基于小波神经网络的锂离子电池SOH估计技术研究

摘要

随着环境污染的日益恶化和电子科技的发展，锂电池越来越受到人们的关注。目前锂电池被广泛应用于供电系统，如储能系统、电动汽车和通信系统等，因此锂电池的安全使用也显得越来越重要。锂电池有多种性能参数，电池健康状态（SOH）为其中最重要的一个参数。锂电池的SOH显示了电池储存电量的能力，准确估计电池的SOH可以帮助人们合理的使用锂电池，避免因电池老化原因造成的安全问题。
　　目前对于电池的SOH的定义有多种，本文将电池的当前容量与他的标称容量的比值定义为电池的SOH。电池健康状态的估计有多种方法，如化学分析法，电化学阻抗分析法，基于卡尔曼滤波器等。本文采用禁忌搜索（TS）的小波神经网络（WNN）对电池的SOH进行估计。WNN基于小波分析而构造的一类新型前馈网络，即用非线性小波基函数取代通常的神经元非线性激励函数，他具有较强的函数学习能力，简化了训练，避免了BP神经网络结构设计的盲目性。本文的主要内容如下：
　　（1）介绍锂电池SOH的研究背景和现状，分析当前国内外几种SOH的估计方法的优缺点，并提出使用TS-WNN对SOH进行估计。TS-WNN对SOH估计分为训练过程和预测过程。在训练过程中，通过已有的数据训练TS-WNN的网络参数。在预测过程中，根据预测样本验证训练过程生成的电池SOH估计模型的可行性。
　　（2）详细阐述WNN，分析其优点和缺点。针对WNN的缺点提出使用TS算法对其进行改进。比较WNN和TS-WNN对锂电池恒流和变流两种放电情况下的SOH估计，可以得出通过TS-WNN对锂电池SOH的估算精度会更高。
　　（3）为了构建TS-WNN的模型和验证此方法的可行性，本文设计了基于STM32的估计系统。该系统的底层负责采集电池在充电和放电过程的电压，电流和温度等数据，上位机部分负责存储这些数据,最后根据这些数据估计电池的SOH。
　　（4）本次实验中对2000mAh和100Ah的两种锂电池进行SOH估计，首先采集数据构建网络的模型，最后通过已构建的模型对电池SOH进行估计。在实验中，对恒流和变流两种放电状态下的电池进行SOH估计，来验证TS-WNN方法的可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究的目的与意义

1.2 电池SOH研究现状

1.3 课题的内容和论文安排

第2章 锂离子电池的老化研究

2.1 锂离子电池

2.2 锂离子电池的老化

2.3 本章小结

第3章 基于禁忌搜索小波神经网络的锂电池SOH估计

3.1 小波神经网络

3.2 基于小波神经网络的锂电池SOH估计

3.3 基于禁忌搜索的小波神经网络的锂电池SOH估计

3.4 本章小结

第4章 系统的硬件设计和实现

4.1 系统结构框图

4.2 微处理器单元

4.3 数据采集电路

4.4 通信电路

4.5 LCD显示电路

4.6 采集数据精度提高的措施

4.7 本章小结

第5章 系统软件设计

5.1 软件开发平台

5.2 系统软件的整体流程

5.3 数据采集程序设计

5.4 数据发送程序设计

5.5 数据显示程序设计

5.6 电池SOH估计程序设计

5.7 上位机程序设计

5.8 本章小结

第6章 实验结果分析

6.1 实验设备

6.2 实验过程和结果分析

6.3 本章小结

第7章 总结与展望

7.1 本文总结

7.2 后续工作展望

致谢

参考文献

附录