基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

一种基于优化粒子滤波的锂电池SOC估计算法

在构建锂电池状态空间模型基础上,提出一种基于优化粒子滤波的锂电池SOC估计算法,将BP神经网络应用到粒子滤波的权值更新过程中,实现锂电池SOC估计.利用某公司提供的磷酸铁锂电池测试数据,对所提出的算法进行验证,对比算法估计结果与SOC实测结果.结果表明,相对于PF算法,提出的改进算法具有更好的SOC估计性能.     

一种预测锂电池剩余寿命的改进粒子滤波算法

粒子滤波算法本身存在着粒子退化问题,对于衰减趋势变化剧烈的模型,难以获得精确的预测结果,限制了算法的适用范围。针对以上问题对粒子滤波进行改进,通过引入粒子群优化算法中的粒子更新机制,优化粒子的全局位置信息,进而重新分配各粒子权重,降低了重采样阶段粒子重置的比例,改善了算法固有的粒子退化现象,达到改进算法、提升算法预测性能的目的;同时,为验证算法的实际效果,以马里兰大学先进寿命周期工程中心(CALCE)发布的锂电池容量实验数据集为基础,分别使用传统粒子滤波算法与改进的算法进行剩余寿命预测仿真。经过对比发现:改进算法误差下降33.6%,可获得更为精确的预测结果,重采样率下降18.3%,粒子退化问题得到改善。     

基于注意力机制的改进LSTM锂电池健康状态估计方法

将车载式安全工器具柜应用于配网抢修车辆中,其供电电池性能直接影响了工器具柜的稳定运行,因此需要精确预估供能电池的健康状态(state of health, SOH).本文提出一种基于海鸥算法(SOA)和注意力机制优化改进长短时记忆神经网络(long short-term memory neural network, LSTM)的锂电池健康状态估计方法.首先提取出4种与电池老化特性强相关的健康因子,将其历史运行数据输入到结合SOA-LSTM思想设计的SOH估计方法;其次利用Attention机制对输入变量进行权重分配,以强调关键特征在SOH预测中的作用;最后利用已公开的电池充放电曲线数据集对所提算法进行测试验证,并与其他算法进行对比.结果表明,本文方法可实现高精度SOH预测,均方根误差为0.011,模型拟合度达到98%以上.     

基于自适应UKF的锂离子动力电池状态联合估计

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.     

改进的AUKF锂电池SOC估算算法研究

为了能够精确地估计锂电池的电池荷电状态(SOC),考虑了影响电池SOC估计精度的主要因素及传统电池SOC估计的优缺点,在自适应无迹卡尔曼滤波(AUKF)的基础上,提出了一种改进的AUKF算法,并且对影响SOC估计的主要因素在算法上进行了参数校正。该算法基于电池的二阶RC等效电路模型,把每次测量的输出偏差协方差作为噪声协方差,得到改进的AUKF算法,使得噪声的协方差能够随着时间进行更新,解决了噪声的协方差为常量带来误差的问题。实验结果表明,利用改进后的AUKF算法可以精确地估算出电池SOC值。     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge, SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上,提出了一种由动态时间规整算法（Dynamic Time Warping, DTW）与KiBaM模型（Kinetic Battery Model, KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态,通过KiBaM模型计算电池由于电流效应导致的不可用容量,结合二阶RC等效电路模型推导新的SOC计算矩阵,采用无迹卡尔曼滤波算法（Unscented Kalman Filter, UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule, UDDS）验证了混合模型的准确性,实验结果表明,在10 ℃低温环境或经过200次循环老化后工作的锂离子电池,模型估计SOC的最大误差小于2%.     

基于无迹粒子滤波的车辆质心侧偏角估计方法

针对轮毂电机驱动车辆行驶状态参数获取困难的问题,提出了一种基于无迹粒子滤波的质心侧偏角估计方法。以采集的低成本普通车载传感器信息和驾驶信号作为输入信息,在构建非线性三自由度车辆模型基础上,建立了车辆行驶状态参数估计方程,设计了质心侧偏角无迹粒子滤波估计器。利用Matlab/Simulink和Adams进行了联合仿真实验。结果表明：该估计方法具有可行性,在不同工况下均具有良好的质心侧偏角估计效果。     

基于置信规则库的锂电池SOC估计

电池荷电状态（SOC）的准确估计在电池广泛应用的背景下日益重要,但是构建精确的物理模型十分困难,使用纯粹的数据驱动方法又容易因为电池个体差异性出现过拟合问题。针对这些问题,提出基于置信规则库（BRB）的方法对锂电池SOC的进行估计。该方法既允许专家通过经验知识克服数据驱动方法的过拟合问题,又能通过参数训练克服专家知识的不准确性。以某型磷酸铁锂（LiFePO-4）电池为例,对提出的方法进行了验证,并将其与神经网络进行了对比。结果表明,该方法估计SOC具有较高的精度,估计误差不超过10%,且可以克服传统神经网络方法存在的过拟合问题。     

采用Morlet小波的锂电池相对健康状态估计

针对现有电池健康状态(SOH)估计方法存在估计精度低、计算量大等问题,提出了一种采用Morlet小波的锂电池相对健康状态估计方法。首先探究了电池电化学阻抗谱(EIS)与相对健康状态对应关系,然后获取电池实际工况下的电压电流数据,采用Morlet小波对所获得的电池电压和电流数据分别进行Morlet小波变换,用变换后的电压小波系数除以电流小波系数在线计算电池EIS,最后利用在线计算的EIS估计电池的相对健康状态。该方法无需进行大量实验,准确度高,计算快,能更好地应用于电动汽车中。在城市道路循环(UDDS)工况下对所提出的方法进行了验证,实验结果表明,该方法可以准确估计出电池的相对健康状态,估计误差控制在3.3%以内。     

基于电磁感应方式的锂离子电池无线充电器的设计与实现

本文设计了一种基于线圈电磁感应原理的无线充电平台,对锂离子电池的无线充电技术进行了实验分析和研究。测量了该平台的PWM驱动信号,能量发送电路,能量接收电路,锂离子电池充电时间和充电电压,测得的实际波形和数据说明该无线充电平台符合设计要求,使无线供电技术在其它便携式电子产品中的应用提供了参考案例。     

基于等效电路的内阻自适应锂离子电池模型

根据目前动力蓄电池模型研究的现状,分析了各种电池模型的优缺点,提出了一种非线性的等效电路电池模型,并通过卡尔曼滤波算法,在线辨识电池内阻,得到内阻自适应电池模型.通过两种实验,分别在不同电流循环工况和环境温度下测试模型的适应性,结果表明,该模型可以较好地反映电池的动态特性,并能适应电流、荷电状态、温度等变化对电池的影响.     

基于贝叶斯次优解的锂电池SOC初值追踪研究

在使用循环算法的剩余电量(state of charge,SOC)估算的理论研究中,通常都是设定已知的初始值,无法完全论证算法的各项性能指标.在研究剩余电量估算问题时,则重点针对不确定的初始赋值,使用一种贝叶斯次优解法——粒子滤波(PF),基于SOC动态观测模型,研究其收敛到真值的情况,并辅以MATLAB仿真实验.结果显示在非平台期PF可快速追踪初值,而在平台区由于自身算法的缺陷,无法追踪初值,应根据此区域的电压特性,更换为另一种次优解算法.论证了在解决锂电池初值追踪问题上,两种次优解算法的结合使用可以得到理想结果.     

锂离子电池荷电状态预测方法研究

针对电动汽车锂离子动力电池组能量管理中的荷电状态(SOC)预测问题,提出一种根据SOC及电流(SOC-I)计算库仑效率的方法,并建立电池SOC、充放电电流及充放电库仑效率的关系.以无迹卡尔曼滤波(UKF)算法为基础,采用自适应无迹卡尔曼滤波(AUKF)算法预测电池SOC,并将提出的库仑效率计算方法与UKF算法相结合构造了SOC-I-AUKF算法,该算法在预测过程中不断调整库仑效率、系统噪声协方差以及量测噪声协方差,以实现系统状态最优化预测.实验结果表明,SOC-I-AUKF算法有较好的SOC预测效果,与UKF算法相比,其SOC预测绝对误差、相对误差和平均误差水平都有显著提高.     

基于液冷的锂离子动力电池散热结构优化设计

针对锂离子电池单体成组后温度场的非均匀性导致的热不一致性问题,以及高温下电池单体间的热交互引发的热安全性问题,采用仿真与试验相结合的方式,基于锂离子电池生-传热机理,设计了电池单体单独成组、电池单体之间夹隔泡沫棉、电池模组底部布置液冷板3种递进式散热方案,并对液冷板进行了优化设计.采用有限元软件STAR-CCM+,仿真分析了3种方案下电池模组在不同放电倍率时的温度分布.结果表明:增加泡沫棉可减少电池间的热交互,进而提高电池单体间的热均衡性.在结合泡沫棉、导热板以及优化后(采用液冷管道串-并联组合方式)的液冷系统散热条件下,电池模组以2C倍率放电时最高温度为35.08℃,最大温差仅为4.85℃.研究结果可为电池热管理散热系统结构设计提供一定的理论基础.     

软包锂离子电池应力特性及其建模

锂离子电池是一个电-热-力耦合系统,对其充放电过程中力学特性的研究有重要意义。通过位移式应力传感器,测量并分析了软包单体锂离子电池在不同状态下的静态应力以及不同充放电电流下的动态应力特性。研究了电流、荷电状态、历史运行工况等因素对电池应力变化的影响规律,并通过拟合优度分析和相关性检验,建立了可靠的应力特性多元回归模型。研究表明,静态应力与电池SOC有单调对应关系;动态应力产生于充放电过程,且充电电流越大,动态应力越大。所建立的电池应力模型可较好地描述电池在充电不同阶段、不同电流下的应力变化。     

小波降噪卡尔曼滤波锂电池荷电状态估计

针对锂离子电池充放电电压信号(DCV)中存在的噪声信号导致荷电状态(SOC)估计精度降低、波动较大的问题,提出了一种基于离散小波变换(DWT)的降噪扩展卡尔曼滤波(EKF)算法。该算法利用多分辨率分析(MRA)分解携带噪声的DCV信号,通过对比4种阈值硬阈值降噪规则对携带噪声的DCV信号的降噪处理效果,选择Stein无偏风险阈值硬阈值降噪规则调整小波系数,通过含自适应遗忘因子的递推最小二乘法辨识电池模型参数后,利用扩展卡尔曼滤波算法估计SOC。仿真结果表明:使用Stein无偏风险阈值硬阈值降噪规则有效地降低了DCV信号中的噪声信号;所提算法具有较好的鲁棒性,能够有效地提高SOC估计精度,使SOC估计误差范围控制在3%之内。     

废旧锂离子电池中有价金属的回收

采用超声波分离电极材料-酸浸-钴锂沉淀新工艺分离并回收了废旧锂离子电池中的有价金属。超声波分离中所研究溶剂的分离效果为:NMP>DMF>DMSO丙酮。超声波处理可降低分离温度与时间。采用该工艺,电极材料用NMP于40℃超声波处理15min可完全剥离;所剥离电极材料中99.4%的钴锂可酸浸出;酸浸液中99.5%的钴离子可以高密度球形CoC2O4回收;钴沉淀分离后,滤液中94.5%的锂离子可以Li2CO3沉淀回收。以所回收钴锂化合物制备的LiCoO2具有良好的电化学性能。     

废旧锂离子电池中有价金属的回收

采用超声波分离电极材料-酸浸-钴锂沉淀新工艺分离并回收了废旧锂离子电池中的有价金属。超声波分离中所研究溶剂的分离效果为：NMP〉DMF〉DMSO〉〉丙酮。超声波处理可降低分离温度与时间。采用该工艺，电极材料用NMP于40℃超声波处理15min可完全剥离；所剥离电极材料中99．4％的钴锂可酸浸出；酸浸液中99．5％的钴离子可以高密度球形CoC2O4回收；钴沉淀分离后，滤液中94．5％的锂离子可以Li2CO3沉淀回收。以所回收钴锂化合物制备的LiCoO2具有良好的电化学性能。