检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

锂离子电池健康状态估计方法研究现状与展望

电力系统自动化 2024年

作者：李卓昊石琼林王康丽蒋凯华中科技大学电气与电子工程学院强电磁技术全国重点实验室(华中科技大学) 电力安全与高效利用教育部工程研究中心

锂离子电池作为一种重要的储能电池，近年来发展逐渐成熟并被广泛应用于各种工业领域，有效缓解了能源转型和环境污染的压力。为保障锂离子电池能够安全、高效地长期服役，降低运行成本，实时准确地估计电池的健康状态变得尤为重要。文... 详细信息

锂离子电池作为一种重要的储能电池，近年来发展逐渐成熟并被广泛应用于各种工业领域，有效缓解了能源转型和环境污染的压力。为保障锂离子电池能够安全、高效地长期服役，降低运行成本，实时准确地估计电池的健康状态变得尤为重要。文中对锂离子电池健康状态估计方法的发展现状进行了综述。首先，介绍了锂离子电池的老化机制和健康状态的相关概念。其次，介绍了包括基于测试、基于模型、基于数据驱动、基于不同方法融合在内的传统健康状态估计方法，以及基于先进感知技术的新型健康状态估计方法，展示了不同方法的改进过程，并对储能系统中锂离子电池模组的健康状态估计方法进行了简要概述。作为一种新兴方法，基于先进感知的方法对电池内部信息进行感知,具有广阔的应用前景。然后，分析比较了这些方法的优缺点和改进角度，为面对不同问题情境时如何选择合适的方法提供参考。最后，为推动锂离子电池的健康状态估计方法的实际应用，提出了该领域面临的挑战，并展望了该领域未来的研究方向。

关键词：锂离子电池健康状态估计电池老化数据驱动先进感知

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于随机充电片段的锂电池健康状态估计方法

电源学报 2024年

作者：郭鹏旭赵理张丰硕北京信息科技大学机电工程学院新能源汽车北京实验室

锂电池健康状态（State of Health，SOH）估计在电动汽车的电池管理系统中承担着至关重要的作用，当前大部分SOH估计方法往往需要较长时间的充放电数据，实时性较差。针对该问题，本文提出一种基于随机充电片段的SOH估计方法，该方法先... 详细信息

锂电池健康状态（State of Health，SOH）估计在电动汽车的电池管理系统中承担着至关重要的作用，当前大部分SOH估计方法往往需要较长时间的充放电数据，实时性较差。针对该问题，本文提出一种基于随机充电片段的SOH估计方法，该方法先从恒流充电过程中不同电压区间提取健康指标，接着对提取的健康指标与SOH进行相关性分析，然后将这些指标作为输入来训练经过粒子群优化算法（PSO）优化过的BP神经网络，通过随机充电片段提取的特征就能估计电池SOH。通过NASA数据集和Oxford数据集进行验证，结果表明在使用本文提出的健康指标的PSO-BP神经网络模型具有较高的估计精度。

关键词：锂电池健康状态估计充电片段健康指标数据驱动

基于改进自适应蜜獾优化算法优化时间卷积网络的车载锂离子电池健康状态估计

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

发电技术 2024年

作者：张效伟衣振晓王凯中海油石化工程有限公司青岛大学电气工程学院青岛大学威海创新研究院山东索想智能科技有限公司

【目的】锂离子电池作为新能源汽车的重要动力来源，准确的健康状态(state of health,SOH)估计对于设计安全可靠的汽车电池管理系统(battery management systems,BMS)至关重要。传统方法普遍存在忽略容量恢复及特征有效性不足等问题，... 详细信息

【目的】锂离子电池作为新能源汽车的重要动力来源，准确的健康状态(state of health,SOH)估计对于设计安全可靠的汽车电池管理系统(battery management systems,BMS)至关重要。传统方法普遍存在忽略容量恢复及特征有效性不足等问题，严重影响估算精度。为了解决以上问题，提出了一种虑及电池容量恢复现象的新型锂离子电池SOH估算模型。【方法】将中值绝对偏差(median absolute deviation,MAD)与Savitzky-Golay (SG)滤波相结合，在数据预处理阶段有效地去除异常值和噪声以提高特征的有效性，然后进行特征分解以去除冗余信息，减轻模型计算负担。将高度相关的特征作为时间卷积网络(temporal convolutional network,TCN)模型的输入，降低数据维度并减轻神经网络计算复杂度。然后提出了一种改进的自适应蜜獾优化算法(self-adaptive honey badger algorithm,SA-HBA)以优化网络的超参数，加快模型收敛并提高网络性能。【结果】所提方法比其他方法具有较高的准确性，均方根误差(root mean squared error,RMSE)低至0.0062，平均绝对百分比误差(mean absolute percentage error,MAPE)低于0.51%。【结论】所提方法具有较高的鲁棒性，能够对车载锂离子电池SOH进行有效估计，并能满足实际应用需求。

关键词：储能锂离子电池健康状态估计改进蜜獾优化算法时间卷积网络

面向车载场景的多时间尺度锂离子电池健康状态估计

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向车载场景的多时间尺度锂离子电池健康状态估计

作者：李思琪西安理工大学

学位级别：硕士

锂离子电池的健康状态(State of Health,SOH)监测对电池系统的安全可靠运行起着至关重要的作用。由于环境、出厂条件等诸多因素的影响,对电池健康状态的准确估计和预测构成了挑战。针对电动汽车锂离子电池全生命周期健康行为表达问题,... 详细信息

锂离子电池的健康状态(State of Health,SOH)监测对电池系统的安全可靠运行起着至关重要的作用。由于环境、出厂条件等诸多因素的影响,对电池健康状态的准确估计和预测构成了挑战。针对电动汽车锂离子电池全生命周期健康行为表达问题,本工作开展了基于多时间尺度的锂离子电池健康评估方法研究。首先,分析了电池老化机理,总结了现有的电池健康状态估计方法。然后,在秒级、小时级、月级,三种时间尺度下对电池SOH进行了估计。最后,对所提出的三种电池健康状态估计方法进行了总结,并对未来SOH估计的研究方向进行了展望。本文主要研究内容如下:(1)针对车载场景电池系统健康评估问题,建立了一种考虑行驶里程和季节温度的电池SOH衰减模型。首先,基于戴维南(Thevenin)等效模型,提出了一种变遗忘因子的递归最小二乘(Variable Forgetting Factor Recursive Least Squares,VFFRLS)参数辨识方法,实现开路电压(Open Circuit Voltage,OCV)与模型参数联合辨识。然后,构建了包含容量信息的状态空间方程,提出了一种扩展粒子滤波器(Extended-Kalman Particle Filter,EPF)的容量估计算法。采用9个月的驾驶数据进行验证和分析,结果表明,152个电池的容量服从高斯分布,平均容量呈指数衰减趋势。此外,定性地讨论了行驶里程和季节温度对SOH退化的影响。最后,建立了考虑行车里程和季节温度的SOH衰减模型。(2)针对电池系统动态循环寿命回归预测问题,模拟电动汽车(Electric Vehicle,EV)的实际场景,开展了动态老化实验,提出了一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的锂离子电池寿命预测方法。首先,采用模糊逻辑对递归最小二乘(Recursive Least Squares,RLS)算法进行改进,根据电压误差对遗忘因子进行修正,进而提高了参数辨识的精度。其次,提取了与SOH密切相关的内部特征参数,并构建了基于LSTM神经网络的SOH预测模型。最后,在不同比例的训练集下,对比了不同的算法的预测精度,验证了所提出的SOH估计算法性能。(3)针对实际应用场景电池充电曲线不完整且含有噪声,导致健康估计不准确问题,提出了一种基于电压重构和融合模型的SOH估计方法。首先,基于重要性采样法提取局部样本信息,利用经验模型重构充电电压,求解差分电压(Differential Voltage,DV)曲线。其次,提取了与SOH相关的特征信息,并进行相关性分析。最后,建立了一种基于支持向量回归(Support Vector Regression,SVR)和卷积神经网络(Convolutional Neural Network,CNN)的SOH估计融合模型。实验表明,提出的方法在少量数据情况下,SOH的估计误差小于0.5%。与目前常用方法LSTM、GPR、CNN、改进的SVR相比,该方法的估计精度提高了35%以上。

关键词：动力电池健康状态估计电动汽车电池管理系统

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种钠离子电池的健康状态估计方法

综合智慧能源 2024年第7期46卷 74-80页

作者：孙文杰杨之乐郭媛君姚文娇许欢周博文中国科学院深圳先进技术研究院集成技术研究所广东深圳518055 中国科学院深圳先进技术研究院碳中和技术研究所广东深圳518055 广东省碳中和研究院(韶关) 广东韶关511100 东北大学信息科学与工程学院沈阳110819 辽宁省综合能源优化与安全运行重点实验室沈阳110819

钠离子电池因其经济性和材料来源丰富而成为有巨大潜力的储能设备。准确评估电池健康状态对于确保其高效、安全运行至关重要。结合循环神经网络和扩展卡尔曼滤波技术,提出一种新颖的健康状态估计框架。利用循环神经网络对时间序列数据... 详细信息

钠离子电池因其经济性和材料来源丰富而成为有巨大潜力的储能设备。准确评估电池健康状态对于确保其高效、安全运行至关重要。结合循环神经网络和扩展卡尔曼滤波技术,提出一种新颖的健康状态估计框架。利用循环神经网络对时间序列数据的处理能力为健康状态估计提供强大的支持,而扩展卡尔曼滤波则用于确保状态估计的鲁棒性。通过对3个钠离子电池的试验验证,该方法显示了出色的估计效果,其中估计值与实际值的平均绝对误差约为1.79%,均方根误差约为1.38%,模型拟合度高达96.28%。此研究不仅提供了一种钠离子电池健康状态的高效估计方法,还为实际应用中的电池管理和维护提供了宝贵的参考。

关键词：钠离子电池健康状态估计循环神经网络扩展卡尔曼滤波电池管理系统

基于粒子滤波算法的质子交换膜燃料电池健康状态估计

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

汽车工程学报 2024年第4期14卷 622-630页

作者：高建华周苏孙麒赵鹏樊磊沈伟同济大学汽车学院上海201804 上海中侨职业技术大学智能制造学院上海201514

质子交换膜燃料电池的老化过程影响其输出性能,为了更精确地控制输出功率,需要考虑燃料电池的老化和功率衰退趋势。以功率-电流曲线作为健康状态指标,在以往研究的基础上进行改进,考虑开路电压在老化过程中的变化,增加老化模型中老化因... 详细信息

质子交换膜燃料电池的老化过程影响其输出性能,为了更精确地控制输出功率,需要考虑燃料电池的老化和功率衰退趋势。以功率-电流曲线作为健康状态指标,在以往研究的基础上进行改进,考虑开路电压在老化过程中的变化,增加老化模型中老化因子的个数,建立了质子交换膜燃料电池功率和内部部件老化之间的映射关系,基于极化曲线推导了半机理功率衰减模型,并基于正则化粒子滤波算法设计了老化率模型,结合功率衰减实现对燃料电池健康状态的估计。在测试数据集上进行了仿真试验,并和试验测试数据进行对比,结果表明,该方法能对长期性能衰减模型进行预测,相比于已有的研究方法,该方法能通过老化率参考值和功率衰减模型更准确地估计质子交换膜燃料电池的健康状态和性能衰减趋势,随着训练时间的缩短,估计精度较之提升,尤其是在训练时间长度100h,估计时间长度250h,误差相对下降率达65.69%。

关键词：燃料电池老化健康状态估计粒子滤波

同方期刊数据库

基于NGO-GRU的锂电池健康状态估计研究

在线全文

学校读者我要写书评

暂无评论

仪表技术 2024年第2期 64-68,72页

作者：朱成杰余梦书潘子良安徽理工大学电气与信息工程学院安徽淮南232001

为提高锂离子电池健康状态(SoH)估计的精度和稳定性,提出了一种基于北方苍鹰优化(NGO)算法优化门控循环单元(GRU)网络的SoH估计模型。从电池充放电电压、温度的历史数据中提取多个健康因子作为模型的输入数据,利用NGO智能寻优GRU网络的... 详细信息

为提高锂离子电池健康状态(SoH)估计的精度和稳定性,提出了一种基于北方苍鹰优化(NGO)算法优化门控循环单元(GRU)网络的SoH估计模型。从电池充放电电压、温度的历史数据中提取多个健康因子作为模型的输入数据,利用NGO智能寻优GRU网络的隐藏单元数目、学习率和最大训练周期数等超参数;通过优化后的NGO-GRU估计模型构建锂电池健康因子与SoH的映射关系,实现SoH的快速估计;使用NASA数据集验证算法的有效性。对比其他几种模型,结果表明,NGO-GRU估计模型具有更高的估计精度和稳定性。

关键词：锂电池健康状态估计门控循环单元网络北方苍鹰优化算法

在线全文

学校读者我要写书评

暂无评论

基于实车运行数据的锂离子电池健康状态估计

机械工程学报 2023年第22期59卷 46-58页

作者：何洪文王浩宇王勇李双歧北京理工大学电动车辆国家工程研究中心北京100081 北京理工大学机械与车辆学院北京100081

准确估计锂离子电池健康状态(State of health,SOH)对电动汽车安全管理具有重要意义,针对实车数据存在电池状态不完整、工况复杂、数据质量差的问题,提出面向实车数据的多工况健康因子提取SOH联合估计方法。首先,提出实车运行数据工况... 详细信息

准确估计锂离子电池健康状态(State of health,SOH)对电动汽车安全管理具有重要意义,针对实车数据存在电池状态不完整、工况复杂、数据质量差的问题,提出面向实车数据的多工况健康因子提取SOH联合估计方法。首先,提出实车运行数据工况重构方法,将数据划分为行驶片段和充电片段,降低电池工况复杂性。然后,分别构建行驶工况和充电工况的SOH评价模型用于SOH估计。对于行驶工况,选择内阻作为SOH评价指标,通过等效电路模型辨识内阻参数,基于Auto-Light GBM的电池内阻建模方法估算SOH;对于充电工况,选择容量作为SOH评价指标并通过提取恒流充电片段计算电池容量,再提取容量的影响特征,建立容量模型并估计电池SOH。结果表明,基于内阻和容量的建模方法平均绝对百分比误差均小于9%。最后,建立结合充电与放电的SOH综合评价模型,提出融合充放电片段的电池SOH联合估计方法,基于实车运行数据的SOH误差在2%以内,并在实验室数据和多辆实车数据上验证方法的可靠性和适应性。

关键词：锂离子电池健康状态估计健康因子提取实车运行数据机器学习

基于灰色关联度分析-长短期记忆神经网络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

电工技术学报 2022年第23期37卷 6065-6073页

作者：周才杰汪玉洁李凯铨陈宗海中国科学技术大学自动化系合肥230027

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析(GRA)以及长短期记忆(LSTM)神经网络的锂离子电池健康状态估... 详细信息

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析(GRA)以及长短期记忆(LSTM)神经网络的锂离子电池健康状态估计方法。该方法通过分析电池在老化过程中的充电增量容量曲线变化模式,提取电池老化特征。为了降低计算复杂度,引入灰色关联度分析法进行特征分析与筛选,并将其作为长短时间记忆神经网络的输入,进行网络预训练进而估计电池的健康状态。最后,利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。实验结果表明,所提出的方法表现出优秀的电池健康状态估计性能,并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性。

关键词：锂离子电池健康状态估计增量容量曲线灰色关联度分析长短期记忆神经网络