磷酸铁锂(LiFePO_(4),LFP)与镍钴锰酸锂(LiNi_(x)Co_(y)Mn_(2)O_(2),NCM)电池串联构建的混合动力电池系统,是突破传统单一化学体系瓶颈的关键技术。然而,混装电池包中LFP电池具有平坦的电压平台特性,导致全工作区间的荷电状态(state of ...磷酸铁锂(LiFePO_(4),LFP)与镍钴锰酸锂(LiNi_(x)Co_(y)Mn_(2)O_(2),NCM)电池串联构建的混合动力电池系统,是突破传统单一化学体系瓶颈的关键技术。然而,混装电池包中LFP电池具有平坦的电压平台特性,导致全工作区间的荷电状态(state of charge,SOC)估算精度受限,且在多算法切换时易出现SOC跳变现象。为此,本工作提出一种基于开路电压(open circuit voltage,OCV)曲线区间自适应划分的分段融合SOC估算方法。首先,考虑到LFP电池OCV斜率变化特征,设计了分段平滑策略,在高斜率区保持电压特征,在平台区增强平滑效果,并根据平滑OCV曲线的一阶差分斜率,设定自适应斜率阈值,将放电区间划分为前端高斜率区、中间平台区与后端高斜率区,为SOC算法选择提供明确依据;其次,构建分段估算框架:在高斜率区采用改进自适应扩展卡尔曼滤波进行SOC动态跟踪,在平台区则利用混合包中NCM电池的SOC进行映射估算。针对算法切换点SOC跳变问题,进一步提出梯度敏感的S型融合算法(gradient-sensitive adaptive blending,GSAB),该算法通过量化切换点邻域的SOC梯度差异,动态调整融合函数参数以生成平滑过渡权重,抑制切换点的SOC跳变。结果表明,改进自适应扩展卡尔曼滤波算法在NCM电池上的均方根误差相较于传统扩展卡尔曼滤波算法降低63.70%;GSAB策略有效消除了算法切换时的SOC突变,使过渡区波动降低72.42%。最终,在城市道路循环工况下,LFP电池全区间SOC估算的平均绝对误差与均方根误差分别降至1.08%和1.31%,验证了所提方法能有效提升LFP电池SOC全区间估算精度。展开更多
随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题...随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。展开更多
为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用...为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。展开更多
在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策...在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策略OVMD(optimal variational mode decomposition),聚类容量反映整体老化趋势的低频平稳序列和反映局部容量再生的高频非平稳序列。考虑容量高频和低频分量,引入加权向量平均INFO(weighted mean of vectors)方法改进支持向量回归SVR(support vector regression),建立锂离子电池短期SOH估计模型。选取NASA电池老化数据集,设计基于反向传播BP(back propagation)神经网络、SVR、INFO-SVR、OVMD-INFO-SVR的短期锂离子电池SOH估计实验对比方案。结果表明,在减少容量训练集的情况下,基于高频和低频分量的OVMD-INFO-SVR模型在锂离子电池短期SOH的估计上具有更高的准确性。展开更多
文摘随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。
文摘为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。
文摘在锂离子电池正常使用过程中,受内部化学反应和外部环境等因素影响,锂离子电池容量会在短期内出现再生现象。针对未考虑锂离子电池容量再生现象导致电池健康状态SOH(state-of-health)估计不精确等问题,提出基于层数的最优变分模态分解策略OVMD(optimal variational mode decomposition),聚类容量反映整体老化趋势的低频平稳序列和反映局部容量再生的高频非平稳序列。考虑容量高频和低频分量,引入加权向量平均INFO(weighted mean of vectors)方法改进支持向量回归SVR(support vector regression),建立锂离子电池短期SOH估计模型。选取NASA电池老化数据集,设计基于反向传播BP(back propagation)神经网络、SVR、INFO-SVR、OVMD-INFO-SVR的短期锂离子电池SOH估计实验对比方案。结果表明,在减少容量训练集的情况下,基于高频和低频分量的OVMD-INFO-SVR模型在锂离子电池短期SOH的估计上具有更高的准确性。
