System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及锂电池管理,具体涉及一种锂电池健康状态的联合预测方法。
技术介绍
1、锂电池具有能量密度高、寿命长、容量大等特点,因此它在能源领域得到了广泛应用。然而,锂电池的长时间循环使用会引起内部发生不可逆转的化学变化,使其容量下降、内阻增大以及峰值功率下降,甚至会引发安全事故。锂电池健康状态(state of health,soh)对表征电池老化程度具有重要意义,主要体现在电池可用容量的下降,为更换动力电池提供了重要的参考依据。为了保持电池的安全稳定运行,准确的健康状态估计具有重要意义。
2、电池的退化是内部反应和外部环境影响的综合过程,除了电池内部耦合、时变的电化学反应外,外部负载、温度和放电深度等因素也会影响电池老化,最终导致不同的衰退轨迹,这给健康状态监测和评估带来了挑战。目前,健康状态估计方法主要包括基于模型的方法和数据驱动的方法。模型法可分为电化学模型和等效电路模型,电化学模型通过建立偏微分方程来描述电池动态特性,过高的模型计算复杂度使其更多应用于电池衰退机理方面的研究;等效电路模型根据电池的外部电气特性,利用基本电子元件和受控电压源建立电路模型,常与自适应滤波算法如卡尔曼滤波 (extended kalman filter, ekf)、粒子滤波(particle filter, pf)等结合,通过更新模型参数实现健康状态估计。然而电池是一个复杂的系统,其荷电状态、充放电倍率、温度等都会影响电池参数的变化,因此等效电路模型辨识参数难度较大,难以全面准确描述电池动态特性。
3、数据驱动的方法主
技术实现思路
1、为了减少电池管理系统(battery management system,bms)的计算量、提高电池健康状态的估计精度和可靠性,并应对各种噪声干扰带来的估计误差问题,本专利技术提出了一种锂电池健康状态的联合预测方法。本专利技术不仅能够有效减少健康状态估计的时间,还能精确的捕捉容量再生现象。
2、本专利技术主要通过以下技术方案实现:
3、一种锂电池健康状态的联合预测方法,包括,
4、步骤s1:选取nasa循环测试数据集中的电池充电电压作为实验数据;
5、步骤s2:利用增量容量分析法和恒流充电时间提取健康特征;
6、步骤s3:采用皮尔逊相关性分析法验证提取特征的可行性,选取峰值的面积和恒流充电电压曲线中的恒流充电时间作为电池老化特性表征;
7、步骤s4:建立支持向量回归模型;
8、步骤s5:在传统粒子群算法的基础上引入自适应策略和随机性惯性权重进行改进,利用改进粒子群优化支持向量回归模型的惩罚因子和内核函数,将提取的健康特征输入到改进粒子群优化的支持向量回归模型中。
9、上述步骤s2包括,
10、步骤s21:将电压平台转化为ic曲线进行分析,ic曲线峰值信息表明锂电池的老化程度;
11、步骤s22:利用高斯滤波对ic曲线进行平滑处理,提高ic曲线的平滑度;
12、步骤s23,将ic曲线中峰值的位置、高度、面积和斜率,提取作为健康特征;
13、步骤s24:根据ic曲线的电压范围,将恒流充电电压曲线中的恒流充电时间提取作为健康特征。
14、上述ic曲线表示充电容量dq与电池端电压dv的比,即增量容量ic,表达式如下:
15、。
16、上述高斯滤波器的表达式如下:
17、,
18、其中, x为ic;为 x的均值,为 x的方差。
19、上述恒流充电时间的表达式如下:
20、,
21、其中, q为充电容量, i为充电电流, t为充电时间。
22、上述步骤s3中,利用皮尔逊相关性分析法评估两个变量之间的相关程度的公式如下:
23、,
24、式中,n为样本数;分别表示所选取的特征和锂电池的健康状态;e(x),e(y)分别为的样本期望。
25、上述步骤s4包括,
26、步骤s41:首先建立输入量和输出量,假定样本集,其中,为输入量 ,为输出量,根据支持向量回归主要原理:利用非线性映射将样本集从低维空间映射到高维空间,建立回归函数如下:
27、,
28、式中,和 b是模型的权重参数和偏置函数,为非线性映射函数;
29、步骤s42:将惩罚因子c、最大允许误差、松弛变量和引入回归函数 f( x)来纠正不规则因子,根据结构风险最小化原则,将回归函数 f( x) 等效于求解优化问题,即:
30、,
31、式中,l 为损失函数;c 为惩罚因子;
32、通过引入松弛变量和,可得到:
33、,
34、式中,为松弛变量,为不敏感损失因子;
35、步骤s43:利用对偶原理,引入拉格朗日乘数,及径向基核函数,将上述公式转化为如下公式:
36、,
37、式中,和为拉格朗日乘数;
38、根据 mercer 定理法则,求解上式获得非线性映射表达式为:
39、,
40、式中,为径向基核函数,为内核函数。
41、上述步骤s5包括,
42、步骤s51:初始化粒子的位置和速度,设在d维空间中存在一种含n个粒子的种群。对于任意粒子 i,其在空间中的位置为,飞行速度为,个体最优为,群体最优为; 本文档来自技高网...
【技术保护点】
1.一种锂电池健康状态的联合预测方法,其特征在于,包括,
2.如权利要求1所述一种锂电池健康状态的联合预测方法,其特征在于,所述步骤S2包括,
3.如权利要求2所述一种锂电池健康状态的联合预测方法,其特征在于,所述IC曲线表示充电容量dQ与电池端电压dV的比,即增量容量IC,表达式如下:
4.如权利要求3所述一种锂电池健康状态的联合预测方法,其特征在于,所述高斯滤波器的表达式如下:
5.如权利要求4所述一种锂电池健康状态的联合预测方法,其特征在于,所述恒流充电时间的表达式如下:
6.如权利要求5所述一种锂电池健康状态的联合预测方法,其特征在于,所述步骤S3中,利用皮尔逊相关性分析法评估两个变量之间的相关程度的公式如下:
7.如权利要求6所述一种锂电池健康状态的联合预测方法,其特征在于,所述步骤S4包括,
8.如权利要求7所述一种锂电池健康状态的联合预测方法,其特征在于,所述步骤S5包括,
【技术特征摘要】
1.一种锂电池健康状态的联合预测方法,其特征在于,包括,
2.如权利要求1所述一种锂电池健康状态的联合预测方法,其特征在于,所述步骤s2包括,
3.如权利要求2所述一种锂电池健康状态的联合预测方法,其特征在于,所述ic曲线表示充电容量dq与电池端电压dv的比,即增量容量ic,表达式如下:
4.如权利要求3所述一种锂电池健康状态的联合预测方法,其特征在于,所述高斯滤波器的表达式如下:
5.如权...
【专利技术属性】
技术研发人员:陈世杰,程宇,
申请(专利权)人:苏州翌工电源科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。