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。     

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BP神经网络的锂电池剩余寿命预测

准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行.文章为精确地预测锂离子电池剩余寿命,引入了BP神经网络算法,并利用NASA电池循环寿命实验数据进行验证.     

基于可靠度的桥梁结构剩余使用寿命预测方法

按基于某一限值可靠度的方法对既有桥梁结构剩余使用寿命进行了研究，在介绍了相关文献的半经验半理论的预测方法和基于动态可靠度预测方法的基础上，对拟采用维修或加固措施以延长剩余寿命的桥梁，提出了基于体系可靠度并考虑最优维修方案组合的寿命预测方法，并建立了优化数学模型。研究表明：该方法以桥梁的完整使用周期为研究对象，从而确定与安全、经济的维修决策相对应的最优使用寿命，但仍有许多问题需做进一步研究。     

车用锂离子电池剩余使用寿命预测方法

剩余使用寿命(RUL)是锂离子电池健康监测与维护的关键参数,反映了电池到寿命终点的剩余工作时间。本文中提出了反映电池健康状态的电池容量衰退参数,利用这些参数建立RUL预测模型。将支持向量回归机粒子滤波应用于参数估计与RUL预测,给出了RUL的预测值与概率密度。结果表明提出的方法准确地预测了电池的RUL。     

基于SOC自适应分阶的动力锂电池两步优化快速充电策略

快速高效的充电方式对于推动汽车电动化,加快以石油为主导的传统交通能源向绿色低碳能源转型,实现中国双碳战略的目标具有重要意义。针对充电时间和充电损失的平衡优化问题,提出了一种基于SOC自适应分阶的两步优化多阶恒流充电策略。为实现充电过程的优化分阶,利用改进的二分K-means算法对基于内阻曲线的采样点集进行聚类,实现了充电区间关于内阻变化和分布特征的自适应划分。基于分阶优化结果,采用改进的非支配排序哈里斯鹰优化算法(INSHHO)求解优化电流对应帕累托前沿。利用Logistic混沌初始化及自适应t分布突变算子对哈里斯鹰模型(HHO)进行改进,进一步提升算法的全局寻优能力。最后通过充电对比试验,将优化多阶恒流充电策略与恒流恒压策略(CC-CV)和均分多阶恒流充电策略在不同充电时间条件下进行充电性能对比。结果表明:在充电时间保持一致的条件下,提出的优化多阶恒流充电策略较恒流恒压策略和均分多阶恒流充电策略的充电欧姆损失最大分别减少1.03%和0.3%;在温升表现上,优化多阶恒流充电策略较均分多阶恒流充电策略的充电温升最多降低了0.82℃。     

纯电动物流车三元锂电池充电时间优化简析

纯电动汽车是未来的发展趋势,不管是从环境,还是从国家能源层面考虑,燃油车最终会被电动汽车所取代。纯电动汽车在具有环保、节能、运营成本低等优势的同时,也存在着一些瓶颈,其中充电时间长就是纯电动汽车所面临的一项难题。尤其对于纯电动物流车而言,没有电池热管理,使得充电条件更加苛刻。本文将阐述纯电动物流车三元锂电池如何优化充电时间。     

基于数据驱动的电动汽车动力电池SOC预测

为准确预测电动汽车动力电池的能耗,缓解驾驶者的里程焦虑,本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型.首先分析电动汽车能耗构成并提取能耗影响因素,接着基于某款电动出租车CAN总线采集的汽车运行数据,采用机器学习算法,提出基于温度分层的能耗模型,通过宏观数据与微观数据的融合减小误差,最后使用该模型对车载BM...     

预应力混凝土连续箱梁桥LCPA法剩余使用寿命预测

目前大量在役桥梁均面临评估全寿命周期内安全性和耐久性预测问题。在当前研究成果基础上,文中综合考虑服役全寿命期运营荷载(活载)效应概率分布和构件耐久性退化模型,预测桥梁结构安全可靠度,以综合实现桥梁剩余使用寿命预测。依据动态称重系统数据得出桥梁的荷载(活载)效应概率模型,同时建立随时间退化的构件抗力衰减概率模型,成功预测了京沪高速(G2)新沂河大桥的剩余使用寿命,实测表明,从LCPA(全寿命周期性能评估)角度预测剩余使用寿命结果和传统实桥试验结果一致。     

云端数据驱动的锂电池故障分级预警研究

目前还未有一种有效手段针对故障类型未知的车辆云端数据进行无监督式的故障预警,为此本文提出了一种云端数据驱动的锂电池故障分级预警方法。首先通过机理分析选取适用于云端数据特性的特征,构建6类差熵特征集进行多次混合聚类实现对电池健康度的打分评价。通过引入温度信息区分热相关故障并构建预警等级划分准则判断电池故障状态。利用5种现场故障案例进行验证,结果表明,该方法能准确识别故障并区分故障类型,且具有较高的超前性和适应性。     

基于概率模型和数据驱动的动力总成悬置系统可靠性优化

针对电动汽车动力总成悬置系统（PMS）一部分参数为概率变量,一部分参数为离散数据的复杂不确定情形,开展了基于概率模型和数据驱动的电动汽车PMS可靠性优化设计研究。首先,基于任意多项式混沌（APC）展开和广义最大熵原理推导了一种求解该复杂不确定情形下PMS响应不确定性和可靠性的高效方法;然后,基于蒙特卡洛抽样,给出了该复杂不确定情形下求解PMS响应不确定性和可靠性的参考方法;接着,提出了一种基于APC展开法的灵敏度分析方法,进一步提出了一种考虑响应不确定性和可靠性的PMS优化设计方法;最后,通过应用算例验证方法的有效性,并对系统进行了灵敏度分析和可靠性优化。结果表明,所提出的方法可有效地处理电动汽车PMS一部分参数为概率变量、一部分参数为离散数据的复杂不确定情形,并能可靠地优化该情形下的系统固有特性,且方法具有较高的计算精度和计算效率。     

基于数据驱动的电动汽车电池安全风险预测

为了对电池安全风险进行准确预测,本文提出基于一种车-天气-驾驶员的多指标电池安全风险预测方法。首先提取车内外多维度信息即运用数据挖掘提取了天气状况、汽车行驶工况和驾驶风格等多指标特征,以模拟实际的电池应用场景;然后通过随机森林和SHAP组合模型的方式对特征进行筛选,从而提高了模型的泛化性和鲁棒性;最后将电池安全风险预测问题解耦为机器学习预测和时间序列预测问题,分别选择XGBoost和随机森林模型进行预测,并在此基础上建立新的Stacking集成模型对电池安全风险进行预测。最终模型的预测效果和数据实验的结果表明,该方案对电动汽车电池安全风险能做出较为准确的预测,可以为安全化、智能化的电池管理系统提供辅助决策信息。     

基于降低极化电压磷酸铁锂电池充电方法研究

以优化锂电池充电极化电压,提高充电效率为目标,研究了电池充电极化电压与SOC的关系、停歇与极化电压降的关系、放电幅值与极化电压降的关系。研究结果表明:在充电初期与充电快完成阶段,极化电压变化极大;停歇与放电能有效地降低极化电压,停歇的时间越长,极化电压降低得越多;放电幅值越大,极化电压降越大。在此基础上,以降低极化电压作为电池充电性能的评价指标,提出了基于降低极化电压的优化充电方法,并与恒流充电方法和变电流间歇充电方法的充电性能进行了对比分析。试验结果表明,提出的方法在充电效率上高于恒流充电与变电流间歇充电2到3倍,大大缩短了充电时间,充电效率达到了95.36%。     

基于PSO-RBFNN的电动汽车锂电池SOC预测

<正>针对现有电动汽车锂电池SOC预测不准的问题,提出了一种锂电池SOC预测新方法。采用粒子群算法对径向基神经网络的3个主要参数进行优化,建立了基于PSO-RBFNN的电动汽车锂电池SOC预测模型,采用锂电池充放电实验数据进行仿真分析,并与其他方法的预测结果对比,结果表明,PSO-RBFNN模型预测结果的均方根误差和平均相对误差分别为3.725×10^-4和3.642%,两项误差指标均优于其他方法,验证了所提SOC预测方法的有效性。     

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。     

多函数优化回归法预测旧桥使用寿命

本文提出回归预测分析法对旧桥剩余寿命进行预测,回归的函数可以是线性函数、对数函数、多项式函数、幂函数、指数函数等,以多项式函数为例说明其回归函数模型的建立,哪种函数的相关系数大,说明那种函数就更能准确的反应旧桥的真是情况,为公路桥梁维护管理部门提供了可行办法。     

车用锰酸锂电池使用寿命的试验研究

基于混合动力城市客车在北京公交线路运行的实测数据,制定了车用锰酸锂电池使用寿命试验的循环工况,在此工况基础上对某型号车用锰酸锂电池组进行使用寿命试验,通过对5 000循环试验中电池容量衰减数据进行拟合和外推,来预测电池的使用寿命.另外,在分析影响电池使用寿命因素的基础上,提出了一种加大电流的电池寿命强化试验方法,并给出电池寿命的换算公式.     

充电限制电压对磷酸铁锂电池的影响

从放电容量、放电中值电压、充电时间、恒流容量百分比4个方面主要研究了充电限制电压从3.25V至3.85V范围变化对磷酸铁锂电池性能的影响.实验结果表明:对于磷酸铁锂材料的锂离子电池,采用恒流恒压的充电方案,充电限制电压设定在3.55～3.70V较合理,推荐值为3.60～3.65V.     

充电限制电压对磷酸铁锂电池的影响

主要从放电容量、放电中值电压、充电时间、恒流容量百分比四个方面研究了充电限制电压从3.25至3.85范围变化对磷酸铁锂电池性能的影响。实验结果表明:对于磷酸铁锂材料的锂离子电池,采用恒流恒压的充电方案,对于磷酸铁锂电池,结合安全性考虑,充电限制电压设定在3.55～3.70V较合理,推荐值为3.60V～3.65V。