锂离子电池健康状态评估与剩余寿命预测研究

作     者：朱梦雨 

作者单位：河南工业大学 

学位级别：硕士

导师姓名：陈富安;张长江

授予年度：2023年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：锂电池 健康状态 剩余使用寿命 极限学习机 长短期记忆神经网络 

摘      要：锂离子电池因其自身的优越性能,目前被广泛应用在电动汽车的动力系统,但其安全性始终是电动汽车的核心问题之一,历来被大众关心。及时有效地监控到锂离子电池的健康状态(State of Health,SOH)对于电车的安全行驶极为重要,同时锂离子电池剩余使用寿命(Remaining Useful Life,RUL)预测能够给驾驶者提供提前研判,有效制定电池更换策略。本文基于这两个方面,以锂离子电池老化为研究对象,以数据驱动的思想为引,对电池的SOH评估和RUL预测,文章所做主要工作和创新点如下:(1)从锂离子电池特性及老化机理出发,对其容量衰退过程中的内外影响因素进行分析研究,绘制电池充放电循环过程中的温度、电流和电压的特征曲线,提取以到达峰值温度充电时间、平均放电温度、等电流降充电时间、等电压升充电时间和平均放电电压五组特征参数,然后通过Pearson相关性分析选取相关系数大于0.8的参数,作为能侧面表征电池容量衰减的健康因子,用于电池的SOH及时评估。(2)提出一种基于粒子群算法优化极限学习机(Extreme Learning Machine,ELM)的SOH评估方法。ELM需要调节的参数少,计算简便且训练速度快,但由于随机生成的输入权值和隐藏层偏置,影响了ELM的预测性能。研究针对ELM自身的不足及ELM用于电池SOH预测输出不稳定的问题,引入粒子群优化(Particle Swarm Optimization,PSO)算法对ELM模型参数进行优化,利用主成分分析法(Principal Component Analysis,PCA)消除输入模型的健康因子之间的冗余性,选择第1主成分作为模型输入信息,最终建立基于PSO算法优化ELM的评估模型。实验表明,所提方法评估误差均在3%以内,具有较高的准确度。(3)提出一种基于不确定分析的RUL预测方法。RUL的预测实质上是容量的衰退预测,为有效应对电池退化过程中容量局部再生的波动现象,使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法,将获取的容量序列进行分解,获得几个本征模态函数(Intrinsic Mode Function,IMF)和一个残差序列,然后使用长短期记忆(Long Short-Term Memory,LSTM)神经网络子模型估计具有电池容量衰退趋势的残差分量;利用高斯过程回归(Gaussian Process Regression,GPR)子模型来拟合容量局部再生导致的的高频IMF分量。该做法可以同时获取容量的长期依赖性和容量再生引起的不确定性量化。经实验表明,所提方法不仅拥有较高的预测精度,而且能够提供RUL预测的不确定性表达,解决以往RUL预测只有容量点估计的片面性,具有良好的工程应用意义。