锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学...锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。展开更多
锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单...锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。展开更多
目前对蓄电池检测的研究大部分集中在剩余电量方面,基于人工智能技术的蓄电池健康度(state of health,SOH)评估研究相对较少。为此,对电网用蓄电池失效机理进行分析,列举出影响蓄电池SOH的主要参数,提出以数据驱动的改进列文伯格-马夸...目前对蓄电池检测的研究大部分集中在剩余电量方面,基于人工智能技术的蓄电池健康度(state of health,SOH)评估研究相对较少。为此,对电网用蓄电池失效机理进行分析,列举出影响蓄电池SOH的主要参数,提出以数据驱动的改进列文伯格-马夸尔特最优化方法的反向传播(Levenberg-Marquardt back-propagation,LMBP)神经网络算法来评估蓄电池的健康程度。测试数据表明,改进的LMBP算法评估结果相对误差小于2%,说明基于数据驱动的人工智能技术可作为行之有效的蓄电池SOH评估方法。展开更多
电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH...电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。展开更多
随着锂离子电池应用领域的愈加广泛,实时、准确的评估其健康状态(state of health,SOH)成为确保电池安全可靠运行的重要要求。该文提出一种基于注意力机制解码器模型的锂离子电池SOH估算方法,该算法结合与GRU的特点,将数据编码成一组包...随着锂离子电池应用领域的愈加广泛,实时、准确的评估其健康状态(state of health,SOH)成为确保电池安全可靠运行的重要要求。该文提出一种基于注意力机制解码器模型的锂离子电池SOH估算方法,该算法结合与GRU的特点,将数据编码成一组包含内在特征的序列,并由注意力帮助解码器完成最终的解算。该算法无需建立电池模型,也不需要过多的先验知识,仅通过单个采样周期的电压、电流采样值即可获得较高精度的SOH估计值。为适应更多应用场景,该文设计定长片段放电数据、定长片段充电数据及变长片段充电数据等3种输入模式,验证实验中,3种估算模式的平均绝对误差均小于1%,表明该估算方法具有估算周期短、估算精度高及适应性强等特性。展开更多
为了充分发挥锂离子电池在电力系统储能中的潜力,需要准确了解电池组的荷电状态(state of charge,SOC)和健康状态(state of health,SOH),为此,提出一种新的SOC和SOH估算方法。该方法基于锂离子电池二阶电路模型,将锂离子电池实际运行过...为了充分发挥锂离子电池在电力系统储能中的潜力,需要准确了解电池组的荷电状态(state of charge,SOC)和健康状态(state of health,SOH),为此,提出一种新的SOC和SOH估算方法。该方法基于锂离子电池二阶电路模型,将锂离子电池实际运行过程中的输出电压测量值和所建立的仿真模型端口电压进行比较,利用PI控制器对所建立的电池模型欧姆内阻和开路电压进行修正,得到更精确的SOC和SOH估计值;最后,进行开展电池的充放电试验。研究结果表明:相比扩展卡尔曼滤波法(Extended Kalman Filter,EKF)和库仑计数法(Coulomb Counting,CC),所提出的方法对SOC和SOH估算精度更高,验证了所提出的策略的有效性。展开更多
文摘锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。
文摘目前对蓄电池检测的研究大部分集中在剩余电量方面,基于人工智能技术的蓄电池健康度(state of health,SOH)评估研究相对较少。为此,对电网用蓄电池失效机理进行分析,列举出影响蓄电池SOH的主要参数,提出以数据驱动的改进列文伯格-马夸尔特最优化方法的反向传播(Levenberg-Marquardt back-propagation,LMBP)神经网络算法来评估蓄电池的健康程度。测试数据表明,改进的LMBP算法评估结果相对误差小于2%,说明基于数据驱动的人工智能技术可作为行之有效的蓄电池SOH评估方法。
文摘电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。
文摘随着锂离子电池应用领域的愈加广泛,实时、准确的评估其健康状态(state of health,SOH)成为确保电池安全可靠运行的重要要求。该文提出一种基于注意力机制解码器模型的锂离子电池SOH估算方法,该算法结合与GRU的特点,将数据编码成一组包含内在特征的序列,并由注意力帮助解码器完成最终的解算。该算法无需建立电池模型,也不需要过多的先验知识,仅通过单个采样周期的电压、电流采样值即可获得较高精度的SOH估计值。为适应更多应用场景,该文设计定长片段放电数据、定长片段充电数据及变长片段充电数据等3种输入模式,验证实验中,3种估算模式的平均绝对误差均小于1%,表明该估算方法具有估算周期短、估算精度高及适应性强等特性。
文摘针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter,UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.
文摘为了充分发挥锂离子电池在电力系统储能中的潜力,需要准确了解电池组的荷电状态(state of charge,SOC)和健康状态(state of health,SOH),为此,提出一种新的SOC和SOH估算方法。该方法基于锂离子电池二阶电路模型,将锂离子电池实际运行过程中的输出电压测量值和所建立的仿真模型端口电压进行比较,利用PI控制器对所建立的电池模型欧姆内阻和开路电压进行修正,得到更精确的SOC和SOH估计值;最后,进行开展电池的充放电试验。研究结果表明:相比扩展卡尔曼滤波法(Extended Kalman Filter,EKF)和库仑计数法(Coulomb Counting,CC),所提出的方法对SOC和SOH估算精度更高,验证了所提出的策略的有效性。
