原文传递
基于数据驱动的锂离子电池组健康状态估算研究
| 论文题名： | 基于数据驱动的锂离子电池组健康状态估算研究 |
| 关键词： | 电动汽车;锂离子电池组;健康状态;数据驱动 |
| 摘要： | 近年来，全球变暖和化石能源短缺问题日益严重，人们越来越关注清洁能源的使用，这为电动汽车(Electric vehicles,EVs)的发展提供了机遇。电池组是EVs动力源，其健康状态(State of Health,SOH)的准确估算不仅可以避免电池热失控的风险，也对未来电池梯次利用有重要意义。本文基于实际运行的电动汽车数据，设计了数据清洗规则，通过充电数据计算电池标准化容量，并基于汽车运行数据提取电池老化特征。长短期记忆(Long Short-Term Memory,LSTM)神经网络被用于估算电池组SOH，并与多种算法进行精度对比。为了快速而准确的完成LSTM模型的超参数配置，引入了贝叶斯优化(Batesian Optimization,BO)算法，本文主要内容如下。 (1)首先对电池管理系统(Battery Management System,BMS)采集源数据进行数据预处理，划分充放电片段，识别并处理数据缺失值与异常值。然后基于电池历史充电数据计算电池组最大可用容量，并修正温度影响因素。最后使用局部加权线性回归(Locally Weighted Linear Regression,LWLR)算法定性描述容量下降趋势，自回归值被用作标准化电池容量。 (2)分析了电池循环老化的影响因素，包括温度、充放电倍率、放电深度(Depth of Discharge,DOD)。然后基于电池历史运行数据，提取基于频率和基于频数的健康特征，这两组特征分别揭示了电动汽车运行温度、充放电倍率的变化情况与电池的历史工作状况。最后使用最大互信息系数(Maximal Information Coefficient)算法评估健康特征与容量之间的相关性，选取相关性系数高的健康特征作为训练数据。 (3)建立了基于LSTM的SOH估算模型，并与多种算法进行对比实验，实验结果发现基于LSTM的SOH估算模型精度较高，进一步验证了LSTM神经网络在处理长时间序列问题上的优势。分别基于频率特征、频数特征与组合特征估算电池SOH，实验发现基于组合特征的SOH估算最为精确，RMSE为0.031%，并且模型稳定性较高。 (4)由于组合特征的特征维度较高，且LSTM神经网络超参数过多，在大数据背景下，利用人工经验对基于组合特征的LSTM模型调参会花费大量时间。本文引入了BO算法实现最优超参数配置，建立了基于BO-LSTM的SOH估算模型，与其他优化算法对比，发现BO-LSTM模型的估算精度高，RMSE为0.016%，时间消耗少，为554s。从数据源中随机抽取了两辆车也进一步验证了该模型的泛化性，RMSE均为0.017%。 |
| 作者： | 沈晓宇 |
| 专业： | 车辆工程 |
| 导师： | 何志刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
