基于日常片段充电数据的锂电池健康状态实时评估方法研究

被引：96

作者：

周頔 ^{[1
]}

宋显华 ^{[2
]}

卢文斌 ^{[3
]}

付平 ^{[1
]}

机构：

[1] 哈尔滨工业大学自动化测试与控制研究所

[2] 哈尔滨理工大学理学院应用数学系

[3] 深圳市计量质量检测研究院

来源：

中国电机工程学报 | 2019年 / 39卷 / 01期

基金：

国家重点研发计划;

关键词：

健康状态; 片段数据; 恒流充电; 扩展卡尔曼滤波; 高斯过程回归;

D O I：

暂无

中图分类号：

TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化];

摘要：

实时评估电动汽车动力锂电池的健康状态(stateof health,SOH)对电动汽车的维护至关重要。针对实际应用中电动汽车电池具有放电容量测量不稳定、测试负载重,操作不方便等问题。该文首先研究基于充电容量计算电池健康状态的可行性。然后,建立充电容量SOH模型将电池充电容量的估算转换为电池全充所需时间的估算。由于锂电池实际充电时的数据是片段的,提出基于扩展卡尔曼滤波和高斯过程回归的全充时间估算算法,解决了片段充电数据预测电池实时全充时间的问题。最后,通过实验仿真,验证了高斯过程扩展卡尔曼滤波在锂电池健康状态评估中的针对性、有效性和实时性。

引用

页码：105 / 111+325 +325

页数：8

共 15 条

[1]

基于深度学习的文本分类研究进展 [J].

刘婷婷 ;

朱文东 ;

刘广一 .

电力信息与通信技术, 2018, 16 (03) :1-7

[2]

人工智能技术的发展与应用 [J].

贺倩 .

电力信息与通信技术, 2017, 15 (09) :32-37

[3]

A Review of SOH Estimation Methods in Lithium-ion Batteries for Electric Vehicle Applications[J] Cheng Lin;Aihua Tang;Wenwei Wang Energy Procedia 2015,

[4]

Lithium-ion battery remaining useful life estimation based on fusion nonlinear degradation AR model and RPF algorithm[J] Datong Liu;Yue Luo;Jie Liu;Yu Peng;Limeng Guo;Michael Pecht Neural Computing and Applications 2014,

[5]

A support vector machine-based state-of-health estimation method for lithium-ion batteries under electric vehicle operation[J] Verena Klass;Mårten Behm;Göran Lindbergh Journal of Power Sources 2014,

[6]

Prognostics for state of health estimation of lithium-ion batteries based on combination Gaussian process functional regression[J] Datong Liu;Jingyue Pang;Jianbao Zhou;Yu Peng;Michael Pecht Microelectronics Reliability 2013,

[7]

Remaining useful life prediction of lithium-ion battery with unscented particle filter technique[J] Qiang Miao;Lei Xie;Hengjuan Cui;Wei Liang;Michael Pecht Microelectronics Reliability 2013,

[8]

Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries[J] Dave Andre;Christian Appel;Thomas Soczka-Guth;Dirk Uwe Sauer Journal of Power Sources 2013,

[9]

An improved autoregressive model by particle swarm optimization for prognostics of lithium-ion batteries[J] Bing Long;Weiming Xian;Lin Jiang;Zhen Liu Microelectronics Reliability 2013,

[10]

Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks[J] Akram Eddahech;Olivier Briat;Nicolas Bertrand;Jean-Yves Delétage;Jean-Michel Vinassa International Journal of Electrical Power and Energy Systems 2012,

← 1 2 →