锂离子电池健康状态及剩余使用寿命研究

摘要

为了减少机动车尾气的排放和缓解全球的能源危机，近年来电动汽车产业在我国得到了迅速的发展。电池的安全性对于电动汽车尤为重要，锂离子电池的健康状态(State of Health, SOH)估算和剩余使用寿命(Remaining Useful Life , RUL)预测是电池管理系统(Battery Management System, BMS)的不可或缺的功能。准确地估算电池的SOH和预测电池的RUL，有助于提高电池使用的可靠性和安全性。针对锂离子电池健康状态估算和剩余使用寿命预测，本文做了如下方面的工作：　　基于锂离子电池的工作原理进行了劣化机理分析，并对电池劣化的影响因素进行了分析。以放电容量作为锂离子电池SOH的评价标准，根据在充放电循环中的电压和电流曲线，提炼出了几个健康因子，利用斯皮尔曼相关性分析方法对这几个健康因子和实际的SOH进行相关性分析，并根据相关性分析的结果对健康因子进行筛选，最终筛选出了3个健康因子。　　根据电池容量衰退曲线非线性的特性，选取了支持向量回归(Support vector machine, SVR)进行SOH估算。基于之前确定的健康因子，利用SVR模型建立其与SOH的关系，以高斯径向基函数作为SVR模型的核函数。使用差分进化算法(Differential evolution, DE)对SVR模型进行参数寻优，以NASAPCoE中心和CACLE中心的锂离子电池循环寿命实验的实验数据进行验证。仿真结果表明，DE-SVR模型能够较为准确地进行SOH的估算。　　使用基于遗传算法(Genetic Algorithms, GA)的无迹粒子滤波算法(UPF)预测锂离子电池的剩余使用寿命。由于标准粒子滤波算法存在粒子多样性丧失和退化的问题，用无迹卡尔曼滤波生成建议密度分布函数，用GA优化重采样过程。比较了三种电池容量退化的经验方程，最终选取集合模型作为锂离子电池的容量退化模型。在MATLAB的环境下验证表明，相比标准粒子滤波算法，GA-UPF模型能够较为准确地进行RUL的预测。

目录

声明

声明

第 1 章 绪 论

1.1课题研究背景及意义

1.2锂离子电池健康状态的研究现状

1.2.1 直接测量法

1.2.2 自适应法

1.2.3 数据驱动法

1.3锂离子电池剩余使用寿命的研究现状

1.3.1 基于模型的方法

1.3.2 基于数据驱动的方法

1.4论文主要研究内容

1.4.1 SOH 估算与 RUL 预测的研究

1.4.2章节安排

第 2 章 劣化机理研究与健康因子提取

2.1 锂离子电池劣化机理及性能参数

2.1.1锂离子电池的结构

2.1.2锂离子电池的工作原理

2.1.3锂离子电池的劣化分析

2.2 实验环境介绍

2.2.1 NASA PCoE 的电池实验

2.2.2 CACLE 中心的电池实验

2.3 实验数据分析

2.3.1循环次数对电池容量的影响

2.3.2锂离子电池充电电压分析

2.3.3锂离子电池放电电压分析

2.3.4锂离子电池充电电流分析

2.3.5锂离子电池充电温度分析

2.4 健康因子的研究

2.4.1电池工况的分析

2.4.2相关性分析方法

2.4.3健康因子的提取

2.4.4健康因子的相关性验证

2.5本章小结

第 3 章 基于 DE-SVR 的 SOH 估算

3.1支持向量回归简介

3.1.1支持向量回归

3.1.2核函数的选择

3.2差分进化算法

3.3数据集的选取

3.3.1数据集的分析

3.3.2训练集和测试集

3.3.3算法的评价标准

3.4基于DE-SVR的SOH估算流程

3.5仿真数据分析

3.5.1 NASA PCoE 中心电池数据仿真分析

3.5.2 CALCE 中心电池数据仿真分析

3.6本章小结

第 4 章 基于 GA-UPF 算法的 RUL 预测

4.1粒子滤波简介

4.1.1贝叶斯理论

4.1.2蒙特卡洛理论

4.1.3粒子滤波原理

4.1.4粒子滤波的算法流程

4.2无迹卡尔曼滤波算法

4.2.1 UT 变换

4.2.2无迹卡尔曼滤波的基本流程

4.3遗传算法

4.3.1遗传算法介绍

4.3.2遗传算法优化的粒子滤波算法

4.4容量衰退的经验模型

4.4.1经验模型

4.4.2电池容量退化模型的建立

4.4.3电池容量退化模型初始值的确定

4.5基于GA-UPF算法的实现

4.6仿真数据分析

4.6.1 NASA PCoE 中心的电池数据仿真分析

4.6.2 CACLE 中心的电池数据仿真分析

4.7本章小结

第 5 章 工作总结与展望

5.1总结

5.2展望

参考文献

致 谢