面向车载场景的多时间尺度锂离子电池健康状态估计

作     者：李思琪 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：刘兴华;田佳强;张志华

授予年度：2024年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：动力电池 健康状态估计 电动汽车 电池管理系统 

摘      要：锂离子电池的健康状态(State of Health,SOH)监测对电池系统的安全可靠运行起着至关重要的作用。由于环境、出厂条件等诸多因素的影响,对电池健康状态的准确估计和预测构成了挑战。针对电动汽车锂离子电池全生命周期健康行为表达问题,本工作开展了基于多时间尺度的锂离子电池健康评估方法研究。首先,分析了电池老化机理,总结了现有的电池健康状态估计方法。然后,在秒级、小时级、月级,三种时间尺度下对电池SOH进行了估计。最后,对所提出的三种电池健康状态估计方法进行了总结,并对未来SOH估计的研究方向进行了展望。本文主要研究内容如下: (1)针对车载场景电池系统健康评估问题,建立了一种考虑行驶里程和季节温度的电池SOH衰减模型。首先,基于戴维南(Thevenin)等效模型,提出了一种变遗忘因子的递归最小二乘(Variable Forgetting Factor Recursive Least Squares,VFFRLS)参数辨识方法,实现开路电压(Open Circuit Voltage,OCV)与模型参数联合辨识。然后,构建了包含容量信息的状态空间方程,提出了一种扩展粒子滤波器(Extended-Kalman Particle Filter,EPF)的容量估计算法。采用9个月的驾驶数据进行验证和分析,结果表明,152个电池的容量服从高斯分布,平均容量呈指数衰减趋势。此外,定性地讨论了行驶里程和季节温度对SOH退化的影响。最后,建立了考虑行车里程和季节温度的SOH衰减模型。 (2)针对电池系统动态循环寿命回归预测问题,模拟电动汽车(Electric Vehicle,EV)的实际场景,开展了动态老化实验,提出了一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的锂离子电池寿命预测方法。首先,采用模糊逻辑对递归最小二乘(Recursive Least Squares,RLS)算法进行改进,根据电压误差对遗忘因子进行修正,进而提高了参数辨识的精度。其次,提取了与SOH密切相关的内部特征参数,并构建了基于LSTM神经网络的SOH预测模型。最后,在不同比例的训练集下,对比了不同的算法的预测精度,验证了所提出的SOH估计算法性能。 (3)针对实际应用场景电池充电曲线不完整且含有噪声,导致健康估计不准确问题,提出了一种基于电压重构和融合模型的SOH估计方法。首先,基于重要性采样法提取局部样本信息,利用经验模型重构充电电压,求解差分电压(Differential Voltage,DV)曲线。其次,提取了与SOH相关的特征信息,并进行相关性分析。最后,建立了一种基于支持向量回归(Support Vector Regression,SVR)和卷积神经网络(Convolutional Neural Network,CNN)的SOH估计融合模型。实验表明,提出的方法在少量数据情况下,SOH的估计误差小于0.5%。与目前常用方法LSTM、GPR、CNN、改进的SVR相比,该方法的估计精度提高了35%以上。