原文传递
数据驱动下的锂电池健康状态估计及管理系统研究
| 论文题名： | 数据驱动下的锂电池健康状态估计及管理系统研究 |
| 关键词： | 数据驱动;支持向量机;参数优化;电池管理系统;电动汽车 |
| 摘要： | 发展电动汽车是未来交通的必然趋势，但锂电池的健康状态（SOH）和荷电状态（SOC）监测还存在许多不足，需要进一步深入探究。 传统建模方法进行电池SOH、SOC预测时困难重重，大部分算法的复杂性限制了其在电池状态估计方面的实际应用，提出利用数据驱动的方法解决电池状态（SOC、SOH）估计的难题，选择支持向量机（SVM）作为本文的方法基础。但SVM的性能强烈依赖其参数对的选取，理论中并没有给出明确的最优选择方法，本文提出利用遗传算法和粒子群算法建立改进SVM模型（GA-SVM、PSO-SVM）以解决SVM在电池建模过程中的参数选择问题。 考虑锂电池动态放电，通过分析马里兰CALCE中心电池数据，获取电池动态工况循环下SOC特性；利用已建立的改进SVM模型，对循环工况下的电池数据进行电池SOC的估计，并以其他学者提出的SVM算法进行同步预测实验用以进行分析对比；实验前，为了增强电池电流电压与电池放电容量之间的线性相关度，首先对电池数据进行Box-Cox变换并对参数λ进行估计。实验估计结果证明，改进SVM模型在进行电池SOC估计时，预测精度高，稳定性好。 最后提出利用构建的改进模型通过在线可测量物理量对电池SOH进行预测。对NASA以及马里兰大学电池实验数据的退化状态进行详细分析，在此基础上，考虑实际车辆中各种工况下电池动态放电的情况，提出基于等SOC间隔电压差的锂电池SOH估计方法，利用四种模型对电池数据进行预测对比分析，验证了改进算法（GA-SVM、PSO-SVM）的有效性，可保证SOH预测的较高预测精度。进一步，研究两种优化算法在进行SOH预测时搜寻到的最优参数对的分布，对比表明，PSO-SVM过学习严重，稳定性差；GA-SVM性能最优异。 在电池健康状态估计研究成果的基础上，提出一种基于CAN总线技术的电池管理系统方案，给出设计思路；并针对PC端，设计了基于USBCAN的CAN通讯接口，通过PC端对BMS进行实时监控，利用PC强大的数据处理能力对实时采集的电池数据进行分析处理。 |
| 作者： | 王树坤 |
| 专业： | 汽车电子工程 |
| 导师： | 黄妙华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
