基于数据驱动的多时间尺度锂离子电池状态评估技术研究

摘要

锂离子电池因其性能优良、绿色环保等优越性成为电动汽车的重要动力源，对锂离子电池的有效管理和应用也随之成为电动汽车发展的关键技术问题。从多时间尺度出发，研究锂离子电池状态评估技术对于确保锂离子电池应用的安全性和高效性而言意义重大。针对锂离子电池在不同使用阶段多时间尺度下面临的管理及应用问题，本论文从以下几个方面对电池状态评估技术展开研究:
　　(1)针对微观时间尺度下的电池SOC估计问题，从数据驱动角度出发，全面分析SOC在线估计的三个步骤:OCV-SOC关系数据获取、电池建模及在线SOC观测。对锂离子电池分别进行基于小倍率充放电法和间隔静置法的OCV测试，对低温、常温和高温下的电池OCV-SOC映射关系及其温度依赖性进行对比分析，基于离线数据驱动方法建立考虑温度效应的电池模型并进行参数辨识，结合无迹卡尔曼滤波方法实现对电池SOC的在线估计。应用统计学中的拟合优度等指标对SOC估计结果进行评估，发现间隔静置测试法适合用于获取OCV-SOC关系数据。
　　(2)针对微观时间尺度下的电池SOP估计问题，从数据驱动角度出发，分析了复杂工况下电池SOP影响因素的统计特性，基于数据驱动方法分别建立了电池SOP参数模型和非参数模型，应用均方根误差、平均绝对误差等统计学指标进行模型对比，对两类模型的适用范围进行讨论，提出参数模型与非参数模型结合的电池SOP估计方法，为BMS的功率分配策略提供依据。
　　(3)针对宏观时间尺度下的电池寿命预测问题，从数据驱动角度出发，分析了电池内阻及容量性能的衰退趋势，通过数据拟合方式对电池容量和循环次数关系进行建模，基于运行数据结合贝叶斯理论对模型参数进行定期更新，实现对电池剩余使用寿命的精确预测，降低对实验室寿命建模结果的依赖性，减少前期寿命测试成本。
　　(4)针对宏观时间尺度下对电池组内失效电池进行识别的问题，从数据角度出发，应用容量增量分析法(Incremental capacity analysis，ICA)对电动汽车的充电过程曲线进行分析，结合数据收缩方法提取IC曲线的特征参数，基于对时间截面上电池特征参数不一致性的分析，提出面向电动车用电池组的失效电池识别模型，模型分类精度高且输入参数可在线获取，符合电池应用的实际情况，工程推广价值高。
　　(5)针对电动汽车退运电池梯次利用时的容量估计及筛选配组问题，从数据驱动角度出发，基于对大批量退运电池容量及内阻的统计特性分析，建立遗传算法与支持向量机相融合的电池容量快速估计模型;基于对退运电池性能数据的分析，结合主观的德尔菲打分和客观的灰色关联度测算，提出电池综合性能评价方法，为电池的梯次利用提供理论依据和工程应用指导。
　　本论文提出的微观时间尺度下基于数据驱动的电池SOC及SOP估计方法、宏观时间尺度下基于数据驱动的寿命预测、失效电池识别方法及梯次利用电池容量估计和性能评价方法，分别解决了锂离子电池在微观和宏观两个时间尺度应用时所面临的关键技术问题，提高了电池利用的安全性和经济性，具有工程应用和推广价值。

目录

声明

致谢

摘要

1．1 课题研究的背景与意义

1．2 国内外研究现状及发展趋势

1．2．1 微观时间尺度的锂离子电池状态估计

1．2．2 宏观时间尺度的锂离子电池衰退性能评估

1．3 现有研究结果的空白与不足

1．3．1 微观时间尺度电池状态估计中的难点与不足

1．3．2 宏观时间尺度电池衰退性能评估中的难点与不足

1．4 数据驱动方法

1．4．1 数据驱动方法的发展现状

1．4．2 数据驱动方法的优势

1．5 研究意义及主要工作

1．5．1 论文的研究意义

1．5．2 论文的章节安排

2 数据驱动下的电池SOC估计

2．1 电池的OCV-SOC映射关系

2．1．1 数据来源及获取方式

2．1．2 OCV-SOC曲线的温度依赖性

2．2 基于离线数据的电池模型参数辨识

2．2．1 电池模型的选择

2．2．2 模型参数的辨识

2．3 基于无迹卡尔曼滤波的电池SOC在线估计

2．3．1 无迹卡尔曼滤波

2．3．2 在线SOC估计结果分析

2．4 本章小结

3 数据驱动下的电池SOP估计

3．1 电池SOP及其影响因素的数据分析

3．1．1 数据来源及获取方式

3．1．2 数据的统计特性分析

3．2 电池SOP估计的参数模型

3．2．1 OCV-SOC曲线的函数表达式

3．2．2 电池SOP的温度依赖性

3．3 电池SOP估计的非参数模型

3．3．1 支持向量机

3．3．2 非参数模型的训练

3．4 电池SOP估计结果及分析

3．5 本章小结

4 数据驱动下的电池RUL预测

4．1 电池的性能衰退模式分析

4．1．1 性能衰退原因分析

4．1．2 循环寿命测试实验

4．1．3 容量及内阻衰减趋势

4．2 电池寿命预测方法

4．2．1 贝叶斯定理

4．2．2 贝叶斯寿命预测

4．3 电池RUL预测结果及验证

4．3．1 电池RUL预测结果及分析

4．3．2 电池RUL预测方法的验证

4．4 本章小结

5 数据驱动下的失效电池识别

5．1 基于ICA的电池性能衰退特征分析

5．1．1 数据来源及IC分析方法

5．1．2 IC曲线的特征变量

5．2 基于Elastic Net的特征变量提取方法

5．2．1 Elastic Net方法

5．2．2 IC曲线特征变量提取结果

5．3 基于线性判别式分析的失效电池识别模型

5．3．1 线性判别分析

5．3．2 失效电池识别模型

5．4 失效电池识别结果及分析

5．5 本章小结

6 数据驱动在电池梯次利用领域的应用

6．1 大规模电动汽车退运电池的容量快速估计方法

6．1．1 退运电池容量与内阻的Pearson相关性分析

6．1．2 基于GA-SVM的电池容量快速估计模型

6．1．3 大规模退运电池的容量快速估计结果分析

6．2 面向筛选配组应用的梯次利用电池性能评价方法

6．2．1 基于德尔菲法的电池综合性能评价指标选取

6．2．2 基于灰色关联度分析的电池综合性能评价模型

6．2．3 梯次利用电池综合性能评价模型验证

6．3 本章小结

7．1 研究内容总结

7．2 论文主要创新点

7．3 研究工作展望

参考文献

作者简历及攻读博士学位期间取得的研究成果

学位论文数据集