利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscen...利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscented Kalman filter,UKF）算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态（state of health,SOH）,因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。展开更多
锂电池健康状态(State of Health,SOH)均衡技术是电池管理系统(Battery Management System,BMS)的关键技术之一。实现锂电池SOH均衡可使系统内所有锂电池同时达到报废标准,降低锂电池维护和更换费用,提高锂电池容量利用率。文中对SOH定...锂电池健康状态(State of Health,SOH)均衡技术是电池管理系统(Battery Management System,BMS)的关键技术之一。实现锂电池SOH均衡可使系统内所有锂电池同时达到报废标准,降低锂电池维护和更换费用,提高锂电池容量利用率。文中对SOH定义和不均衡影响因素进行介绍,指出影响SOH均衡的因素。从主动均衡、被动均衡和复合均衡三个角度出发,对目前发表的锂电池SOH均衡方案进行分类和总结。重点分析现有主动、被动和复合SOH均衡方案原理、优缺点及面临的问题。同时指出锂电池SOH均衡技术未来发展及改进方向,以期实现锂电池SOH均衡技术突破。展开更多
锂电池组的健康状态(SOH:State of Health)是电池寿命预测中最重要的参数。由于电池组内部单体电池的相互影响,使电池组SOH难以准确预测。因此,采取了一种基于门控循环单元(GRU:Gated Recurrent Unit)的锂电池组SOH的预测模型,在不同连...锂电池组的健康状态(SOH:State of Health)是电池寿命预测中最重要的参数。由于电池组内部单体电池的相互影响,使电池组SOH难以准确预测。因此,采取了一种基于门控循环单元(GRU:Gated Recurrent Unit)的锂电池组SOH的预测模型,在不同连接结构下,使用充电周期序列、电池容量序列和电池温度序列单体电池和电池组指标预测电池组的健康状态。研究结果表明,在串联和并联连接方式下,使用单体电池指标的预测曲线可以更好地体现电池的退化过程,预测结果优于使用电池组指标的预测曲线,具有较低的预测误差。展开更多
目前先进的电动汽车开发和应用已成为实现“脱碳”的关键技术。准确的电池健康状态(State of health,SOH)预估可有效地表征动力电池性能,对电动汽车动力电池维护和寿命管理具有重要意义。近年来,以深度学习、强化学习和大数据技术等为...目前先进的电动汽车开发和应用已成为实现“脱碳”的关键技术。准确的电池健康状态(State of health,SOH)预估可有效地表征动力电池性能,对电动汽车动力电池维护和寿命管理具有重要意义。近年来,以深度学习、强化学习和大数据技术等为代表的新一代人工智能技术在电动汽车电池状态预估的应用已成为研究热点。首先简要介绍人工智能技术、SOH的含义以及影响SOH主要因素,然后分别从电池单体与电池系统的角度对几种人工智能模型在SOH预估中的研究进行总结与讨论,最后结合大数据、云计算、区域链等新兴技术,对电池健康状态预估问题进行展望,为提升当前动力电池全生命周期管理能力提供一些思路。展开更多
文摘利用传统的安时积分法估计全钒液流电池（vanadium redox flow battery,VRB）的荷电状态（state of charge,SOC）,常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波（unscented Kalman filter,UKF）算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态（state of health,SOH）,因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。
文摘锂电池健康状态(State of Health,SOH)均衡技术是电池管理系统(Battery Management System,BMS)的关键技术之一。实现锂电池SOH均衡可使系统内所有锂电池同时达到报废标准,降低锂电池维护和更换费用,提高锂电池容量利用率。文中对SOH定义和不均衡影响因素进行介绍,指出影响SOH均衡的因素。从主动均衡、被动均衡和复合均衡三个角度出发,对目前发表的锂电池SOH均衡方案进行分类和总结。重点分析现有主动、被动和复合SOH均衡方案原理、优缺点及面临的问题。同时指出锂电池SOH均衡技术未来发展及改进方向,以期实现锂电池SOH均衡技术突破。
文摘锂电池组的健康状态(SOH:State of Health)是电池寿命预测中最重要的参数。由于电池组内部单体电池的相互影响,使电池组SOH难以准确预测。因此,采取了一种基于门控循环单元(GRU:Gated Recurrent Unit)的锂电池组SOH的预测模型,在不同连接结构下,使用充电周期序列、电池容量序列和电池温度序列单体电池和电池组指标预测电池组的健康状态。研究结果表明,在串联和并联连接方式下,使用单体电池指标的预测曲线可以更好地体现电池的退化过程,预测结果优于使用电池组指标的预测曲线,具有较低的预测误差。
文摘目前先进的电动汽车开发和应用已成为实现“脱碳”的关键技术。准确的电池健康状态(State of health,SOH)预估可有效地表征动力电池性能,对电动汽车动力电池维护和寿命管理具有重要意义。近年来,以深度学习、强化学习和大数据技术等为代表的新一代人工智能技术在电动汽车电池状态预估的应用已成为研究热点。首先简要介绍人工智能技术、SOH的含义以及影响SOH主要因素,然后分别从电池单体与电池系统的角度对几种人工智能模型在SOH预估中的研究进行总结与讨论,最后结合大数据、云计算、区域链等新兴技术,对电池健康状态预估问题进行展望,为提升当前动力电池全生命周期管理能力提供一些思路。
