检索结果-南通市图书馆

检索条件"主题词=小样本双数据驱动"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

锂动力电池剩余使用寿命预测方法研究

锂动力电池剩余使用寿命预测方法研究

引用

作者：赵筛筛安庆师范大学

学位级别：硕士

锂动力电池以其能量密度高、循环寿命长、自放电率低、无污染等优势,广泛服役于电动汽车、储能电站以及航天航空等场景。锂动力电池剩余使用寿命(Remaining Useful Life,RUL)是直观反应电池当前寿命状态,衡量电动汽车的使用周期与安全... 详细信息

锂动力电池以其能量密度高、循环寿命长、自放电率低、无污染等优势,广泛服役于电动汽车、储能电站以及航天航空等场景。锂动力电池剩余使用寿命(Remaining Useful Life,RUL)是直观反应电池当前寿命状态,衡量电动汽车的使用周期与安全性能的关键指标。然而,锂动力电池的健康状态在服役中不断下降,表征为放电容量持续损失和使用寿命缩短等问题。因此,为了预警电池失效,保证电动汽车的安全,研究锂动力电池RUL的有效预测方法十分必要。从锂动力电池实际应用难点出发,针对锂动力电池RUL预测的实时性和准确率,本文分析了锂动力电池的老化机理,提出了基于混合模型和小样本双数据驱动的锂动力电池RUL预测方法。主要研究内容如下:(1)锂动力电池老化机理与特性分析。考虑锂动力电池老化过程,阐述锂动力电池工作原理,进而理论分析了容量失效机理。基于实验室搭建的高性能电池测试平台,开展了锂动力电池寿命衰减实验,结果表明充放电倍率大小与电池老化速率成正比,且电池工作温度的剧烈变化会加速电池寿命衰减,为开展锂动力电池RUL预测方法的研究奠定基础。(2)基于改进变分模态分解与混合模型的锂动力电池RUL预测方法。针对锂动力电池老化过程非线性强烈与含噪程度深的问题,提出一种基于经验模型与数据驱动相结合的RUL预测方法。提出后验反馈置信度(Posterior Feedback Confidence,PFC)方法,优选变分模态分解(Variational Modal Decomposition,VMD)模态层,重构锂动力电池老化数据,生成衰减趋势序列和残差序列。基于粒子滤波和高斯过程回归搭建衰减趋势序列预测模型和残差序列预测模型,进而计算锂动力电池RUL。实验结果验证了所提预测方法的未来退化曲线预测误差小于1.5%,RUL预测误差在3个循环周期以内,具有优秀的预测精度与泛用性。(3)小样本双数据驱动的锂动力电池RUL预测方法。针对车载电池管理系统计算成本有限问题,基于输入的健康因子利用广义学习系统(Broad Learning System,BLS)创建特征节点与增强节点,取缔并扩展长短时记忆神经网络(Long Short-Term Memory Neural Network,LSTMNN)输入层,构建一种新的BLS-LSTM融合神经网络模型。该融合神经网络仅需25%的老化数据集训练模型,有效预测锂动力电池RUL,具有计算成本低,鲁棒性好的特点。

关键词：锂动力电池剩余使用寿命预测改进变分模态分解混合模型小样本双数据驱动

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：