基于深度学习的锂电池剩余寿命预测
锂离子电池在获得广泛应用的同时其安全性也不得忽视,由于循环充放电过程引起的电池老化可能会带来安全隐患,因此对锂电池健康状态(SOH)和剩余寿命(RUL)进行准确的预测就十分重要了。本文针对公开的NASA锂离子电池数据集进行了研究,提出多尺度的健康因子选择策略和深度学习方法,对锂电池的健康状态和剩余寿命预测问题展开研究,主要内容如下:首先,对国内外相关文献进行研究,对研究方法和健康因子选择方法进行了总结,并提出一种基于放电特征的多尺度健康因子选择策略。根据锂电池等效电路模型公式经拉普拉斯变换成的时域表达式,结合实际的端电压放电曲线辨识出了电池内阻、极化内阻和极化电容的参数值,并将其作为健康因子。在分析了等压降放电时间序列与压降区间选取之间的关系后,为了选出最佳的等压降放电时间作为健康因子,利用皮尔逊相关度函数值作为适应度的精英遗传算法选出与电池实际容量相关度最高的等压降放电时间序列作为健康因子。其次,为了拟合出健康因子与电池实际容量间的时间序列关系和容量再生现象,使用长短时记忆神经网络(LSTM)在pytorch平台上建立SOH预测模型。为了进一步提升预测精度,使用PSO算法配置神经网络超参数改进LSTM网络,让PSO-LSTM神经网络学习健康因子与实际容量之间的非线性关系,建立基于数据驱动的SOH预测模型,通过对比不同的健康因子选择策略和神经网络对预测结果的影响,验证提出的健康因子选择策略和LSTM作为预测模型的优越性,为接下来的锂电池RUL预测做准备。然后,基于深度学习建立预测健康因子变化趋势的锂电池退化模型,通过历史数据的健康因子变化趋势估计未来的健康因子,并将预测得到的健康因子序列输入到SOH预测模型中,最终预测出电池寿命终止时刻(EOL)和RUL。最后,在上述RUL预测方法的基础上,为了避开获取困难的等压降放电时间作为健康因子,通过MATLAB的Simulink与Simscape模块建立锂电池等效电路模型,利用辨识出的电阻电容等参数经最小二乘法粗估出开路电压与电池SOC的函数关系,再以开路电压和已辨识出的电池内阻联合估算等压降放电量作为替代的健康因子,大大提升了RUL预测算法的实用性。
[关键词]：
锂电池健康状态;等效电路模型;LSTM神经网络;粒子群算法;锂电池剩余寿命
[文献类型]： 硕士论文
[文献出处]：
哈尔滨理工大学2023年
[格式]：PDF原版; EPUB自适应版(需下载客户端)
相关知识
基于机器学习的锂离子电池健康状态与剩余寿命预测
锂离子电池健康状态评估及剩余寿命预测方法
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
基于新健康因子的锂电池健康状态估计和剩余寿命预测
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
河北工业大学科研人员提出锂离子电池寿命预测的新方法
锂离子电池健康评估和寿命预测综述
锂离子电池荷电状态估计及寿命预测方法研究
电池寿命预测与健康评估.pptx
一种基于深度学习的锂电池健康状态评估方法
网址: 基于深度学习的锂电池剩余寿命预测 https://m.trfsz.com/newsview1388268.html
