详情

原文传递基于神经网络方法的锂离子动力电池健康状态估计研究

论文题名：	基于神经网络方法的锂离子动力电池健康状态估计研究
关键词：	电动汽车;锂离子动力电池;健康状态估计;长短期记忆神经网络;双向门控循环单元;注意力机制;经验模态分解;黏菌算法
摘要：	为了减缓传统化石能源的大量消耗，减轻燃油汽车尾气排放的污染，国家大力推进新能源汽车产业。动力电池作为电动汽车的主要动力源，其稳定可靠运行对保障使用者的生命财产安全至关重要。电池管理系统负责监控动力电池的各项运行指标，其中健康状态(State of Health, SOH)估计是其核心功能之一。准确估计SOH可以提高动力电池利用效率和续航能力、延长使用寿命，帮助使用者在系统安全和经济效益之间取得最佳平衡。不仅如此，准确估计SOH还有助于系统更好地做出能量管理决策。锂离子电池具有高能量密度、较低自放电率和较长使用寿命等优势，已成为主流的车载动力电池。人工智能时代，神经网络方法为SOH估计问题提供了一种新的解决思路，无需分析电池内部复杂的老化机理，仅通过学习历史老化数据就可以完成在线SOH估计。本文以课题组在实验室收集的镍钴锰三元锂离子电池数据、NASA和CALCE公开电池数据作为研究对象，提出了两种基于神经网络模型的锂离子电池SOH估计方法。主要研究工作如下：　　(1)以三元锂离子动力电池作为研究及试验对象，介绍了其内部结构、工作原理以及老化成因，然后设计并搭建电池老化试验平台，通过对全新锂离子动力电池以恒定的充放电倍率进行循环充放电试验，获取电池老化数据，为第四章SOH预测方法的实现提供数据支撑。　　(2) 针对传统的神经网络方法在预测后期出现的预测值上飘以及预测不准确的问题，提出了一种基于长短期记忆(Long Short-Term Memory, LSTM) 神经网络融合注意力机制(Attention Mechanism, AM) 的锂离子电池SOH预测方法。首先，通过滑动均值滤波对锂离子电池容量数据进行降噪预处理；然后，依据不同数据集和不同放电倍率的电池容量数据，通过AM赋予LSTM隐藏层不同的权重以增强重要信息的作用，从而完成SOH预测；最后，该模型可迁移到全新锂离子电池数据上进行全寿命周期测试并与目前流行的神经网络预测方法比较。实验结果表明，基于AM-LSTM的SOH预测方法具有全寿命周期预测准确、网络结构简单及模型鲁棒性高等特点，有望应用于电动汽车的实际运行中。　　(3) 针对人工调整神经网络超参数效率低以及直接预测SOH准确性差等问题,提出了一种基于经验模态分解( Empirical Mode Decomposition, EMD) 融合黏菌算法( Slime Mould Algorithm, SMA)优化双向门控循环单元( Bidirectional Gated Recurrent Unit,BiGRU)神经网络的锂离子电池SOH预测方法。首先，采用EMD将电池SOH序列分解为多个固有模式函数和一个最终的余项。然后，通过SMA搜索BiGRU神经网络模型的最优超参数组合。最后，构造组合模型预测锂离子电池的SOH。根据实验结果，该组合模型表现出了较强的鲁棒性和通用性，在马里兰大学先进寿命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)的钴酸锂电池数据集和课题组自有的三元锂离子电池数据集上均表现出了良好的预测性能，这表明该模型具有很大的实用价值。　　综上所述，本文针对锂离子动力电池的SOH估计问题，提出了两种基于神经网络模型的SOH估计方法，为保障锂离子电池在电动汽车及储能领域等应用中的安全稳定运行奠定了坚实的基础。
作者：	张晓东
专业：	新一代电子信息技术
导师：	孙静
授予学位：	硕士
授予学位单位：	山东工商学院
学位年度：	2023