首页期刊导航|储能科学与技术
期刊信息/Journal information
储能科学与技术
化学工业出版社
储能科学与技术

化学工业出版社

丁玉龙

双月刊

2095-4239

energystorage_cip@163.com;esst_edit@126.com

010-64519601/9602

100011

北京市东城区青年湖南街13号

储能科学与技术/Journal Energy Storage Science and TechnologyCSCD北大核心CSTPCD
查看更多>>《储能科学与技术》（Energy Storage Science and Technology）是化学工业出版社、中国化工学会联合主办的国内唯一的储能专业期刊，由中国石油和化学工业联合会主管，国内统一刊号CN 10-1076/TK，中国科学引文数据库核心期刊（CSCD）、中国科技核心期刊，中国化工学会及储能工程专委会会刊。目前已被美国《乌利希期刊指南（网络版）》（Ulrichsweb）、英国科学文摘数据库（INSPEC）和美国《化学文摘（网络版）》（CA）收录，荣誉主编为英国伯明翰大学丁玉龙教授。
正式出版
收录年代

    基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法

    陆继忠彭思敏李晓宇
    2972-2982页
    查看更多>>摘要：准确评估锂离子电池健康状态(state of health,SOH)对保证电动汽车的安全稳定运行至关重要.然而,传统SOH估计方法在有效提取健康特征(health features,HFs)和依赖大量特征测试数据上面临一些挑战.为此,本文提出一种基于多特征量分析和长短期记忆(long short-term memory,LSTM)-极端梯度提升(eXtreme gradient boosting,XGBoost)模型的锂离子电池SOH估计方法.首先,为准确描述电池的老化机理,从电池充电数据中提取关于时间、能量、IC三大类共6个HFs.考虑到同类型HFs之间存在大量冗余信息,采用一种基于双相关性的特征处理方法,筛选出可准确表征电池退化趋势的组合HFs.其次,针对传统SOH估计模型需要大量HFs测试数据的问题,提出一种基于LSTM-XGBoost的SOH估计模型.在该模型中,采用LSTM算法来预测电池剩余循环次数的HFs数据.同时,为解决LSTM模型进行HFs预测时计算效率不高的问题,采用LSTM-XGBoost模型进行电池SOH估计.利用NASA电池数据集进行验证,结果表明,所提出方法在不同测试数据量下能准确估计锂电池的SOH,且均方根误差保持在1%以内,具有较高的估计精度和鲁棒性.

    锂离子电池健康状态特征分析长短期记忆神经网络极端梯度提升

      原文链接:
    • 万方数据
    • 维普

    适用于宽温度范围的锂离子电池SOC估计方法

    胡雪峰常先雷刘肖肖徐威...
    2983-2994页
    查看更多>>摘要：精确的荷电状态(SOC)估计是确保动力电池安全稳定运行的关键所在.然而,在实际应用中,环境温度的变化以及噪声干扰等因素使得SOC的精确估计变得困难重重.为了解决这一问题,本文提出一种基于多新息自适应鲁棒无迹卡尔曼滤波(MIARUKF)算法的宽温度范围下锂离子电池SOC多时间尺度联合估计方法,该算法在无迹卡尔曼滤波(UKF)算法的基础上,融合多新息理论、自适应滤波与鲁棒算法.所提算法利用多新息向量对状态估计值进行修正,并对噪声协方差进行及时更新,从而提高SOC的估计精度,通过引入H∞滤波算法来提高该算法的鲁棒性.同时为了降低电池管理系统(BMS)的计算负担,使用UKF算法在宏观时间尺度上在线估计模型参数,采用MIARUKF算法在微观时间尺度上估计电池SOC.最后,在不同SOC初始值、不同温度条件下,对电池SOC的估计结果进行比较和分析,本文所提方法最大绝对误差和平均绝对误差分别为1.05%和0.42%,表明该算法具有较高的精度和较好的鲁棒性.

    锂离子电池荷电状态多温度多新息自适应鲁棒无迹卡尔曼滤波

      原文链接:
    • 万方数据
    • 维普

    融合多项式特征扩展与CNN-Transformer模型的锂电池SOH估计

    陈媛章思源蔡宇晶黄小贺...
    2995-3005页
    查看更多>>摘要：为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型.该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力.引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间.采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%.

    锂离子电池电池健康状态预测主成分分析法CNN-Transformer增量容量分析多项式特征

      原文链接:
    • 万方数据
    • 维普

    基于加权UMAP和改进BLS的锂电池温度预测

    黎耀康杨海东徐康康蓝昭宇...
    3006-3015页
    查看更多>>摘要：锂电池热过程的温度预测对锂电池的寿命管理和使用安全有着重要意义.一般电池管理系统热管理依赖准确的热过程模型.然而锂电池热过程的机理复杂,属于强非线性分布参数系统,具有参数时空耦合、时变、强非线性的特点,常规方法难以实现其热过程的精确建模.针对上述问题,提出了一种基于加权UMAP和改进BLS的三段式锂电池热过程建模方式.首先通过引入加权改进的均匀流形逼近与投影(weighted uniform manifold approximation and projection,WUMAP)降维算法解决非线性降维难题的同时保留了数据的全局与局部信息.然后利用一段宽度学习系统(broad learning system,BLS)模型对降维得到的时序数据预测.最后再通过一段粒子群算法优化的混合核宽度学习系统(particle swarm optimization-mixed kernel broad learning system,PSO-MKBLS)模型对时空域温度数据重构.为验证模型有效性,使用平板式32 Ah的Li(Ni0.5Co0.2Mn0.3)O2三元软包锂电池的热过程建模试验.实验结果表明:最终模型与改进前相比,R2提高0.0546,MAE和RMSE分别降低0.0082和0.0092;同时与多个对比模型相比,相对误差ARE较低(在0.035以内),并且各误差指标也更好,证明模型具有良好的预测精度.

    分布参数系统锂电池温度预测加权均匀流形逼近与投影混合核宽度学习系统

      原文链接:
    • 万方数据
    • 维普

    考虑能量和温度特征的锂离子电池早期寿命预测

    何宁杨芳芳
    3016-3029页
    查看更多>>摘要：锂离子电池长期充放电循环周期后会出现容量退化,性能下降,对储能系统构成潜在的危害.为此,本工作提出了考虑能量和温度特征的锂离子电池早期寿命预测混合模型,用以解决当前研究中对温度和能量特征以及深度学习提取出的特征重要性研究不足的问题.首先,为了充分挖掘温度数据中的有效信息,利用电压、电流和温度数据间接计算提取电池的容量、能量和温度信号能量曲线,选取前100个周期的曲线数据构建对应的二维特征.其次,针对卷积神经网络无法对所提取特征图进行筛选的问题,提出了一种基于卷积神经网络和卷积块注意力机制的特征提取架构,利用注意力机制识别各特征图的重要程度,进而实现从特征到早期寿命的映射.在MIT锂离子电池退化数据集上展开实验,对所提出的特征和方法进行效果验证.研究结果表明,相较于基础的卷积神经网络,所提出的混合模型取得了更优的预测效果,平均均方根误差为97.43.此外,对比一系列不同特征作为输入的实验可以发现所提出的温度信号能量特征性能较好,同时多特征融合技术能够实现更优的预测性能.最后,在更少周期数据应用的场景下,模型至少需要70个周期的数据才能保持较好的预测性能和较高的稳定性.

    锂离子电池早期寿命预测深度学习温度特征能量特征

      原文链接:
    • 万方数据
    • 维普

    基于电热耦合模型的宽温域锂离子电池SOC/SOP联合估计

    刘莹孙丙香赵鑫泽张珺玮...
    3030-3041页
    查看更多>>摘要：准确的状态估计对于锂离子电池安全可靠运行具有重要意义,但由于非线性强,多参数耦合,实现宽温域多参数联合在线估计难度较大.考虑到温度影响,建立电热耦合模型,采用扩展卡尔曼滤波算法(EKF)在线辨识电池参数,通过电压及温度仿真验证了模型的准确性;然后针对无迹卡尔曼滤波算法(UKF)历史数据利用率低的问题,引入多新息理论(MI)改进UKF,改进后的算法在非电压平台区荷电状态(SOC)估计均方根误差不超过1.2%,相较于改进前误差降低了30%以上,并结合安时积分法设计切换算法,解决了MIUKF算法在磷酸铁锂电池电压平台区无法通过电压反馈修正SOC估计误差的问题,实现了宽温域复杂工况下全区间SOC的准确估计,在不同SOC初始值条件下验证了结合算法的准确性,均方根误差不超过3%,为峰值功率(SOP)估计提供了可靠的SOC值;最后将温度约束引入到SOP估计中,提出多约束条件下的SOP估计方法,结果表明在高温条件下,温度起到关键限制作用,可以防止电池温升过大,减少安全隐患.

    磷酸铁锂电池宽温域SOC/SOP联合估计电热耦合模型改进UKF多约束条件

      原文链接:
    • 万方数据
    • 维普

    基于RUN-GRU-attention模型的实车动力电池健康状态估计方法

    刘定宏董文楷李召阳张红烛...
    3042-3058页
    查看更多>>摘要：实车动力电池的健康状态(state of health,SOH)评估存在数据质量差、工况不统一、数据利用率低等问题,本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型.首先,通过数据清洗、切割、填充,获取独立的充电片段;其次,基于不同电流阶段计算容量,实现原始数据利用率达96.9%,并与单独限定SOC范围计算容量的方法相比,误差降低48.1%以上;然后,从当前工况、历史累积两个维度提取多个健康因子,对于当前工况特征值,通过灰色关联度及干扰性随机森林重要度分析双重筛选.对于历史累积特征值,利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis,KPCA)降低信息冗余;最后,对门控循环单元网络模型(gated recurrent unit,GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer,RUN),建立RUN-GRU-attention模型,基于实车运行数据集与现有5种模型进行对比,实验结果表明,无论是包含单阶段还是多阶段电流的测试样本,优化模型的估计精度更佳,误差不高于0.0086,并且随着充电循环次数增加表现出良好的误差收敛性,可有效预测SOH波动趋势.

    实车动力电池阶梯倍率充电健康状态估计多源特征提取龙格库塔优化算法机器学习

      原文链接:
    • 万方数据
    • 维普

    基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计

    柯学洪华伟郑鹏李智诚...
    3059-3071页
    查看更多>>摘要：准确估计锂离子电池(lithium-ion battery,LIB)的健康状态(state of health,SOH)对于确保储能电站的安全稳定运行至关重要.然而,现有的数据驱动方法通常依赖手工特征提取,并且特征的时间尺度比较单一,很难进行高效且精确的电池健康状态评估.为了解决这些问题,提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型.该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module,DCM),从不同时间尺度进行自动特征提取,获得丰富且全面的特征表示.随后,不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit,GRU)提取时间序列的长期依赖关系.模型进一步融入通道注意力机制(efficient channel attention,ECA),对历史信息进行相关性动态权重分配,关注显著特征.最后,在两个公开数据集上验证了本方法的优越性,并与其他常用深度学习模型进行了比较.结果表明,本模型具有较高的SOH估计精度和良好的迁移性,两个数据集上的均方根误差分别仅为0.0110和0.0095,在跨数据集的迁移实验中均方误差仅为0.0092.

    锂离子电池健康状态卷积神经网络注意力机制时间序列

      原文链接:
    • 万方数据
    • 维普

    基于等效电路模型融合电化学原理的锂离子电池荷电状态估计

    李清波张懋慧罗英吕桃林...
    3072-3083页
    查看更多>>摘要：准确高效地评估锂离子电池荷电状态(SOC)是确保电动汽车和储能设备性能和安全的关键.等效电路模型被认为是描述锂离子电池内部复杂反应过程的一种有效方法.针对基于等效电路模型的SOC估计准确性与复杂性难以权衡的问题,本研究采用一阶RC模型作为基础,为了提高整个SOC区间的模型性能表现,通过电化学原理对模型进行优化,通过在一阶RC模型的OCV模块上添加反映电池内部固相扩散过程的改进误差项,在保证较低的计算复杂性的前提下,减小了等效电路模型与更准确的机理模型之间存在的误差.然后基于倍率测试以及脉冲测试数据对电池进行参数辨识,以粒子群算法为基础通过参数解耦的方式降低了参数辨识的复杂度、提升了辨识准确度;同时基于小倍率测试的开路电压(OCV)数据采用多项式方法进行OCV-SOC曲线拟合.随后基于模型参数辨识结果开展SOC估计研究,针对常规卡尔曼滤波准确度不足的问题,在无迹卡尔曼滤波基础上结合加权滑动窗口的思想以提升SOC估计的精确性和鲁棒性,并基于UDDS和DST动态工况测试数据进行算法验证,最终估计效果相对于传统方法呈现出优异的精度与鲁棒性,并且可以在初始SOC有较大偏差时快速收敛至准确值.

    锂离子电池融合模型荷电状态估计无迹卡尔曼滤波

      原文链接:
    • 万方数据
    • 维普

    贫数据条件下锂离子电池容量退化轨迹预测方法

    管鸿盛钱诚孙博任羿...
    3084-3093页
    查看更多>>摘要：在锂离子电池使用过程中,因实际运行条件的限制,通常难以获取大量完整标记的电池数据,对实现电池容量退化轨迹的准确预测构成了显著挑战.为此,本文提出了一种融合容量退化曲线增广和常用神经网络算法的锂离子电池容量退化轨迹预测方法.首先,基于少量完整标记的电池容量退化数据,采用多项式函数和蒙特卡洛方法得到虚拟容量退化曲线,并通过KL散度和欧氏距离进行筛选.之后,构建多层感知机(multi-layer perceptron,MLP)、卷积神经网络(convolutional neural network,CNN)、门控循环单元网络(gated recurrent unit,GRU)和长短期记忆网络(long short-term memory,LSTM)等四类常用神经网络模型,用以映射虚拟容量退化曲线数据至电池实际容量.最后,以虚拟容量退化曲线数据为输入,实际容量为输出,利用少量完整标记电池的数据对模型进行预训练,并利用待预测电池的早期退化数据进行微调,从而实现容量退化轨迹预测.通过77只具有不同放电方案的电池的数据对所提方法进行验证.结果表明,在仅有3只完整标记电池的容量退化数据条件下,所提方法的预测性能不受神经网络类型的影响,四类神经网络均准确预测了其余电池的容量退化轨迹,MAPE和RMSE的均值分别控制在2.3%和31 mAh以下.

    锂离子电池容量退化轨迹贫数据条件神经网络

      原文链接:
    • 万方数据
    • 维普