数据驱动下的锂电池健康状态估计及管理系统研究

摘要

发展电动汽车是未来交通的必然趋势，但锂电池的健康状态（SOH）和荷电状态（SOC）监测还存在许多不足，需要进一步深入探究。 传统建模方法进行电池SOH、SOC预测时困难重重，大部分算法的复杂性限制了其在电池状态估计方面的实际应用，提出利用数据驱动的方法解决电池状态（SOC、SOH）估计的难题，选择支持向量机（SVM）作为本文的方法基础。但SVM的性能强烈依赖其参数对的选取，理论中并没有给出明确的最优选择方法，本文提出利用遗传算法和粒子群算法建立改进SVM模型（GA-SVM、PSO-SVM）以解决SVM在电池建模过程中的参数选择问题。 考虑锂电池动态放电，通过分析马里兰CALCE中心电池数据，获取电池动态工况循环下SOC特性；利用已建立的改进SVM模型，对循环工况下的电池数据进行电池SOC的估计，并以其他学者提出的SVM算法进行同步预测实验用以进行分析对比；实验前，为了增强电池电流电压与电池放电容量之间的线性相关度，首先对电池数据进行Box-Cox变换并对参数λ进行估计。实验估计结果证明，改进SVM模型在进行电池SOC估计时，预测精度高，稳定性好。 最后提出利用构建的改进模型通过在线可测量物理量对电池SOH进行预测。对NASA以及马里兰大学电池实验数据的退化状态进行详细分析，在此基础上，考虑实际车辆中各种工况下电池动态放电的情况，提出基于等SOC间隔电压差的锂电池SOH估计方法，利用四种模型对电池数据进行预测对比分析，验证了改进算法（GA-SVM、PSO-SVM）的有效性，可保证SOH预测的较高预测精度。进一步，研究两种优化算法在进行SOH预测时搜寻到的最优参数对的分布，对比表明，PSO-SVM过学习严重，稳定性差；GA-SVM性能最优异。 在电池健康状态估计研究成果的基础上，提出一种基于CAN总线技术的电池管理系统方案，给出设计思路；并针对PC端，设计了基于USBCAN的CAN通讯接口，通过PC端对BMS进行实时监控，利用PC强大的数据处理能力对实时采集的电池数据进行分析处理。

目录

声明

第1章 引言

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容与研究方法

第2章 基于数据驱动的电池状态监测

2.1电池数据采集及处理

2.2 支持向量机原理

2.3 电池健康状态

2.4 基于SVM的电池状态估计算法

2.5 本章小结

第3章 SVM模型优化

3.1 惩罚参数和核函数参数对SVM的影响

3.2 参数优化方法

3.3 基于PSO算法的SVM模型

3.4 基于GA算法的SVM模型

3.5 本章小结

第4章 电池SOC估计

4.1 电池实验

4.2 Box-Cox变换

4.3 电池SOC估计

4.4 本章小结

第5章 电池健康状态估计

5.1 锂电池退化状态分析

5.2 等SOC间隔放电电压差

5.3 电池SOH估计实验

5.4 本章小结

第6章 电池管理系统设计

6.1 电池管理系统应用架构

6.2 电池管理系统硬件设计

6.3 电池管理系统软件设计

6.4 本章小结

第7章 结论

7.1 研究总结

7.2 研究展望

致谢

参考文献

攻读学位期间获得与论文相关的科研成果