锂电池健康状态估计与剩余寿命预测方法研究

作     者：陈成特 

作者单位：浙江理工大学 

学位级别：硕士

导师姓名：潘海鹏

授予年度：2022年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：锂电池 改进粒子滤波 容量再生现象 随机波动现象 剩余寿命预测 

摘      要：锂电池（Lithium-ion batteries,LIBs）由于高能量比、高循环寿命、无记忆效应等特点,广泛应用在船舶、汽车、航空航天等领域。然而,当锂电池长期使用后性能会下降,影响整个电源系统的稳定性,甚至造成安全事故。因此,锂电池的剩余寿命（Remaining life,RL）预测是保障锂电池安全应用的关键技术之一。锂电池的退化机制复杂,在退化过程中,锂电池会发生容量再生现象与随机波动现象,进而影响锂电池剩余寿命预测的精度。本文针对上述现象,研究了锂电池多阶段退化模型,提出了基于数据驱动融合的锂电池剩余寿命预测方法,提高了锂电池健康状态与剩余寿命预测精度,主要研究内容如下:（1）建立了一种新型的锂电池退化模型。首先,将锂电池的退化过程分为正常退化阶段和容量再生阶段。将锂电池的休息时间作为分割阶段的指标,建立了一种多阶段的预测模型;将遗传算法与标准粒子滤波相结合,增加了粒子的多样性,提高了预测精度。最后,结合多阶段预测模型与改进的粒子滤波算法估计了锂电池的健康状态。该方法在NASA锂电池数据集上进行了实验,均方根误差不超过0.006,表明该方法能够准确估计锂电池的健康状态。（2）提出了一种基于数据驱动融合的锂电池剩余寿命预测方法。首先,将锂电池健康状态退化曲线分为正常退化趋势部分、容量再生部分与随机波动部分;然后,将锂电池容量退化曲线进行经验模态分解,得到锂电池历史长期退化趋势部分;接着,利用长短期记忆神经网络在锂电池历史长期退化趋势数据的基础上预测未来正常退化趋势部分;此外,将锂电池健康状态（SOH）、初始电量状态（SOC）与休息时间作为高斯过程回归的输入量,预测锂电池容量再生部分;之后,生成服从Stable分布的随机数作为锂电池随机波动部分;最后,采用蒙特卡洛模拟方法预测得到锂电池剩余寿命的概率密度分布。该方法在马里兰大学锂电池数据集上进行了大量的实验,绝对预测误差不超过10个周期,均方根误差不超过0.006,有效预测锂电池的局部波动,提高了锂电池寿命预测的准确性。以上研究考虑锂电池局部波动的影响,估计锂电池的健康状态,预测锂电池的剩余寿命,对锂电池故障进行了预警,提高了锂电池储能系统的可靠性。