基于神经网络的电动汽车锂离子电池健康状态估计外文翻译资料

 2022-01-04 09:01

英语原文共 6 页,剩余内容已隐藏,支付完成后下载完整资料


Available online at www.sciencedirect.com ScienceDirect

Energy Procedia 105 ( 2017 ) 2059 – 2064

第八届应用能源国际会议 - ICAE2016

基于神经网络的电动汽车锂离子电池健康状态估计

Duo Yanga, Yujie Wanga, Rui Pana, Ruiyang Chenb, Zonghai Chena*

a 中国科学技术大学自动化系, 合肥, 230027,中国 b中国科学技术大学资优青年学院,,合肥, 230026,中国

摘要

作为电动汽车的主要有前途的动力源之一,锂离子电池在电动汽车电力系统中有着重要的作用。其健康状况(SOH)估计是电池管理系统(BMS)中的关键技术。许多电池参数可以反映电池的健康状况,像内阻,电池容量等。在本文中,我们使用最大可用容量来指示基于反向传播(BP)神经网络的电池SOH,本文的主要贡献包括:(1)采用HPPC(混合脉冲功率表征)测试的直接参数提取方法来识别一阶等效电路模型的电池参数。 (2)该参数可用于模拟、完善三层BP神经网络,因此可以确定包括网络权重和阈值的结构和参数。 这个完善的神经网络用于估计SOH。 (3)进行静态和动态电流分布测试,以验证所提出的神经网络的结果的准确性。实验结果表明,所提出的基于神经网络的估计方法能够以较低的计算成本准确且合适地呈现SOH估计。

copy; 2017.由Elsevier Ltd.出版. CC BY-NC-ND许可下的开放获取文章

copy; 2016.由Elsevier Ltd.出版(http://creativecommons.org/licenses/by-nc-nd/4.0/)。

由第八届国际应用能源大会科学委员会负责的ICAE同行评审负责选拔和/或同行评审.

关键词:锂离子电池; 健康状况; 参数识别; 神经网络。

1.简介

近年来,电动汽车(EV)迅速发展。 锂离子电池由于具有能量密度高,环保,循环寿命长等优点,已成为电动汽车最有前途的动力源之一[1]。 与其他电池一样,随着时间的推移和电池的循环使用,锂离子电池会出现老化和故障等问题。 为了确保锂离子电池高效安全的工作,防止电池过度充电和过度放电,延长锂离子电池系统的使用寿命,估计电池的健康状态(SOH)是必要且重要的。 然而,各种环境温度,不同的电流,复杂的驱动条件和其他因素都对SOH有影响。 每种影响的影响程度和非线性行为使得准确估计SOH变得非常困难。

*作者联系方式. 电话: 86 055163606104电邮地址:chenzh@ustc.edu.cn

1876-6102 copy; 2017. 由Elsevier Ltd.出版。CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。

由第八届国际应用能源大会科学委员会负责的同行评审。

doi:10.1016 / j.egypro.2017.03.583

SOH的变化具体反映在内阻,容量的变化以及其他一些指标上。近年来,对SOH估计已经有了广泛的研究。电池内阻已被用于监测参考文献[2] [3] [4]中的SOH。这些论文分析了内阻和容量之间的关系,并表现出较低的计算量和良好的稳定性,但缺点是很少考虑影响因素。 SOH可以通过概率和统计方法估计,参见参考文献[5] [6]。这种方法将数学知识与经验结合起来构建经验或半经验模型,它需要大量实验数据且会花费大量时间。神经网络(NN)是估算SOH的有效方法。参考文献[7]提出了一个基于EIS的模型,并描述了一种SOH监测方法,该方法使用递归神经网络来预测电池性能的降低。参考文献[8]使用概率神经网络来估计SOH,其中没有考虑参数识别,如本文所示。神经网络(NN)是一种统计模型,需要大量的实验数据进行模拟才能获得理想的结果。它不需要知道准确的电化学反应,并且通过学习算法反复模拟,直到估计误差小于预设阈值。

在本文中,我们提出了一种基于神经网络的方法来估算SOH。采用直接参数提取方法来识别一阶等效电路模型(ECM)的参数。然后提出了一个三层反向传播(BP)神经网络来估计SOH,其输入是一阶ECM的参数,输出是SOH的当前值。最后,实验旨在验证所提出的神经网络的准确性。本文的结构如下:在第2节中给出SOH的定义和模型介绍,包括电池模型和NN模型。识别算法在第3节中介绍。在第4节中,我们给出了所提方法的实验程序和验证结果。最后,在第5节中讨论结论。

2.模型介绍

2.1. SOH的定义

SOH可以定义为当前最大可用容量与标称容量的比率,如下 [9]:

(1)

其中代表最大可用容量,代表标称容量。 当SOH降至80%以下时,我们认为电池停止使用,因为容量在超过80%阈值后呈指数衰减趋势[10]。

2.2. 电池模型

池模型一般可分为电化学模型[11],等效电路模型[13] [14]和神经网络模型[7] [8] [12]。

2.2.1. 一阶ECM

一阶ECM是电池状态估计中最常用的ECM之一。 如图1(a)所示,表示开路电压。是电池的端电压。 是RC并联网络的电压,是时间t的总电流,电池充电时为正,放电时为负。 并且代表欧姆电阻。 和的比值表示极化效应。

Duo Yang等。 / Energy Proceeds 105(2017)2059-2064 2061

2.2.2. 神经网络模型

NN模型如图1(b)所示,它由三层组成:输入层,隐藏层和输出层。 在该模型中,输入是SOC,ECM参数包括欧姆电阻,极化电阻和极化电容。是从输入层到隐藏层连接权重的矩阵。是从隐藏层到输出层连接权重的矩阵。 ,分别是隐藏层和输出层的阈值矩阵。 在本文中,我们选择反向传播神经网络(BPNN)来模拟输入数据。该模型的输出用等式(2)表示。

(2)

图1.(a)一阶ECM。 (b)NN模型结构。

3. 参数识别

HPPC测试通常用于模型参数识别和模型精度验证。 HPPC轮廓的圆形部分图如图3所示。 图2(b)中的是的电压。 欧姆电阻可以类似地被视为当电流突然改变时的压差电压和压差电流的比率,其表示为等式(3)。 和可以通过电压跳变后的连续电压变化来反映,并且可以通过最小二乘拟合来估计它们。 需要拟合的公式如式(4)[14]所示,其中只有和两个变量

意味着采样时间。,和是通过离散化处理的初始数据。

图2 HPPC配置文件的部分图。 (a)目前的情况。 (b)电压曲线。

4. 实验和结论

4.1 试验台和实验设计

试验台如图3(a)所示。 主机用于在线实验控制和数据记录。 电池测试设备负责根据所需的电流曲线对电池充电和放电。

我们试验了10种不同老化程度的电池,型号为IFP-1865140。 所有电池的参考容量均为10Ah。 每个电池的SOH如表1所示。所有测试均在25℃下进行。 进行静态容量测试以获得电池的当前最大可用容量,以便我们可以计算SOH的值。 三次测试的平均容量被视为电池的最大可用容量。 静置一小时后,进行HPPC测试以确定模型参数,其电流曲线和SOC变化如图3(b)所示。

图3 (a)试验台。 (b)HPPC测试的当前曲线和HPPC测试中的SOC变化曲线。

表1.所有测试电池的SOH信息

Battery order

#1

#2

#3

#4

#5

#6

#7

#8

#9

#10

SOH/%

103.30

99.71

95.90

93.10

74.00

102.90

99.49

95.61

94.30

81.68

4.2 SOH估算分析

所有电池SOH的信息可以在表1中查找。模型参数,SOC和SOH之间的关系如图4所示。我们在图4(a)中可以很容易得出结论,当SOH减小时欧姆电阻增加。当SOC范围在20%和90%之间时,SOC降低时会大致增加。但关于和的关系并不像那样清晰。 和以非线性方式随SOC和SOH变化,这是我们无法通过简单观察获得的。由于难以获得这种关系,因此需要图2所示的BP神经网络来找到这些输入与SOH之间的关系。

对于SOH估计,我们使用5个电池(#1~#5)来模拟NN,以及其他5个电池(#6~#10)来测试NN的估计精度。测试结果如图5所示。注意,SOH在循环中被认为是相同的。图5(b),(d),(f),(h)和(j)中的误差等于估计值和测量值之间的差值的幅度。从这些直方图中,我们可以看到最大误差为7.2%,低于8%,大多数误差低于5%。模拟输出的平均值被视为该电池的当前SOH。表2中列出了通过平均值计算的SOH的结果。另一方面,对于NN,在开始模拟NN时需要大的数据库和准确的参数识别结果。如果使用更多数据来模拟NN,则预测误差将更低。

Duo Yang 等. / Energy Procedia 105 ( 2017 ) 2059 – 2064 2063

图4。 (a),SOH和SOC的关系图。 (b),SOH和SOC的关系图。 (c),SOH和SOC的关系图。

图5。 (a),(c),(e),(g),(i):电池#6,#7,#8,#9,#10的SOH估计结果。 (b),(d),(f),(h),(j):电池#6,#7,#8,#9,#10的估计误差的直方图。

表2测试电池的估算结果

Battery Order

#6

#7

#8

#9

#10

Measured SOH/%

102.90

99.49

95.61

94.30

81.68

Estimated SOH/%

98.16

98.32

99.98

95.74

81.71

5. 结论

本文提出了一种基于BP神经网络的电池SOH估算方法。 在这种方法中,利用一阶ECM的几个参数,我们可以使用三层BP神经网络估计SOH的值。 该方法具有3个特点:(1)计算量小(训练NN的计算时间为21ms)。 (2)内存要求低。 (3)易于理解。 结果的准确性取决于识别算法的准确性,模拟测试数据的数量,所选ECM模型的精度,测试曲线等。模拟测试速度取决于学习算法,层数和神经元。由于初始采样数据错误,算法错误和NN模型的不准确性,工作期间的错误是不可避免的。因此,在用于计算电池的最终SOH值之前,应对输出进行

全文共6362字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[2282]

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。