原文传递
基于数据驱动的锂电池健康状态估计研究
| 论文题名： | 基于数据驱动的锂电池健康状态估计研究 |
| 关键词： | 电动汽车;电池健康状态;实车行驶数据;CNN-LSTM预测模型 |
| 摘要： | 近年来，随着能源危机和环境恶化等问题日益严重，社会各界及政府都开始注重发展新能源汽车。由于电动汽车具有无污染、噪音小和零排放等优点，并且其配套设施逐步完善，现已成为主流的新能源汽车。动力电池技术作为电动汽车的三大核心技术之一，受到了广泛的关注，为保证汽车的安全高效运转，需要对电池的健康状态进行估计和预测。 目前，研究电池健康状态的方式大多是基于实验数据，该方法不仅耗时较长、过程较为繁琐，且对于不同型号的电池需要重复实验。考虑到现有方法的不足，本文基于电动汽车实际行驶过程中电池管理系统记录的数据，对电动汽车的电池健康状态展开了研究，提出了一种电池健康状态估计和预测的方法，本文就此做了以下工作： 1.对电池健康状态的研究现状进行了综述，对比了八种基于数据驱动的电池健康状态预测方法。分析三种电池健康状态的定义方法，确定基于电池满充能量的电池健康状态研究方法。研究锂电池的基本结构和工作原理，分析电池失效的原因，为研究电池健康状态做准备。 2.针对实车行驶的电池数据质量较差的问题，对数据进行了预处理，包括提取相关的充电片段、特征变量之间的相关性分析、异常数据和缺失数据的处理等操作。通过对数据的预处理，可以为电池健康状态估计和预测建模研究提供高质量的数据。 3.根据电池健康状态的相关定义，对电池每个充电过程的满充能量值进行计算；然后通过温度对电池满充能量进行修正，并对修正后的满充能量值离群点进行检测和剔除；再对电池满充能量进行去噪处理，得到最终的满充能量值，根据满充能量值估计出厂时的电池满充能量值；最后，建立电池健康状态估计模型，并对其可靠性进行了检验。 4.对卷积神经网络进行了简单的研究，发现CNN能够很好地提取出电池数据的特征，但由于CNN没有考虑锂电池数据内部具有一定的时序性，当充放电周期过长时，CNN的电池健康状态预测效果将会不理想。为解决这一问题，本文提出了一种CNN-LSTM模型，利用LSTM捕捉数据的时序关系，并对该模型进行了改进，使其更好地进行预测电池健康状态。实验结果分析表明，所提出的模型相比单一的CNN或LSTM所取得的效果更好，CNN-LSTM模型预测的RMSE比CNN模型低0.2422，比LSTM模型低0.0394，所提出模型的MAE比LSTM模型低0.1334，比CNN模型低0.3122。 |
| 作者： | 梁明磊 |
| 专业： | 车辆工程 |
| 导师： | 石沛林;郑春花 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
