子电池单体不一致性问题研究综述

分析了动力电池单体不一致的内外部成因,从容量、内阻、自放电率、荷电状态和端电压等方面总结了电池单体不一致的表现规律。介绍了基于外部表现的单体电池一致性的评价方法,并分析了缓解电池不一致问题的技术手段,包括电池分选、单体均衡、热管理和考虑不一致影响的电池建模与状态估计等。     

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。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

一种考虑迟滞的动力电池模型及其参数识别

建立精确的电池模型是实现电池管理策略仿真及验证的前提,是实现对动力电池进行全面、高效、精细化的管理的关键。然而在动力电池充放电过程中出现的电压迟滞现象,严重影响了动力电池的建模精度。文章建立了一种考虑锂离子电池充放电电压迟滞的电池模型,并对其进行了参数识别,可供从事相关锂离子电池状态分析的研究人员作为参考。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。