原文传递
基于机器学习的锂离子电池寿命预测与健康管理方法研究
| 论文题名： | 基于机器学习的锂离子电池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;寿命预测;健康管理;神经网络;机器学习 |
| 摘要： | 电动汽车在能源与环境的危机下得到了快速发展，其关键部件动力电池的安全问题引起了越来越多的关注。因此，为了保障电动汽车电池使用的安全性，对于电池管理系统中的电池寿命预测与健康管理PHM技术进行研究是十分必要的。 首先，针对于评价电池健康状态SOH及寿命的因素容量难以直接测量的问题，通过对于充放电过程中易测量参数变化的分析，提取如等充电时间间隔的电压增量，恒流充电时间差等反映电池老化过程的全寿命周期健康因子HIs与早期健康因子HIs。利用Pearson相关系数定量分析HIs相关性以确保其可应用于后续研究。 其次，提出了一种融合多源健康因子与改进LSTM神经网络的电池SOH估计方法。考虑到多维健康因子输入对网络模型计算复杂的影响，利用近邻成分分析NCA方法对多维健康因子特征中存在的特征冗余进行了消除。针对LSTM的超参数寻优及潜在的局部最优问题，提出一种差分灰狼优化算法DEGWO用于超参数全局寻优，提升了SOH估计精度，其准确性在多组工况仿真下得到验证。 然后，针对电池老化数据种类繁多、工况复杂带来的数据不一致而导致的基于历史数据训练的模型不适用于新场景数据的问题，提出了一种基于迁移学习与混合深度学习的电池健康管理框架，主要针对于不同领域电池数据的共性特征，结合联合分布适配JDA学习得到新的源域数据用于混合深度学习模型训练，之后基于目标域数据对电池SOH进行在线估计。采用基于深度置信网络DBN方法，挖掘电池健康因子中的深层次老化信息，进而建立基于LSTM神经网络方法的电池退化模型。仿真验证了本文所提出的考虑知识迁移的电池健康管理方法的可行性与有效性。 最后，针对获取完整的电池老化数据耗时长，成本高的问题，提出了面向电池寿命早期预测的集成学习框架。基于早期的电池退化数据，同时考虑到多维原始HIs中存在的冗余信息以及低相关信息对预测精度的影响，快速搜索聚类CFS算法在本文中被用于筛选原始特征中的中心候选特征，并消除了冗余信息。针对单一学习器在长期预测中存在的预测精度低，鲁棒性差的问题，采用集成学习的预测方法，提升了电池寿命长期预测精度。仿真验证了本文提出的特征选择与集成学习框架的有效性，提升了电池早期寿命预测的精度。 |
| 作者： | 单策 |
| 专业： | 控制科学与工程 |
| 导师： | 马彦 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
