基于深度学习的电动汽车锂电池SOH估计与RUL预测方法研究

作     者：朱振宇 

作者单位：青岛科技大学 

学位级别：硕士

导师姓名：高德欣

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电动汽车锂电池 深度学习 健康状态 剩余使用寿命 联合预测 

摘      要：随着电动汽车保有量的持续攀升,电动汽车锂电池也得到了大规模应用。电动汽车锂电池在其整个生命周期内的稳定使用至关重要,需要可靠、准确的健康状态(State of Health,SOH)估计和剩余使用寿命(Remaining Useful Life,RUL)预测方法来确保电动汽车锂电池的安全运行。因此,开展对电动汽车锂电池SOH估计和RUL预测方法的研究具有重要意义。本文为了进一步提高电动汽车锂电池健康状态和剩余使用寿命的预测精度和有效性,采用深度学习方法,将卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Network,RNN)应用于锂电池SOH估计和RUL预测,并对模型进行了一系列的改进和优化。主要内容如下:1、分析电动汽车锂电池工作原理和寿命衰减过程,对电动汽车锂电池循环数据进行处理和研究,进一步阐述了提取电动汽车锂电池健康因子的过程,并依托马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)电池数据集实现锂电池健康因子提取。通过Pearson相关系数和Spearman相关系数对健康因子进行筛选,从而明确了电动汽车锂电池SOH估计的输入参数,并对应用于锂电池SOH估计的数据集处理过程进行了说明,继而构造了数据集。2、针对电动汽车锂电池SOH估计和RUL预测的各自特点,利用门控循环单元(Gated Recurrent Unit,GRU),创建了不同结构的CNN-GRU深度学习模型。围绕马里兰大学CALCE锂电池实验数据展开实验,研究结果表明CNN-GRU深度学习模型能够较好的实现电动汽车锂电池SOH估计和RUL预测,从而验证了方法的有效性,并通过对比实验进一步说明了模型具有更高的准确率。3、基于锂电池SOH估计和RUL预测间的关联性特点,提出了基于混合模型的电动汽车锂电池SOH与RUL联合预测方法,通过构建CNN-Bi GRU混合模型,利用联合预测方法实现锂电池状态预测,并设置了对比实验。实验结果表明,联合预测方法可以提供电动汽车锂电池状态更全面和有用的信息,提高了电动汽车锂电池SOH估计和RUL预测的准确性,有助于延长电池寿命,优化电动汽车锂电池管理,保障电动汽车的安全运行。