锂离子电池寿命预测的方法研究

作     者：王梦鹤 

作者单位：郑州大学 

学位级别：硕士

导师姓名：宋士仓

授予年度：2022年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：锂离子电池寿命 BP神经网络 随机森林回归 LSTM模型 

摘      要：锂离子电池凭借着其循环寿命长、容量大、环保等优点被广泛应用于汽车、航空航天等诸多领域。在锂离子电池的多次循环充放电使用过程中,电池内部会伴随着发生一系列不可逆的电化学反应,致使老化,主要表现为电池容量衰退、寿命衰减。因此有必要研究电池的退化机理和寿命预测方法,一方面使得我们及时更换将要失效的电池,以免给电池应用设备带来故障,甚至造成不可估量的损失。另一方面,对锂电池寿命进行预测,可以反向优化用户的使用行为,延长电池的使用寿命,促进锂电池行业向低碳环保的方向发展。锂离子电池寿命的预测方法有基于模型驱动和基于数据驱动两种,基于模型驱动的方法一般只考虑电池内部特征的趋势状况,泛化能力有限。本文则从数据驱动的方法出发,使用机器学习相关模型对锂电池寿命进行预测,主要开展了以下两点工作:第一部分,通过对美国NASA Ames Prognostics Center of Excellence(PCo E)实验室数据库中的锂离子电池的充放电电压、温度、电流等特征进行趋势分析,提取了11个与容量衰退、寿命衰减的相关特征,并且利用皮尔森相关系数这一统计指标分析提取特征与容量的相关程度,并借此统计指标评估提取特征的合理性。第二部分,基于集成学习方法与深度学习方法,对锂离子电池容量进行建模预测,借此确定电池寿命的终止周期,其中集成学习方面主要选取了随机森林回归与XGBoost这两个方法,并将两者进行比较,从预测结果得到随机森林回归比XGBoost的稳定性较高,拟合效果较好;深度学习方面主要选取了传统的BP神经网络和融合循环Dropout与L2正则项的LSTM模型,在LSTM结构中加入循环Dropout,它作用于LSTM的循环连接结构,并在输入链接中设定L2正则项进行约束,在一定程度上能够防止模型过拟合,使得模型更具有包容性。最终,利用两组电池数据集,对两个深度学习模型与集成学习中表现较好的随机森林回归模型进行训练,之后使用两组新数据集对模型进行验证,模型验证结果表明融合循环Dropout与L2正则项的LSTM的模型效果更好,能够相对精确的预测锂离子电池的寿命。