针对目前荷电状态(state of charge,SOC)估计方法考虑温度与退化共同影响及其关联耦合关系较少,导致电池性能退化后的模型表征不完善、SOC估计精度不足的问题,提出一种基于退化注入场路耦合模型的锂电池SOC估计方法,以实现全寿命周期下...针对目前荷电状态(state of charge,SOC)估计方法考虑温度与退化共同影响及其关联耦合关系较少,导致电池性能退化后的模型表征不完善、SOC估计精度不足的问题,提出一种基于退化注入场路耦合模型的锂电池SOC估计方法,以实现全寿命周期下SOC的准确估计。首先建立等效电路模型与多物理场模型耦合的场路耦合模型,刻画温度的影响;进而使用离线参数辨识方法将温度、退化等因素注入等效电路模型参数中;最终建立代理模型提高计算效率,实现在线SOC估计。案例验证结果表明,在锂电池经过长时间运行发生退化后,相比于其他方法,所提方法的估计结果具有更平稳的曲线和更高的精度。展开更多
锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电...锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。展开更多
文摘针对目前荷电状态(state of charge,SOC)估计方法考虑温度与退化共同影响及其关联耦合关系较少,导致电池性能退化后的模型表征不完善、SOC估计精度不足的问题,提出一种基于退化注入场路耦合模型的锂电池SOC估计方法,以实现全寿命周期下SOC的准确估计。首先建立等效电路模型与多物理场模型耦合的场路耦合模型,刻画温度的影响;进而使用离线参数辨识方法将温度、退化等因素注入等效电路模型参数中;最终建立代理模型提高计算效率,实现在线SOC估计。案例验证结果表明,在锂电池经过长时间运行发生退化后,相比于其他方法,所提方法的估计结果具有更平稳的曲线和更高的精度。
文摘锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。
