作为电池管理系统的基础,锂电池荷电状态(state of charge,SOC)的实时准确估计十分重要。现有的锂电池SOC估算方法能够实现SOC的估算,但不能评估SOC估算结果的不确定性。为了解决这个问题,将高斯过程回归(Gaussian process regression,GPR)应用于锂电池SOC估算中,提出了一种基于GPR的锂电池SOC估算方法。该方法能够将电池管理系统测量所得电压、电流、温度作为输入,并以均值和置信区间的形式来输出SOC,二者可分别作为SOC的估计和不确定量化结果。另外,基于三星18650-20R锂电池数据集,分析了多种核函数对估算方法性能的影响,验证了所提方法的有效性。
鉴于锂电池荷电状态(state of charge,SOC)实时准确估计的重要性。针对大倍率脉冲放电工况下锂电池的强非线性和时变特性,训练了一个循环神经网络对锂电池SOC进行估算,该网络能够将电池管理系统测量所得的电压、电流、温度映射到SOC。基于某型号18Ah锂电池性能测试所获得的大倍率脉冲工况放电数据进行了实验验证,得到三种温度下锂电池SOC估算结果的平均绝对值误差为1.92%,证明了该方法的有效性。
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。
锂离子电池是电力系统中不可或缺的重要储能元件,脉冲大倍率工况下运行的锂离子电池具有单次放电时间短、放电循环多、状态变化频繁、非线性极化现象明显等特点。该文以脉冲大倍率工况下锂离子电池模型为研究对象,针对电化学模型和等效电路模型对模型依赖度高、模型参数难以获取以及脉冲大倍率工况下非线性极化现象导致拟合精度不足等问题,提出基于长短期记忆循环神经网络(long short term memory recurrent neural network,LSTM-RNN)以实现准确的锂离子电池建模。该方法利用LSTM-RNN的动态逼近和长时记忆能力,以获取脉冲大倍率工况下锂离子电池性能参数和电池端电压、荷电状态、电流、温度之间的非线性关系。在6种脉冲大倍率放电工况下对磷酸铁锂电池进行建模,实验结果表明,所提出的基于长短期记忆循环神经网络的锂离子电池模型均能够准确表征磷酸铁锂电池工作特性。
