以锂离子电池为能量载体的电动汽车正在面临安全与成本的双重考验。与锂离子电池具有相似的工作原理且兼具经济性和安全性的钠离子电池正在崭露头角。为实现钠离子电池的高效快速充电,本工作基于充电区间的直流内阻变化以及差分电压分析...以锂离子电池为能量载体的电动汽车正在面临安全与成本的双重考验。与锂离子电池具有相似的工作原理且兼具经济性和安全性的钠离子电池正在崭露头角。为实现钠离子电池的高效快速充电,本工作基于充电区间的直流内阻变化以及差分电压分析(differential voltage analysis,DVA)特征峰的变化,提出了一种优化的九阶梯电压截止充电策略,在充电初期与中后期对电流进行了限制,以应对低荷电状态(state of charge,SOC)充电直流内阻过高、中高SOC区间越过中心特征峰高倍率充电易损伤电池的情况,并与3种容量截止阶梯充电以及恒流恒压(constant current constant voltage,CCCV)充电策略进行了老化对比。基于150次老化循环的实验结果表明,在相同约束条件下,所有的阶梯充电策略的电池老化情况均不同程度优于CCCV充电,其中优化的九阶梯电压截止充电策略性能最优,相比CCCV标准充电,其充电时间缩短了16.0%,电池健康状态提高7.4个百分点,内阻衰减低17.8个百分点。展开更多
实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流...实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势。展开更多
文摘以锂离子电池为能量载体的电动汽车正在面临安全与成本的双重考验。与锂离子电池具有相似的工作原理且兼具经济性和安全性的钠离子电池正在崭露头角。为实现钠离子电池的高效快速充电,本工作基于充电区间的直流内阻变化以及差分电压分析(differential voltage analysis,DVA)特征峰的变化,提出了一种优化的九阶梯电压截止充电策略,在充电初期与中后期对电流进行了限制,以应对低荷电状态(state of charge,SOC)充电直流内阻过高、中高SOC区间越过中心特征峰高倍率充电易损伤电池的情况,并与3种容量截止阶梯充电以及恒流恒压(constant current constant voltage,CCCV)充电策略进行了老化对比。基于150次老化循环的实验结果表明,在相同约束条件下,所有的阶梯充电策略的电池老化情况均不同程度优于CCCV充电,其中优化的九阶梯电压截止充电策略性能最优,相比CCCV标准充电,其充电时间缩短了16.0%,电池健康状态提高7.4个百分点,内阻衰减低17.8个百分点。
文摘实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势。
