原文传递
基于融合方法的锂离子电池健康状态和剩余寿命估测
| 论文题名： | 基于融合方法的锂离子电池健康状态和剩余寿命估测 |
| 关键词： | 锂离子电池;电动汽车;电池健康状态;剩余可用寿命;融合模型;数据驱动 |
| 摘要： | 锂离子电池是电动汽车动力来源的主流选择。动力电池的状态参数估算是汽车能量管理系统的关键。其中，电池的健康状态（StateofHealth，SOH）和电池的剩余寿命（RemainingUsefulLife,RUL）是标识电池老化和性能退化的重要指标，也是估算SOC（StateofCharge）、SOP（StateofPower）等参数的重要基础。因此，探索SOH和RUL的在线准确估算和预测，可以保证电动汽车安全、可靠与高效率行驶；同时对实现动力电池的在线维护，延长其使用寿命，有着重要的意义。本文主要从以下三方面开展了研究工作： （1）分析电池工作原理和退化机理对电池寿命衰退的影响。选用NASA数据库和牛津大学数据库提供的电池充放电循环测试数据，研究不同类型的电池健康状态特征向量的表征方法。考虑到直接表征SOH的容量和内阻等健康因子是实际工况下难以在线获取，特别是复杂多变的放电工况。故本文选择充电电压压升均值和电池充电温度峰值时间作为间接因子，研究电池寿命退化特性，并分别用皮尔逊和斯皮尔曼法分析健康因子与电池容量之间的相关性。 （2）考虑到电池系统的复杂性、非线性和非高斯系统特性，以及针对单一方法预测准确性较差的问题，提出一种融合经验退化模型和滤波模型算法的方法对电池RUL进行预测。选择参数较少且拟合精度比较高的指数经验退化模型拟合容量退化，实验验证表明，此融合模型可以有效预测RUL。 （3）提出一种基于数据驱动的融合多个健康因子的优化GS-SVR模型进行SOH估算。基于前面分析的充电电压压升均值和电池充电温度峰值两个间接健康因子共同作为支持向量回归机模型的输入。对比分析SVR模型和优化GS-SVR模型的SOH估算结果。结果表明本文所选的充电过程中的小样本数据能够有效估算电池SOH，通过交叉验证的网格搜索的优化方法SVR模型获得核函数的参数全局最优解，使回归模型拟合效果达到最佳状态。 本文通过多模型融合的方法构建RUL的预测模型；利用数据驱动方法结合多健康因子融合方法进行电池SOH估算模型搭建。选择小样本数据进行模型验证，在保证估算和预测精度可观的同时能够有效解决实际工程中BMS（BatteryManagementSystem）离线估算和高运算量算法的局限性问题。 |
| 作者： | 张玉梅 |
| 专业： | 车辆工程 |
| 导师： | 李玉芳 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
