详情

原文传递车用锂离子电池全生命周期寿命预测与健康管理方法研究

论文题名：	车用锂离子电池全生命周期寿命预测与健康管理方法研究
关键词：	电动汽车;锂离子电池;全生命周期;寿命预测;健康管理
摘要：	为了保护地球生态环境，响应节能减排和可持续发展政策的号召，电动汽车代替传统燃油车发展迅猛。锂离子电池由于其能量密度大、循环寿命长等优点成为车用动力电池的主力。随着电动汽车的使用，锂离子电池的性能发生不可避免的退化。对动力电池剩余寿命进行预测，能够为电动汽车行驶的可靠性和稳定性提供有力保障。由此电动汽车的发展面临一个关键问题，即动力电池的全生命周期健康状态估计和剩余寿命预测问题。一方面，动力电池在车载阶段存在预测状态不能时变更新、长期预测不准确、电池组参数不一致等问题；另一方面，大部分研究停留在车载阶段，对退役电池状态估计和寿命预测问题研究较少，传统的充放电测试方法不适用于退役电池。面临以上这些挑战，本文立足于动力锂离子电池车载阶段到退役阶段的全生命周期，以单体电池和电池组为研究对象，探究不同寿命阶段和不同研究对象电池的状态估计和寿命预测方法。本文主要研究工作和创新点如下：　　（1）针对锂离子电池容量状态和模型参数难以在线更新的问题，提出一种基于双层融合框架的电池剩余寿命在线预测方法。利用相空间重构技术，深入挖掘电池退化时序数据之间的关系。采用融合框架，训练数据驱动模型，为基于模型的滤波算法提供未来时刻的观测值，有效克服了单一方法的不足。采用双层融合算法实现电池容量和数据驱动模型参数同步更新。把一步预测值迭代回数据驱动模型，实现剩余使用寿命在线预测。以NASA#5号电池为例，预测起点为100循环时，本文方法的寿命预测误差为0.8%，比单层融合方法预测误差降低了3.8%，比非融合方法误差降低了6.2%。仿真结果表明，本文提出的双层融合方法预测精度较高，并且随着预测起点增加预测结果越来越准确。　　（2）针对锂离子电池的真实退化过程受历史数据影响的长期依赖特性，提出了一种基于动态漂移参数的分数布朗运动模型，描述电池的实际退化的非马尔可夫特性。针对电池容量退化过程的非线性时变特性，采用卡尔曼滤波算法更新分数布朗运动模型漂移系数。利用极大似然估计算法求解模型中的其他固定参数。根据首次命中时间和弱收敛理论，推导了电池剩余寿命预测结果不确定性的概率密度分布函数。最后，用实验室测试平台数据集和NASA数据集验证了该方法的有效性。对于NASA#5号电池数据集，在预测起始点为60个循环和80个循环时，该方法的电池剩余寿命预测结果相对误差分别为2.941%和2.083%，优于基于固定漂移参数分数布朗运动模型、基于布朗运动模型等多种方法。　　（3）单体电池不能满足电动汽车的动力需求，动力电池组由大规模电池单体串并联组成。电池组内单体电池参数存在不一致性，而电池组性能取决于性能最差的电池单体。针对这一问题，提出了一种考虑参数不一致性的电池组建模及不一致退化过程寿命预测方法。建立电池组不一致简化模型，并采用蒙特卡洛方法模拟拓扑结构与参数不一致分布对电池组电流分布、容量分布的影响。考虑电池组退化过程容量不一致性，引入竞争失效的概念，定义任一单体电池到达容量失效阈值表明电池组失效。采用D-Vine Copula函数建立电池组中多元退化过程相关性，得到电池组剩余使用寿命的概率密度函数。结果表明，考虑单体退化容量相关性的电池组寿命预测结果比独立退化过程更准确。　　（4）退役电池的健康状态和梯次寿命是梯次利用的重要指标。传统充放电测试方法会减少电池的剩余容量，造成资源浪费。针对退役电池无损检测需求，提出一种基于条件生成对抗网络的电池健康状态估计及梯次寿命预测方法。建立分数阶阻抗谱模型，表征退役电池模组的动力学特征。为避免结果陷入局部最优采用模拟退火-高斯牛顿法对模型进行参数辨识。针对退役电池小样本数据集特点，采用条件生成对抗网络增强预测模型的训练数据集，并用门控循环单元神经网络实现退役电池的健康状态估计和梯次寿命预测。这种数据生成的思想，节约了电池测试成本，丰富了训练数据，提高了预测精度。　　综上所述，本文以锂离子电池全生命周期应用顺序展开，面对电池在车载阶段和退役阶段状态检测和寿命预测的不同挑战，在单体电池在线寿命预测、电池非马尔可夫退化过程寿命预测、电池组不一致性能及寿命预测、退役电池健康状态估计及梯次寿命预测方面均取得了突破，在理论和实践层面提高了算法精度，本文的研究成果对提高动力电池利用价值，保障电池在全生命周期安全可靠运行具有指导意义。
作者：	李欣
专业：	控制科学与工程
导师：	马彦
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2022