基于智能粒子滤波的锂电池全周期剩余使用寿命预测

作     者：侯棕祥 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：郑英

授予年度：2023年

学科分类：0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：锂电池 全周期 剩余使用寿命预测 粒子滤波 遗传算法 容量再生 先验知识 

摘      要：锂电池被广泛应用于各种电子系统中,在保证整个系统的高效、稳定、安全运行方面有着重要的作用。锂电池的性能会逐渐退化,其退化过程分为早期和中后期两个阶段,在这两个阶段中又存在平稳和非平稳时期。不同阶段不同时期的退化趋势不同。因此,对锂电池进行全周期的剩余使用寿命(Remaining Useful Life,RUL)预测,并根据预测结果采取相应的维护策略,具有重要的研究意义。粒子滤波(Particle Filter,PF)是一种基于贝叶斯框架的滤波算法,在锂电池RUL预测中得到了广泛的应用。针对目前锂电池全周期RUL预测中存在的一些问题,本文基于智能PF方法从以下三个方面展开研究:(1)针对中后期平稳阶段的RUL预测精度不高的问题,提出了一种遗传算法(Genetic Algorithm,GA)优化的PF算法。通过构造特定的选择算子、交叉算子、变异算子,来扩大PF的粒子集搜索空间,增加粒子集的多样性,缓解粒子贫化。同时,对粒子集的分布进行优化,使优化后的粒子集转移到最大似然区域,缓解粒子退化。在数值仿真上进行状态估计实验,所提方法的RMSE相比于PF降低了32.9%。在NASA数据集上进行RUL预测实验,所提方法预测的绝对误差相比于PF最大降低了6个循环。(2)针对中后期非平稳阶段的容量再生现象带来的退化曲线波动,致使RUL预测不准的问题,提出了一种双重粒子滤波(Dual Particle Filter,DPF)算法。首先,基于容量值的一阶前向差分结果进行实时的容量再生检测。之后,基于距离度量在训练集中提取模型参数作为测试集的初始参数。再通过第一重PF提取训练集平稳时期的噪声分布,将其用于测试集的状态空间模型建模。最后,通过第二重PF限制粒子集在非平稳时期的搜索空间,并对未来退化趋势进行预测。NASA数据集上的实验结果表明,所提方法的预测误差基本都小于5个循环。(3)针对早期阶段可用的退化数据少,导致长期RUL预测效果较差的问题,提出了一种融入先验知识的PF算法。首先,结合二维卷积神经网络和长短期记忆网络进行初步的预测。然后,根据预测结果在训练集中挑选相似电池作为参考电池,提取其模型参数作为先验知识。再通过PF实时调整模型参数并进一步预测RUL。最后,将调整后的模型作为高斯过程回归(Gaussian Process Regression,GPR)的均值函数,并使用GPR进行长期RUL预测。以斯坦福大学的锂电池数据集为实验对象,在仅使用20%左右退化数据的情况下,所提方法预测的相对精度大于90%。