检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

面向全生命周期的锂电池健康状态估计

哈尔滨工业大学学报 2021年第1期53卷 55-62页

作者：周雅夫孙宵宵黄立建连静工业装备结构分析国家重点实验室(大连理工大学) 辽宁大连116024 大连理工大学运载工程与力学学部汽车工程学院辽宁大连116024

为研究锂电池在动态工况下以及全生命周期内健康状态的准确估计问题,提出一种基于固定充电电压片段的方法.选取充电过程中某固定电压片段内所充电量作为电池容量估算的等效健康因子,利用遗传算法选择最优的充电电压片段,在两类锂电池老... 详细信息

为研究锂电池在动态工况下以及全生命周期内健康状态的准确估计问题,提出一种基于固定充电电压片段的方法.选取充电过程中某固定电压片段内所充电量作为电池容量估算的等效健康因子,利用遗传算法选择最优的充电电压片段,在两类锂电池老化实验数据的基础上,设计放电电流不同、健康状态区间不同的8个验证算例.实验结果表明:8个验证算例中,训练集电池和测试集电池健康状态估计的平均绝对误差与均方根误差均低于1.55%;所提出的基于等效健康因子的方法,在100%~60%的全寿命健康状态区间,对于不同的放电电流、不同材料的电池,均能进行健康状态的准确在线估计,具有较强的适用性.

关键词：锂电池电池健康状态等效健康因子遗传算法充电电压片段

基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算

在线全文

学校读者我要写书评

暂无评论

电工技术学报 2021年第11期36卷 2277-2287页

作者：杨胜杰罗冰洋王菁康健强朱国荣武汉理工大学电力电子技术研究所武汉430070 武汉理工大学现代汽车零部件技术湖北省重点实验室武汉430070

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH)。该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异。为了提高电池SOH估算的准确性,该文采用锂离子电池在I... 详细信息

当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH)。该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异。为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(△V_(reg),通常为峰下的部分荷电状态区间)提取FPs的SOH估算方法,基于高斯过程(GP)回归建立SOH估算模型。通过三个峰值区间下的SOH估算结果,发现SOH对不同△V_(reg)的FPs敏感程度不同。该文进一步利用NASA提供的5号、6号、7号和18号电池数据,对11组峰值区间△V_(reg)在[23.1%,100%]内的SOH估算结果进行分析,结果表明,6号、7号和18号电池的峰值区间△V_(reg)分别选取[53.4%, 88.1%]、[50.4%, 92.3%]和[42.3%, 100%]时,其估算的方均根误差小于2%,这说明SOH对上述峰值区间范围更敏感。利用该文的方法量化SOH对峰值特征参数的敏感区间,在敏感区间内的SOH估算有较高的准确性。

关键词：锂离子电池峰值区间电池健康状态容量增量

在线全文

学校读者我要写书评

暂无评论

电池健康状态对电动汽车充电负荷计算的影响

南方电网技术 2023年第7期17卷 65-73页

作者：王秀茹黄小庆段建焱韩少华蔡世希刘诗艳国网宿迁供电公司科技互联网部江苏宿迁223800 湖南大学电气与信息工程学院长沙410082

充电负荷是计算研究电动汽车(electric vehicle,EV)对电网冲击和充电设施规划的基础。为此提出一种考虑电池健康状态(state of health,SOH)的充电需求计算方法。首先,利用EV出行链中与充电负荷相关的特征量的概率分布,实现单个EV用户出... 详细信息

充电负荷是计算研究电动汽车(electric vehicle,EV)对电网冲击和充电设施规划的基础。为此提出一种考虑电池健康状态(state of health,SOH)的充电需求计算方法。首先,利用EV出行链中与充电负荷相关的特征量的概率分布,实现单个EV用户出行行为的完整模拟。接着,基于电池健康状态修正EV实际容量和充电特征,并提出由用户里程焦虑系数修正用户下次出行后所允许的最小剩余SOC(state of charge,SOC)值,改进充电负荷计算模型。最后,基于美国家庭出行调查(national household travel survey,NHTS)数据的仿真表明,SOH影响EV用户出行的多个特征,EV规模越大,充电负荷计算越应考虑SOH。

关键词：电动汽车负荷建模充电需求出行链电池健康状态

在线全文

学校读者我要写书评

暂无评论

计及电池健康状态的源储荷协同配置方法

高电压技术 2017年第9期43卷 3118-3126页

作者：修晓青唐巍李建林田春光中国农业大学信息与电气工程学院北京100083 中国电力科学研究院北京100192 国网吉林省电力公司电力科学研究院长春130021

针对微网中源储荷的协同配置问题,为确保微网系统的经济性,在规划阶段需细致考虑源储荷的配比问题。提出了基于雨流计数法的电池健康状态评估方法,考虑储能电池健康状态(state of health,So H),以源储荷净收益最大为目标,提出了电池储... 详细信息

针对微网中源储荷的协同配置问题,为确保微网系统的经济性,在规划阶段需细致考虑源储荷的配比问题。提出了基于雨流计数法的电池健康状态评估方法,考虑储能电池健康状态(state of health,So H),以源储荷净收益最大为目标,提出了电池储能系统各时段充放电功率的优化方法,综合考虑了运行效益、补贴及上网收益、延缓配电网升级带来的效益、碳减排效益、投资运维及电池替换成本,以投资回报率为指标,建立了源储荷的协同配置模型,并提出了一种双层多目标优化求解方法,通过实际算例仿真分析,结果表明:所提出的源储荷协同配置方法能够实现微网系统的经济性,该文算例中,光储荷的适宜配比为0.7:0.125:1,储能系统持续放电时间为3 h,源储荷的协同配置受电价、负荷、收益构成、光储成本、储能技术特性等多因素制约。仿真结果证明了模型及其求解方法的有效性,可为微网中源储荷的协同配置提供参考。

关键词：电池健康状态源储荷协同配置净收益投资回报率

在线全文

学校读者我要写书评

暂无评论

基于数据驱动的锂电池健康状态预测

复杂系统与复杂性科学 2024年第3期21卷 154-159页

作者：崔孝凯王庆芝刘其朋青岛大学自动化学院山东青岛266071

针对传统基于数据驱动锂电池健康状态预测模型所存在的精确度低、鲁棒性差等问题,构建了一个融合非线性与线性特征的时序预测模型,其中多尺度一维卷积神经网络串联双向门控循环神经网络形成非线性时序预测分支,自回归模型构成线性分支... 详细信息

针对传统基于数据驱动锂电池健康状态预测模型所存在的精确度低、鲁棒性差等问题,构建了一个融合非线性与线性特征的时序预测模型,其中多尺度一维卷积神经网络串联双向门控循环神经网络形成非线性时序预测分支,自回归模型构成线性分支。两个分支并联,最终通过全连接层输出预测结果。模型具备非线性部分的泛化能力和线性部分的记忆能力,对输入的幅值变化更加灵敏,并采用鲸鱼优化算法寻找最优模型超参数。通过对比现有模型以及消融实验验证了所提模型的有效性。

关键词：电池健康状态双向门控循环神经网络自回归模型鲸鱼优化算法

基于AED-CEEMD-Transformer的锂离子电池健康状态估计

在线全文

学校读者我要写书评

暂无评论

储能科学与技术 2023年第10期12卷 3242-3253页

作者：陈锐丁凯祖连兴许青松王宗标罗大思苏敬江胡圣毛冀龙长园深瑞能源技术有限公司广东珠海519000 强电磁工程与新技术国家重点实验室(华中科技大学) 湖北武汉430074

锂电池健康状态(state of health,SOH)的精确预测评估对电池设备安全稳定运行极为重要,通过对SOH的快速准确预测,可以提高电池设备的安全性并降低出现故障的风险。针对难以精确预测锂离子电池SOH的问题,本文采用电池容量作为SOH的指标,... 详细信息

锂电池健康状态(state of health,SOH)的精确预测评估对电池设备安全稳定运行极为重要,通过对SOH的快速准确预测,可以提高电池设备的安全性并降低出现故障的风险。针对难以精确预测锂离子电池SOH的问题,本文采用电池容量作为SOH的指标,提出一种利用平均欧几里得距离(average euclidean distance,AED)和互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法建立基于Transformer网络结构的锂离子电池健康状态估计算法。首先,我们利用AED评估电池数据库中的电池与待预测电池初期循环容量之间的相似度,并选出具有相似容量退化趋势的电池作为训练集以提高模型的训练速度,然后利用CEEMD方法将电池容量曲线分解为容量再生部分以及退化趋势部分,将各个分量分别使用Transformer网络来建立锂电池退化模型,进而得到锂离子电池的SOH预测结果。本文使用分别来自斯坦福大学与马里兰大学的两个具有不同充放电策略与不同测试环境下的锂离子电池数据集来验证了所提出的电池预测算法的准确性。本文所提模型的均方根误差均能控制在4%以内,具有较好的精确性,并通过与基于LSTM、RNN、GRU的常用锂离子电池健康状态估计算法结果的比较,验证了所提出估计方法的优越性。

关键词：锂离子电池 Transformer网络电池健康状态平均欧几里得距离联合互补集合经验模态分解

维普期刊数据库博看期刊

基于片段充电数据和DUKF的锂电池健康状态实时评估

在线全文

学校读者我要写书评

暂无评论

吉林大学学报(工学版) 2024年

作者：宋显华孙文璐谢巍哈尔滨理工大学理学院

精确实时地评估电池健康状况是电动汽车电池管理系统的核心，本文提出了一种新的电池全充时间估计模型。首先，利用无迹卡尔曼滤波处理非线性问题时的高估计精度，设计了精度进一步提升的双无迹卡尔曼滤波预测—校正框架，能够精确估计... 详细信息

精确实时地评估电池健康状况是电动汽车电池管理系统的核心，本文提出了一种新的电池全充时间估计模型。首先，利用无迹卡尔曼滤波处理非线性问题时的高估计精度，设计了精度进一步提升的双无迹卡尔曼滤波预测—校正框架，能够精确估计锂电池当下的全充时间。在此框架下，利用高斯过程回归和支持向量回归预测结果做线性加权学习了无迹卡尔曼滤波的量测方程。实验结果表明，本文提出的框架具有高精度和实时性，估计180次全充时间的平均相对误差为0.0016。与EKF和DEKF算法相比，平均相对误差分别降低了98.87%和98.15%。

关键词：电池健康状态片段数据双无迹卡尔曼滤波高斯过程回归支持向量回归

基于温度变化率曲线的锂离子电池健康状态评估算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电气工程学报 2022年第3期17卷 58-65页

作者：党月懋张雪纯徐楚奕江全元浙江大学电气工程学院杭州310027

锂离子电池技术的日益成熟为新能源发电和电动汽车等产业发展提供了重要支撑作用。锂离子电池采用有机电解液,发生故障后极易触发电池材料的放热副反应,导致电池热失控,最终可能演化成燃烧爆炸等重大事故。电池健康状态(State of health... 详细信息

锂离子电池技术的日益成熟为新能源发电和电动汽车等产业发展提供了重要支撑作用。锂离子电池采用有机电解液,发生故障后极易触发电池材料的放热副反应,导致电池热失控,最终可能演化成燃烧爆炸等重大事故。电池健康状态(State of health,SOH)是锂离子电池储能系统故障诊断和安全预警的重要参数,精确估计SOH是提升电池系统安全性的有效方法。提出一种基于温度变化率(DT)曲线的锂离子电池健康状态评估算法,充分提取反映电池健康状态的锂离子电池表面温度信息,以电池充电过程中的DT曲线的极大值点和两极值间的电压差作为电池SOH估计的特征量,进而搭建了基于反向传播(Back propagation,BP)神经网络的SOH估计模型。结合试验数据和仿真,测试结果最终表明,所提出的方法可有效提升锂离子电池SOH的估计精度。

关键词：锂离子电池电池管理系统温度电池健康状态神经网络

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于多样性增强集成学习的电池健康状态评估

电测与仪表 2023年第9期60卷 21-26,48页

作者：冯雪松向勇电子科技大学材料与能源学院成都611731

为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法。该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,采用Stacking集成学习回归算法学... 详细信息

为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法。该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,采用Stacking集成学习回归算法学习数据的多样性特征,获得更佳的模型精度,并增强模型对多样性数据的泛化能力。Stacking集成学习回归算法由多个基学习器和一个输出学习器构成,通过多个基学习器获得初步结果,通过输出学习器对初级结果进行进一步学习获得最终结果。最后采用美国国家宇航局的公开电池数据集验证了算法的有效性。

关键词：电池健康状态多样性增强集成学习