原文传递
基于数据驱动的电动汽车锂电池寿命预测方法研究
| 论文题名： | 基于数据驱动的电动汽车锂电池寿命预测方法研究 |
| 关键词： | 电动汽车;锂电池;寿命预测;正则化粒子滤波;Adam优化;支持向量机 |
| 摘要： | 随着人们对于电动汽车接受程度越来越高,锂离子电池的性能和可靠性也受到了越来越多的关注?锂离子电池作为为电动汽车供能的动力元件,它的性能限制了电动汽车的续航里程?加速性能和爬坡能力?循环寿命是锂电池性能评价的一项重要指标,精确且快速地预测出锂离子电池的循环寿命对电池的生产制造和合理管理具有积极的作用?因为锂离子电池系统十分复杂,容量衰退的机理模型研究局限在有限的副反应之上,因此,从数据角度出发,利用早期循环数据对锂离子电池的循环寿命进行预测这一课题的研究,具有重要的理论意义和研究价值? 本文以电动车常用的18650电芯作为实验对象,主要研究内容如下: (1)在只有单一电池容量和循环次数数据时,从统计学角度出发,采用粒子滤波算法(PF)对容量衰退经验公式中的状态参数进行更新,通过对状态参数的多项式拟合,使得状态参数在预测过程中能够持续更新,提升预测的精度?同时采用正则化粒子滤波算法(RPF),将重采样过程中的离散采样改进为连续采样,解决了传统粒子滤波算法中出现的粒子耗尽问题? (2)针对RPF算法过于依赖容量衰退经验公式的问题,提出了基于粒子群优化网络结构的长短时记忆网络(PSO-LSTM)的电池寿命预测方法,同时利用Adam算法优化后的PSO-LSTM实现更快更准确的寿命预测,预测结果比改进的RPF预测结果更加贴合实际工况,并分析两种方法的优缺点? (3)在拥有多种工况下的锂离子电池容量衰退数据及数据信息较多的情况下,利用穷举法选择出前100个循环与电池寿命皮尔森相关系数最大的组合特征,作为岭回归(RidgeRegression)模型的输入?同时利用前30次循环的相关组合特征,通过对比单特征和多特征的多种分类模型和集成学习模型的分类精度和AUC值,选择支持向量机(SVM)作为电池长短寿命的分类模型?利用比改进的RPF算法和Adam优化的PSO-LSTM算法更加早期的循环数据信息实现了锂电池的寿命预测与分类? (4)搭建电池加速寿命实验平台,在30℃下对电动车常用的18650单体电池进行2C?3C?4C充电等工况的加速寿命实验,通过数据的清洗?插值?修正以及标准化,验证上述算法的可行性?同时,设计整合Adam优化的PSO-LSTM算法和Ridge回归模型的电池寿命预测软件界面,并评价方法的适用性? |
| 作者： | 施文骏 |
| 专业： | 机械设计及理论 |
| 导师： | 童哲铭 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
