健康状态(state of health,SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,...健康状态(state of health,SOH)是电池管理系统的重要参考依据,准确的SOH估计对保证电池安全稳定运行具有重大意义,其中提取可靠有效的健康特征描述电池老化状态以及构建精确稳定的估计模型是目前面临的主要问题。为了提高SOH估计精度,提出了一种基于模糊熵和粒子滤波(particle filter,PF)的锂离子电池SOH估计方法。首先,通过分析电池老化过程中的放电电压数据,提取模糊熵值作为电池的老化特征;其次,基于代谢灰色模型(metabolic grey model,MGM)和时间卷积网络(temporal convolutional network,TCN)构建描述锂电池老化特征的非参数状态空间模型;最后,通过PF实现锂电池SOH的闭环估计。此外,利用NASA锂电池数据集对所提出的SOH估计方法进行了验证,并与该领域其他方法进行对比实验。结果表明,所提方法最大估计误差在5%左右,相比于同类方法其估计精度提升了约50%,且在不同训练周期数条件下表现出较好的鲁棒性,验证了所提方法的可行性与优越性。展开更多
实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SO...实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。展开更多
锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快...锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。展开更多
对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲...对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。展开更多
电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。...电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。展开更多
为研究动力电池组内各单体电池的健康状态SOH(State of Health),对电池极化内阻和欧姆内阻特性进行分析.根据电池欧姆内阻提出相对健康状态的评价方法,并结合电池工作时内阻对端电压的影响,采用端电压对电池组内单体电池健康状态进行评...为研究动力电池组内各单体电池的健康状态SOH(State of Health),对电池极化内阻和欧姆内阻特性进行分析.根据电池欧姆内阻提出相对健康状态的评价方法,并结合电池工作时内阻对端电压的影响,采用端电压对电池组内单体电池健康状态进行评价.最后进行了对比实验验证,实验结果证明了所提方法的准确性和可行性.展开更多
为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电...为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.展开更多
文摘实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。
文摘锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。
文摘对锂离子电池的健康状态SOH(state of health)进行准确估计是锂离子电池安全稳定运行的重要保障,提出了一种基于容量增量分析ICA(incremental capacity analysis)和Box-Cox变换的锂离子电池SOH估计方法。首先,将电池恒流充电过程的IC曲线峰值高度ICP(peak of incremental capacity curve)作为健康特征HF(health factor),数学推导出ICP与健康状态的强相关性。结合卡尔曼滤波算法提取光滑的容量增量曲线。将电池容量衰退过程的前部分周期作为训练周期,通过Box-Cox变换将训练周期的ICP和SOH序列变换成线性关系,然后通过线性拟合来实现剩余周期的SOH估计。在Oxford和NASA数据集上进行实验验证,并与机器学习算法进行对比,结果表明所提方法具有较高的估计精度、较短的计算时间和较强的鲁棒性。
文摘电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。
文摘为研究动力电池组内各单体电池的健康状态SOH(State of Health),对电池极化内阻和欧姆内阻特性进行分析.根据电池欧姆内阻提出相对健康状态的评价方法,并结合电池工作时内阻对端电压的影响,采用端电压对电池组内单体电池健康状态进行评价.最后进行了对比实验验证,实验结果证明了所提方法的准确性和可行性.
文摘为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.
