检索结果-南通市图书馆

基于AEKPF算法对锂离子电池SOC与soh的联合估计

在线全文

学校读者我要写书评

暂无评论

江苏大学学报（自然科学版） 2022年第1期43卷 24-31页

作者：张新锋姚蒙蒙宋瑞崔金龙长安大学汽车学院陕西西安710061 中汽研汽车检验中心(广州)有限公司广东广州511340

为了提高锂离子电池SOC(state of charge)和soh(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和soh,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合soh实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和soh估计值,而且AEKPF算法联合soh可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.

关键词：锂离子电池 SOC估计 soh估计自适应扩展卡尔曼粒子滤波算法联合估计

基于主成分分析与WOA-Elman的锂离子电池soh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 2022年第12期11卷 4010-4021页

作者：李旭东张向文桂林电子科技大学电子工程与自动化学院广西桂林541004

准确估计锂离子电池健康状态(state of health,soh)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高soh估计的精度,然而该方法的soh估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足... 详细信息

准确估计锂离子电池健康状态(state of health,soh)是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高soh估计的精度,然而该方法的soh估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池soh的准确估计。为了减小数据驱动特征之间的冗余度,增加模型的泛化性并提升soh估计精度,提出了一种基于主成分分析与鲸鱼优化算法(whale optimization algorithm,WOA)-Elman的soh估计方法。首先,从充电曲线中提取并选择与锂离子电池老化高度相关的特征,利用主成分分析方法进行特征降维,减小特征之间的冗余度,然后,采用WOA方法优化Elman模型的初始权值与初始阈值,建立WOA-Elman模型,以B01号电池测试数据训练模型,利用B02与B03号电池进行验证,同时,对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型,结果显示,WOA-Elman估计模型的均方根误差为1.2113%。最后,分别采用3组电池实验测试数据交替作为训练集,对其余两组电池的soh进行估计验证,估计结果的均方根偏差最大仅为0.1771%。因此,本工作的方法可以更准确地估计电池soh,并且具有更好的泛化性能。

关键词：锂离子电池 soh估计主成分分析 Elman神经网络鲸鱼优化算法

在线全文

学校读者我要写书评

暂无评论

基于频繁项统计的锂动力电池soh估计

重庆理工大学学报:自然科学 2023年第9期37卷 31-39页

作者：李俊丽赵理客汉宸北京信息科技大学机电工程学院北京100192 北京电动车辆协同创新中心北京100192

快速而精确的估计电池健康状态(soh)是保证动力电池系统安全的基础。纯电动汽车在运行过程中,传统的估计方法难以利用车载有限的计算资源,在线构建精确的soh估计模型。针对该问题,提出一种利用短时监测数据在线构建电池健康指标(HI)的... 详细信息

快速而精确的估计电池健康状态(soh)是保证动力电池系统安全的基础。纯电动汽车在运行过程中,传统的估计方法难以利用车载有限的计算资源,在线构建精确的soh估计模型。针对该问题,提出一种利用短时监测数据在线构建电池健康指标(HI)的特征提取方法。该方法将不同电压区间内积累的电量看作频繁项,利用Lossy Counting算法构建概要数据结构对频繁项分布进行统计,基于频繁项分布规律的变化对电池健康状态进行表征。仿真和实验结果表明,该方法能利用车载计算资源,以较小的时间和空间复杂度提取电池健康状态指标。

关键词：锂离子电池 soh估计健康因子(HI) Lossy Counting算法

基于实车数据的电动汽车电池组soh估计和RUL预测

在线全文

学校读者我要写书评

暂无评论

基于实车数据的电动汽车电池组SOH估计和RUL预测

作者：丁璐长安大学

学位级别：硕士

动力电池组是电动汽车最核心的部件,有效地对其健康状态(State of Health,soh)估计及剩余寿命(Remaining Useful Life,RUL)预测是保证电动汽车安全、稳定和高效运行的关键。由于电池组的性能参数与电动汽车的运行工况高度相关,而实验室... 详细信息

动力电池组是电动汽车最核心的部件,有效地对其健康状态(State of Health,soh)估计及剩余寿命(Remaining Useful Life,RUL)预测是保证电动汽车安全、稳定和高效运行的关键。由于电池组的性能参数与电动汽车的运行工况高度相关,而实验室条件难以对实际运行工况进行模拟,因此研究基于实车数据的电池组soh估计和RUL预测更具有实用价值和现实意义。本文基于电动汽车实际运行数据,对电池组的soh估计和RUL预测开展研究,主要研究内容如下:(1)对实车数据进行缺失值处理、片段划分和异常值处理操作,为后续研究提供数据基础;进一步按片段对与电池组容量和内阻高度相关的电流和电压数据进行分析,揭示其片段特性以及其随充放电次数增加的变化规律。(2)针对实车数据的片段特性,提出从深度充放电片段出发计算电池组的容量和内阻值,为电池组soh提供表征参数。通过安时积分逆运算获取不同充电深度下的容量值,确定最能反映容量衰退趋势的深度充电片段;进一步构建基于深度充电片段的电池组等效电路模型,采用含遗忘因子递推最小二乘法对模型进行参数辨识,实现对深度充电片段内阻的计算。考虑到容量及内阻缓慢连续变化的特性,为相邻放电片段赋予对应的容量和内阻值。(3)考虑到目前电池组soh表征参数的单一性,对以容量和内阻表征的soh结果进行融合,得到多指标融合的深度充放电片段的soh值;针对无法直接计算soh值的充放电片段,构建电池组特征参数与soh之间的Light GBM和CNN模型。结果表明,利用Light GBM模型可有效实现对电池组soh的估计,其验证集均方根误差仅有0.0509,相比于CNN模型,其均方根误差减少了0.0354。(4)以电池组soh序列数据作为关键因子对电池组RUL进行预测。针对电池组soh的时序特性,通过多参数优化实验,构建基于TCN-Attention的未来单时刻soh预测模型;为了实现未来多时刻soh的预测,以得到电池组RUL的预测结果,对单时刻soh预测结果进行迭代构成模型新的输入数据。结果表明,TCN-Attention模型对未来多时刻soh预测的效果最好,其验证集的均方根误差达到了0.2634,并且在TCN模型的基础上减少了0.2082。

关键词：实车数据电池组 soh估计 RUL预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

磷酸铁锂储能电池包SOC和soh估计研究

磷酸铁锂储能电池包SOC和SOH估计研究

作者：赵晨灿佛山科学技术学院

学位级别：硕士

面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery M... 详细信息

面对日益恶化的环境,新能源发电在受到青睐的同时也因其自身所固有的间歇性、随机性等特点,使得“弃风”“弃光”现象频发,造成严重的能源浪费。而储能电池恰好能解决这一问题,为保证储能电池的安全有效运行,需要电池管理系统(Battery Management System,BMS)对其状态进行监测和控制,其中电池荷电状态(State of charge,SOC)即剩余电量的准确估计是BMS中最为基础和重要的功能。目前对SOC估计的研究中大多存在着难以保证估计结果长期准确的问题,究其原因,是在估计中未考虑电池老化。因此本文将表征电池老化的电池健康状态(State of health,soh)考虑在SOC估计中,实现SOC与soh的长期准确估计。此外,由于单体电池的电压与容量远远无法满足实际储能需要,因此本文的研究对象为磷酸铁锂电池单体经串并联后组成的电池包,与电池单体不同,在对电池包进行估计研究时需要考虑其不一致性。针对上述问题本文的主要工作如下:首先,介绍磷酸铁锂电池工作原理,搭建电池测试平台,设计实验对磷酸铁锂电池温度特性及老化特性进行分析。随后针对电池包不一致性,依据实验得出不同成包方式下电池包的性能变化,为后续电池包SOC与soh估计研究奠定基础。其次,基于分数阶理论,建立了电池单体的阶次可变的二阶分数阶模型,并利用HMPSO优化算法实现了包括分数阶阶次在内的模型参数辨识,通过多工况下的对比实验,证实该模型准确性优于整数阶模型及固定阶次的分数阶模型。随后针对电池包的不一致性,构建“差异模型”实现对电池包不一致性的实时量化,以此获取能表征电池包综合性能的特征单体,建立基于特征单体的电池包模型。再次,基于本文所建立的二阶分数阶模型,设计出针对分数阶系统的H无穷状态观测器,利用连续频率分布模型,将分数阶模型等价转换为频域积分形式,应用Lyapunov稳定性理论及LMI方法,实现对电池单体SOC的估计。基于电池在不同工况下的实验数据,验证了该观测器的估计精度优于EKF算法,且具有良好的自适应性及鲁棒性。随后依据电池包SOC定义,给出基于特征单体的电池包SOC估计方法。依据电池包不同老化程度下的实验数据,证实了该估计方法能够实现对电池包SOC的估计且准确度较高,同时指出其应对电池老化效果差,也证实了本文将soh估计考虑在SOC估计中的必要。最后,给出基于滚动时域估计器的soh估计方法,将其用于估计特征单体的soh,从而求得电池包soh。考虑到电池老化的缓慢性及状态变换的时效性,基于多时间尺度策略,对特征单体的SOC和soh进行协同估计,进而求得电池包SOC与soh。依据实验结果表明,本文实现了对电池包SOC及soh的长期准确估计。

关键词：电池包不一致性 SOC估计 soh估计分数阶模型多时间尺度

基于多指标融合的车用锂离子电池soh估计及RUL预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多指标融合的车用锂离子电池SOH估计及RUL预测

作者：徐紫璇长安大学

学位级别：硕士

锂离子电池作为电动汽车的动力源和最核心的部件,对其进行准确有效的健康状态(State of Health,soh)估计及剩余寿命(Remaining Useful Life,RUL)预测是保障电动汽车安全运行的关键。目前,对于锂离子电池soh估计及RUL预测的研究多基于实... 详细信息

锂离子电池作为电动汽车的动力源和最核心的部件,对其进行准确有效的健康状态(State of Health,soh)估计及剩余寿命(Remaining Useful Life,RUL)预测是保障电动汽车安全运行的关键。目前,对于锂离子电池soh估计及RUL预测的研究多基于实验室数据,考虑的锂离子电池健康指标也较为单一,难以适用于实时性强且实际运行工况较为复杂的实车数据。本文利用实车数据,研究基于多指标融合的车用锂离子电池soh估计及RUL预测。具体的研究工作如下:(1)对实车数据中的缺失值及异常值进行处理,再对其进行充放电片段的划分。利用充放电片段分析关键数据项,揭示锂离子电池的性能衰退规律,进而选择满足论文研究内容的充电片段。(2)针对实车数据的片段特性,研究了基于深度充电片段的锂离子电池容量、内阻及恒流充电时间的计算方法。首先,利用安时积分法计算不同充电深度的片段容量,选择最能反映容量衰退趋势的深度充电片段。随后,构建锂离子电池的等效电路模型,利用自适应遗忘因子递推最小二乘法对模型进行参数辨识,并得到深度充电片段的内阻计算结果。最后,分析锂离子电池的多阶恒流充电过程,利用深度充电片段选择恒流充电阶梯段,并得到深度充电片段的恒流充电时间计算结果。(3)针对目前仅采用单一健康指标估计锂离子电池soh不准确的问题,提出了一种基于多指标融合的全时段锂离子电池soh估计方法。该方法将基于单一健康指标估计的深度充放电片段锂离子电池soh进行融合。接着,对实车数据进行特征筛选,并将筛选后的特征作为Light GBM、DNN及CNN模型的输入。结果表明,Light GBM模型对多指标融合的全时段锂离子电池soh估计的准确性最高,其验证集均方根误差仅有0.0514,相较于其他两种模型的均方根误差均至少减少了0.0353。(4)利用多指标融合的全时段锂离子电池soh时序数据和Bi GRU-Attention模型预测锂离子电池的RUL。首先构建Bi GRU-Attention模型,随后对模型参数进行优化,再将Bi GRU-Attention模型与LSTM、GRU及Bi GRU模型的预测效果进行对比。结果表明,Bi GRU-Attention模型对锂离子电池RUL的预测效果最好,其验证集均方根误差仅有0.0035,相较于其他三种模型的均方根误差均至少减少了0.0014。

关键词：实车数据锂离子电池多指标融合 soh估计 RUL预测

基于增量容量分析的锂离子电池soh估计和RUL预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于增量容量分析的锂离子电池SOH估计和RUL预测研究

作者：朱志腾中南大学

学位级别：硕士

锂离子电池由于能量密度大、自放电效应低以及使用寿命长的优点,在工业领域中得到广泛应用。锂离子电池的健康状态(State of Health,soh)和剩余使用寿命(Remaining Useful Life,RUL)作为评估其老化程度的两个指标,对于电池使用和维护更... 详细信息

锂离子电池由于能量密度大、自放电效应低以及使用寿命长的优点,在工业领域中得到广泛应用。锂离子电池的健康状态(State of Health,soh)和剩余使用寿命(Remaining Useful Life,RUL)作为评估其老化程度的两个指标,对于电池使用和维护更换具有重要参考价值。为此,本文基于增量容量分析,提出了基于灰狼优化-高斯过程回归的soh估计方法和基于自适应提升-支持向量回归的RUL预测方法,实现对锂离子电池soh和RUL的准确估计。本文的主要研究内容如下:首先,为了解决soh估计结果受模型参数影响的问题,本文提出了一种基于灰狼优化-高斯过程回归的soh估计方法。基于洛伦兹函数积分式建立恒流充电阶段的电压-容量模型,并通过Levenberg-Marquardt算法进行参数辨识,将辨识出的参数代入洛伦兹函数中得到增量容量曲线。提取增量容量曲线上最高峰对应的位置、高度和区域容量作为soh估计模型的输入特征。使用高斯过程回归建立输入特征与soh之间的映射模型,并结合灰狼优化算法对高斯过程回归中核函数的超参数进行寻优,实现对soh的准确估计。其次,为了解决RUL预测中老化特征难以选择,预测模型泛化能力不足的问题,本文提出了一种基于自适应提升-支持向量回归的RUL预测方法。根据锂离子电池充电过程的电压、电流数据提取测量特征和计算特征,构建备选特征集。通过相关性分析和冗余性分析进行两阶段式特征选择得到与RUL相关性强且规模小的特征子集。使用支持向量回归建立以特征子集为输入,RUL为输出的预测模型,并使用自适应提升算法融合多个支持向量回归模型,以提高模型的泛化能力,实现对RUL的准确预测。最后,搭建锂离子电池循环充放电实验平台,进行老化实验,获取电池全生命周期下的实验数据。利用老化实验数据和NASA公开数据集,验证本文提出的锂离子电池soh估计和RUL预测方法的准确性和有效性。图35幅,表13个,参考文献76篇

关键词：锂离子电池 soh估计 RUL预测增量容量分析

基于充电过程特征与多模型融合的锂离子电池soh估计研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于充电过程特征与多模型融合的锂离子电池SOH估计研究

作者：李旭东桂林电子科技大学

学位级别：硕士

随着全球对环境污染和能源可持续发展的重视,电动汽车逐渐成为汽车发展的重要方向。然而,作为电动汽车的主要动力来源,锂离子电池随着充放电次数的增加,性能会逐渐下降,因此,为提高锂离子电池的可靠性和有效性,对锂离子电池进行管理十... 详细信息

随着全球对环境污染和能源可持续发展的重视,电动汽车逐渐成为汽车发展的重要方向。然而,作为电动汽车的主要动力来源,锂离子电池随着充放电次数的增加,性能会逐渐下降,因此,为提高锂离子电池的可靠性和有效性,对锂离子电池进行管理十分必要。锂离子电池健康状态(State of Health,soh)作为电池管理系统(Battery Management System,BMS)监控和管理的重要内容,其估计的准确性直接影响电动汽车运行的可靠性。本论文提出了一种基于充电过程特征与多模型融合的锂离子电池soh估计方法,主要内容如下:(1)进行老化实验,从老化实验充电过程中的恒流(Constant Current,CC)阶段和恒压(Constant Voltage,CV)阶段提取了锂离子电池老化特征,并利用主成分分析方法进行特征降维。(2)设计了一种灰色关联度组合模型的soh估计方法。首先计算了WOA-LSTM、WOA-Elman和WOA-SVR模型在锂离子电池老化前期、中期和后期估计结果与训练集soh的灰色关联度,然后确定三种模型在不同阶段的估计权重,最后通过模型加权的方法估计soh,并利用实验室测试数据集进行了验证。(3)设计了一种改进补丁学习框架的soh估计方法。选择WOA-LSTM模型为全局模型,以WOA-Elman和WOA-SVR估计模型作为补丁模型。在全局模型的训练结果中搜索出误差较大的区域标记为补丁区域,对补丁区域采用补丁模型训练,在测试集中加入了补丁位置的更新。最终,得到一个由全局模型与补丁模型组成的补丁学习模型,并利用实验室测试数据集进行了验证。本文的创新之处:(1)仅从充电过程提取锂离子电池老化特征,并利用主成分分析对所选特征进行降维,在最大化保留原始特征信息的同时降低特征的冗余度。(2)提出了一种基于灰色关联度组合模型的soh估计方法,通过确定WOALSTM、WOA-Elman和WOA-SVR模型在锂离子电池不同衰减阶段的权重系数,通过模型加权的方法对每个阶段的soh进行估计,提高了模型的估计精度。(3)提出了一种基于改进补丁学习框架的锂离子电池soh估计方法,利用补丁模型降低全局模型的局部误差,提高了模型的估计精度与自适应性。

关键词： soh估计锂离子电池充电过程特征灰色关联度模型补丁学习框架

基于数据驱动的锂离子电池soh和SOC估计研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动的锂离子电池SOH和SOC估计研究

作者：朱天航长安大学

学位级别：硕士

电池的健康状态(soh)估计和电池的荷电状态(SOC)估计均是电池管理系统的重要功能。本文采用数据驱动的方法实现电池soh和SOC的在线高精度预测。首先,对整个电池寿命周期的充电数据进行分析,提取出恒流充电时间、最高温度和达到最高温度... 详细信息

电池的健康状态(soh)估计和电池的荷电状态(SOC)估计均是电池管理系统的重要功能。本文采用数据驱动的方法实现电池soh和SOC的在线高精度预测。首先,对整个电池寿命周期的充电数据进行分析,提取出恒流充电时间、最高温度和达到最高温度时间等五个与电池soh有相关性的健康指标。对提取的健康指标做异常点检测并修复,以保证健康指标的准确性。对健康指标与soh做相关性分析,去除相关性较弱的指标。对剩余几组健康指标用主元分析法(PCA)进行降维处理,剔除冗余变量,选取两个主元作为后续soh估计的输入量。其次,提出应用支持向量回归机(SVR)算法作为soh及EOL估计的核心算法,以适应soh相关的两个主元数据量较少的问题。提出改进灰狼优化算法(IGWO)对SVR进行核心参数寻优,以提高算法的估计能力。最终搭建IGWO-SVR模型通过训练集确定其核心参数,并对比进行了预处理和未预处理的数据训练模型,实验证明预处理的数据训练模型预测精度更高。将训练好的模型在验证集与SVR和GWO-SVR对比,证明本文改进模型的预测性能更好。对比模型在不同输入数据量的预测情况,证明模型在数据量较少时也能保证较好的估计精度。然后,提出应用Mogrifier长短期记忆(LSTM)神经网络和卷积神经网络(CNN)搭建混合模型估计SOC,用Mogrifier长短期记忆(LSTM)神经网络来提取输入变量的时间序列特征,用卷积神经网络(CNN)来提取各组数据之间的关系,以充分获取输入数据的特征。最终搭建CNN-Mogrifier LSTM混合模型通过测试集确定其超参数,并将训练好的模型与LSTM和Mogrifier LSTM对比,证明混合模型的预测性能更好。与常用的GA-BP网络和CNN-GRU对比,证明了模型预测精度更高,鲁棒性更好。最后,将训练好的IGWO-SVR程序和CNN-Mogrifier LSTM程序嵌入Lab VIEW中并用其开发了锂离子电池状态检测系统,拥有电池数据监测、电池状态预测和电池故障预警三个功能单元。用电池充放电实验数据进行了测试,验证了其对电池电压、电流以及SOC等的实时显示和异常状态的预警显示功能。

关键词：锂离子电池 soh估计 SOC估计支持向量回归机神经网络