详情

原文传递基于数据驱动的退役电池综合分选及剩余寿命预测方法研究

论文题名：	基于数据驱动的退役电池综合分选及剩余寿命预测方法研究
关键词：	退役电池;新能源汽车;数据驱动;综合分选;剩余寿命预测
摘要：	新能源汽车产业的快速发展，带动了动力电池装机量的快速增长。然而电池寿命有限，性能每用必衰，早期装载在电动汽车上的电池因无法满足使用要求而被退役下来,未来退役电池规模将会持续增加。退役电池“退而不休”实现余能最大化利用的梯次利用回收模式是应对大规模电池“退役潮”，推动新能源产业绿色可持续发展的有力解决办法，已成为各方关注的焦点。然而当前针对退役电池梯次利用的相关研究仍处于起步阶段，关键技术的发展尚不成熟，存在两大关键问题亟需解决。一是退役电池来自不同的使用场景，彼此之间各项性能参数的不一致性问题极为突出，需要经一致性分选后才能进行梯次利用，而当前分选方法的分选特征单一、分选效果差，难以保障电池间的综合一致性，影响梯次利用的使用性能;二是退役电池在梯次利用过程中老化问题尚存,性能仍会不断衰减，而当前剩余寿命预测方法的预测精度低、适用性差，难以准确监测电池状态并实现失效电池的及时更换，影响梯次利用的使用安全。　　为解决上述问题，提高退役电池在梯次利用过程中的一致性和安全性，本文基于数据驱动思想，围绕退役电池的综合分选方法和剩余寿命预测方法开展研究，主要研究工作如下: 　　首先，从锂离子电池的工作原理和主要性能参数入手，分析并总结了电池不一致性的成因、表现形式及改善措施，同时以电池主要组成部分的老化为切入点，对电池的老化机理及特性进行分析，为后续研究奠定基础。　　其次，针对退役电池分选特征单一、分选效果差的问题，以放电容量和电压平台作为分选特征，基于核模糊C均值算法设计了一种退役电池综合分选方法。利用公开的电池数据集构建用于实验的退役电池测试数据集，验证方法的可行性和有效性，并采用聚类评价指标对分选结果进行量化分析，进而确定退役电池样本集的最佳分类数。　　然后，为进一步提高分选精度，保障退役电池分选后的综合一致性，提出一种结合静态和动态特征的两阶段综合分选方法。两个分选阶段互相联系，互为补充，第一阶段的静态分选不仅可以筛出异常电池提高分选精度，同时还能得到样本集中电池可能存在的类数,指导第二阶段的分选以提高分选效率;第二阶段的动态分选是静态分选的补充,通过静态分选和动态分选的结合能进一步保证分选得到电池的综合一致性。在退役电池测试数据集中进行对比实验，结果表明两阶段综合分选得到的退役电池有着良好综合一致性，分选结果的聚类评价指标均优于相关对比方法。　　最后，为改善电池剩余寿命预测精度低、适用性差的问题，确保失效电池的及时更换，提高梯次利用的安全性，提出一种基于改进灰狼优化核极限学习机的电池剩余寿命预测方法。从电池电压曲线中提取的表征电池老化状态的间接健康因子作为预测输入,利用改进的灰狼优化算法对核极限学习机的关键参数进行优化，建立电池剩余寿命预测模型。在不同电池、不同预测起点下验证模型的预测性能。以NASA的三组电池数据为例，所提方法预测结果的平均绝对误差和平均绝对百分比误差分别小于0.015和1％。同其他预测方法的对比结果表明，所提方法还具有较好的适用性和稳定性。
作者：	尹浩杰
专业：	控制科学与工程
导师：	李岩
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2023