基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测
基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测
近年来,随着人们对清洁能源的广泛关注,电动汽车得到了飞速发展,锂离子电池因其能量密度高、使用寿命长等优点被广泛应用在电动汽车上。因此,能够确定锂离子电池的老化状态的健康状态(State of Health,SOH)以及电池是否达到需要更换的寿命终止值的剩余使用寿命(Remaining Useful Life,RUL)的评估变的极为重要。目前主要采用数据驱动的方法对电池进行SOH估计和RUL预测,而现有的基于数据驱动的神经网络模型存在可解释性差以及在实际应用场景中获取的电池数据多为随机片段数据的问题,本文针对这些问题提出了锂离子电池SOH估计和RUL预测的共性方法,分别从单一电池数据和不同电池间数据进行了分析。主要研究工作如下:(1)提取锂离子电池间接健康因子。对电池充电曲线中的电压、电流和温度曲线进行分析,从中提取6个可能表征电池老化趋势的间接健康因子,运用Spearman和最大互信息系数相关性分析法对选取的健康因子进行了相关性分析,筛选出3个具有强相关性的电池健康因子,通过长短时记忆网络验证了其作为组合输入的合理性,为后文的电池SOH估计和RUL预测的模型选择了合适的输入。(2)提出了电池SOH估计和RUL预测的可解释性模型。首先,引入双重注意力机制,提出一种基于双重注意力机制的编解码模型的可解释性电池SOH估计和RUL预测方法,本文引入的双重注意力机制从特征和时序两方面分析输入因子的关联程度,通过动态分配权重突出贡献度高的特征,针对不同比例的训练数据的情况,实现了模型精度的提升。同时本文通过可视化权重在一定程度上实现了模型的可解释性。最后,分别在NASA电池数据集和CALCE电池数据集的上进行对比实验,验证了本文所提模型对小样本数据的适用性。(3)提出了基于随机充电片段数据进行电池SOH估计和RUL预测方法。首先提出了一种特征重构方法,通过将充电数据划分为任意等电压间隔片段来重新划分随机充电片段数据,并从中提取并构建适用于随机充电数据进行估计的健康特征。此外,针对多电池估计数据量过大引起的模型训练时间长和复杂度高,导致模型不适用于实际应用的问题,在前文模型的基础上引入了堆叠自编码器结构,提升了模型对噪声鲁棒性。同时引入了贝叶斯参数优化方法,解决了人工调参模型不适用于所有的随机输入数据的问题,实现了模型的在线估计。
硕士论文
相关知识
基于新健康因子的锂电池健康状态估计和剩余寿命预测
锂离子电池寿命测试与健康状态估计
锂离子电池荷电状态估计及寿命预测方法研究
多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法.pdf
锂离子电池健康状态估计简介：基于Python的数据处理计算SOH, RUL, CCCT, CVCT
动态工况下锂离子动力电池荷电状态估计和健康状态预测
基于电化学模型的锂离子电池健康状态估算
锂离子电池健康状态估计方法
电池寿命预测与健康评估.pptx
锂电池健康状态如何影响电池寿命
网址: 基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测 https://m.trfsz.com/newsview1388229.html
