本文中对纯电动汽车用磷酸铁锂电池SOC估算方法进行研究。首先,利用基本的测试手段测得反映电池外特性的充放电电压曲线(V vs Q),并用它求得反映电池电化学特性的容量增量曲线(ΔQ/ΔV vs V)。接着,采用容量增量分析法研究充放电倍率、...本文中对纯电动汽车用磷酸铁锂电池SOC估算方法进行研究。首先,利用基本的测试手段测得反映电池外特性的充放电电压曲线(V vs Q),并用它求得反映电池电化学特性的容量增量曲线(ΔQ/ΔV vs V)。接着,采用容量增量分析法研究充放电倍率、温度和老化程度对电池性能的影响。最后,建立了电池内部相变阶段的容量增量峰与电池SOC的对应关系,并利用这一关系来估算电池SOC,为电动汽车制定动力电池管理策略提供依据。展开更多
为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型...为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。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
文摘本文中对纯电动汽车用磷酸铁锂电池SOC估算方法进行研究。首先,利用基本的测试手段测得反映电池外特性的充放电电压曲线(V vs Q),并用它求得反映电池电化学特性的容量增量曲线(ΔQ/ΔV vs V)。接着,采用容量增量分析法研究充放电倍率、温度和老化程度对电池性能的影响。最后,建立了电池内部相变阶段的容量增量峰与电池SOC的对应关系,并利用这一关系来估算电池SOC,为电动汽车制定动力电池管理策略提供依据。
文摘为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。
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。
