基于特征赋能的锂离子电池健康状态估计方法研究

作     者：闻勣枢 

作者单位：郑州轻工业大学 

学位级别：硕士

导师姓名：姚雷

授予年度：2024年

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

主      题：锂离子电池 健康状态 特征工程 机器学习 时序回归模型 

摘      要：为了实现绿色可持续发展,并应对环境问题和能源危机的挑战,交通工具的电气化已成为关键环节。锂离子动力电池作为核心储能单元,其健康状态评估对电动汽车的安全运行至关重要。因此本文主要针对健康状态估计过程中特征工程以及模型综合评估两个技术难题,重点研究基于特征赋能的锂离子电池健康状态估计方法,从根源确定可靠稳定的特征区间,为车辆的高效安全运行提供技术保障。本文主要工作内容具体如下: (1)本文首先从实验测试法和模型分析法等方面综述了动力电池健康状态估计的研究现状,阐明当前研究进展与痛难点;进而从电池老化机理分析的角度出发,深入探讨了电池老化过程中的宏观和微观影响因素的耦合机理;通过实验测试验证了多因素在锂离子电池循环使用过程中对其参数特性变化的影响,为后续研究奠定了坚实的理论基础。 (2)本文结合多类公开数据集,利用重采样和离群度等方法剔除异常值,实现数据的清洗和高保真,确保了数据质量和维度的统一;基于放电过程中容量衰退的老化特性曲线的变化规律,采用离散小波变换和局部加权回归等方法,去除数据中的噪声干扰,以实现高质量数据的供给。 (3)基于容量增量分析、差分电压分析、容量电压差分和容量增量微分等机理特性数据的变化趋势,本文通过对放电阶段电压数据的重构,联立提取出赋能特征曲线的老化状态表征量组,并采用皮尔逊相关系数和灰色关联分析进行交互验证,实现了区间特征提取,建立了一个稳定的完整特征空间库,为后续模型的特征选择提供了理论依据。 (4)在电池寿命周期内预测和全生命周期验证的过程中,本文对比了经典机器学习方法和时序回归模型的多种算法表现。结果显示,在多种算法模型的综合评估下,所构建的特征空间均表现出优异的预测效果,证明了该特征空间具备强鲁棒性和高准确性;为了进一步优化特征集,采用最大相关最小冗余算法对特征的贡献度进行了分析,并在引入高斯噪声的基础上,验证了该方法具备特征冗余的高效剔除和模型结果预测高精确度等特征,为电池健康状态的准确估计提供了强有力的支持。