原文传递
基于模型与数据驱动融合的锂电池寿命预测算法研究
| 论文题名： | 基于模型与数据驱动融合的锂电池寿命预测算法研究 |
| 关键词： | 新能源汽车;锂离子电池;健康状态;剩余使用寿命;长短期记忆神经网络;等效电路模型 |
| 摘要： | 随着全球能源发展趋势逐渐向绿色方向转型，新能源汽车产业逐渐成为我国战略发展的重要组成部分。锂离子电池凭借寿命长、比能量大以及稳定、安全等优点，被广泛应用于新能源汽车上。健康状态（State of Health,SOH）和剩余寿命（Remain Useful Life,RUL）作为反映锂离子电池安全性的重要指标，需要对其进行有效、准确的预测。本文融合了基于模型和基于数据驱动的方法，研究了不同使用条件下锂离子电池可用容量与剩余寿命的预测。 （1）提出了一种基于时间序列的长短期记忆（Long Short-Term Memory,LSTM）神经网络的预测算法，可用于有锂离子电池的历史可用容量数据的情况下，对当前可用容量进行预测。基于该算法，研究不同时间步输入对容量预测结果的影响，并且建立多维评价指标衡量结果的优劣，从而获取最佳预测时间步。使用鲸鱼优化算法（Whale Optimization Algorithm,WOA）对LSTM神经网络进行优化，结果证明优化的设计对于预测效果具有大幅提升。 （2）针对实际工况中使用可用容量输入的预测方法较为单一且难以获取的情况，提出合理且可获取的健康因子来预测SOH。使用相关性分析方法计算其相关性，基于WOA-LSTM算法的预测结果，选取恒流充电时间和梯度放电时间为两个效果最好的健康因子，结果显示其预测误差在1%以内。针对WOA优化算法容易陷入局部极小值点的问题，设计非线性权重因子、差分变异扰动项和自适应调整搜索策略三个改进点，改进后算法的预测结果整体上有小幅提升，证明改进鲸鱼优化算法（Improved Whale Optimization Algorithm,IWOA）具有更强的全局搜索能力。 （3）针对锂离子电池实际工况中的不稳定性导致健康因子难以测定，或者历史数据记录不完全导致时间序列输入不连续的问题，研究一种不依赖历史数据且能够即时预测SOH和RUL的回归算法。方法融合等效电路模型、IWOA算法和RF（Random Forest,RF）算法，通过等效电路元件的拟合参数，实现锂离子电池的SOH和RUL预测，预测误差分别低于1%和4%。并且同样基于IWOA-RF算法，实现使用SOH对RUL的预测，结果表明预测具有良好的效果，平均误差低于3%。 |
| 作者： | 朱洪涛 |
| 专业： | 材料科学与工程 |
| 导师： | 徐自强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
