锂离子电池健康状态评估及剩余寿命预测方法研究
随着锂离子电池产业及电池应用行业的不断扩大,尤其在新能源电动汽车、无人机、电子产品等领域应用的快速增长。由锂离子电池引起的安全问题频出,使得对锂离子电池性能、寿命和安全性要求更加严格,对锂离子电池的健康状态(State of Health,SOH)估计和剩余寿命(Remaining Useful Life,RUL)预测研究显得尤为重要。本论文通过对锂离子电池的健康状态和失效机理进行分析,对电池管理系统(Battery Management System,BMS)中SOH估计和RUL预测两大核心算法进行研究,具体研究内容如下:首先,通过对锂离子电池基本结构和充放电原理的研究,了解锂离子电池的失效表现,以及引起锂离子电池失效的内部因素、外部因素。对锂离子电池充放电状态参数与健康状态之间的关系进行分析,选择放电电压、放电电流、温度和欧姆内阻作为健康因子,为后面对锂离子电池的SOH估计做准备。其次,以容量作为锂离子电池的健康状态评估指标,基于选取的健康因子,提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的锂离子电池SOH估计方法。针对LSSVM参数选取的随机性问题,采用量子粒子群算法(Quantum-behaved Particle Swarm Optimization,QPSO)去优化LSSVM模型的惩罚参数和核参数,QPSO是对粒子群算法(Particle Swarm optimization,PSO)的改进与优化,收敛速度较PSO有较大的提升,建立基于QPSO优化LSSVM的锂离子电池SOH估计模型。通过NASA的锂离子电池实验数据对该模型进行验证,并与PSO优化LSSVM模型的预测结果及相关性能指标进行对比分析。仿真实验表明,QPSO优化LSSVM的SOH模型预测精度有较大的提升。最后,以锂离子电池容量退化模型为基础,提出基于BP神经网络的锂离子电池RUL预测方法。针对BP神经网络容易陷入局部极值、学习速率较慢、初始权值和阈值是随机产生等问题,运用差分进化(Differential Evolution Algorithm,DE)算法优化BP神经网络,获取最优的BP神经网络连接的初始权值和阈值,建立基于DE-BP神经网络的锂离子电池RUL预测模型。通过NASA的锂离子电池实验数据对该模型进行验证,并与优化前的BP神经网络模型的预测结果进行对比分析。仿真实验表明,经过DE优化的BP神经网络RUL预测模型,数据处理的速度和预测精度都得到了明显的提高。
[关键词]：
锂离子电池;SOH估计;RUL预测;最小二乘支持向量机;量子粒子群算法;差分进化算法
[文献类型]： 硕士论文
[文献出处]：
广西科技大学2020年
相关知识
锂离子电池健康状态评估及剩余寿命预测方法
锂离子电池荷电状态估计及寿命预测方法研究
锂离子电池健康评估和寿命预测综述
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
基于机器学习的锂离子电池健康状态与剩余寿命预测
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
锂离子电池寿命测试与健康状态估计
基于新健康因子的锂电池健康状态估计和剩余寿命预测
锂离子电池安全状态评估研究进展
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
网址: 锂离子电池健康状态评估及剩余寿命预测方法研究 https://m.trfsz.com/newsview1388267.html
