鋰離子電池在獲得廣泛應(yīng)用的同時其安全性也不得忽視,由于循環(huán)充放電過程引起的電池老化可能會帶來安全隱患,因此對鋰電池健康狀態(tài)(SOH)和剩余壽命(RUL)進行準確的預(yù)測就十分重要了。本文針對公開的NASA鋰離子電池數(shù)據(jù)集進行了研究,提出多尺度的健康因子選擇策略和深度學(xué)習(xí)方法,對鋰電池的健康狀態(tài)和剩余壽命預(yù)測問題展開研究,主要內(nèi)容如下:首先,對國內(nèi)外相關(guān)文獻進行研究,對研究方法和健康因子選擇方法進行了總結(jié),并提出一種基于放電特征的多尺度健康因子選擇策略。根據(jù)鋰電池等效電路模型公式經(jīng)拉普拉斯變換成的時域表達式,結(jié)合實際的端電壓放電曲線辨識出了電池內(nèi)阻、極化內(nèi)阻和極化電容的參數(shù)值,并將其作為健康因子。在分析了等壓降放電時間序列與壓降區(qū)間選取之間的關(guān)系后,為了選出最佳的等壓降放電時間作為健康因子,利用皮爾遜相關(guān)度函數(shù)值作為適應(yīng)度的精英遺傳算法選出與電池實際容量相關(guān)度最高的等壓降放電時間序列作為健康因子。其次,為了擬合出健康因子與電池實際容量間的時間序列關(guān)系和容量再生現(xiàn)象,使用長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)在pytorch平臺上建立SOH預(yù)測模型。為了進一步提升預(yù)測精度,使用PSO算法配置神經(jīng)網(wǎng)絡(luò)超參數(shù)改進LSTM網(wǎng)絡(luò),讓PSO-LSTM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)健康因子與實際容量之間的非線性關(guān)系,建立基于數(shù)據(jù)驅(qū)動的SOH預(yù)測模型,通過對比不同的健康因子選擇策略和神經(jīng)網(wǎng)絡(luò)對預(yù)測結(jié)果的影響,驗證提出的健康因子選擇策略和LSTM作為預(yù)測模型的優(yōu)越性,為接下來的鋰電池RUL預(yù)測做準備。然后,基于深度學(xué)習(xí)建立預(yù)測健康因子變化趨勢的鋰電池退化模型,通過歷史數(shù)據(jù)的健康因子變化趨勢估計未來的健康因子,并將預(yù)測得到的健康因子序列輸入到SOH預(yù)測模型中,最終預(yù)測出電池壽命終止時刻(EOL)和RUL。最后,在上述RUL預(yù)測方法的基礎(chǔ)上,為了避開獲取困難的等壓降放電時間作為健康因子,通過MATLAB的Simulink與Simscape模塊建立鋰電池等效電路模型,利用辨識出的電阻電容等參數(shù)經(jīng)最小二乘法粗估出開路電壓與電池SOC的函數(shù)關(guān)系,再以開路電壓和已辨識出的電池內(nèi)阻聯(lián)合估算等壓降放電量作為替代的健康因子,大大提升了RUL預(yù)測算法的實用性。   

[關(guān)鍵詞]：

鋰電池健康狀態(tài);等效電路模型;LSTM神經(jīng)網(wǎng)絡(luò);粒子群算法;鋰電池剩余壽命

[文獻類型]： 碩士論文
[文獻出處]：

哈爾濱理工大學(xué)2023年

[格式]：PDF原版; EPUB自適應(yīng)版(需下載客戶端)

相關(guān)知識

基于機器學(xué)習(xí)的鋰離子電池健康狀態(tài)與剩余壽命預(yù)測
鋰離子電池健康狀態(tài)評估及剩余壽命預(yù)測方法
基于數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)估計和剩余使用壽命預(yù)測
基于新健康因子的鋰電池健康狀態(tài)估計和剩余壽命預(yù)測
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預(yù)測方法.pdf
河北工業(yè)大學(xué)科研人員提出鋰離子電池壽命預(yù)測的新方法
鋰離子電池健康評估和壽命預(yù)測綜述
鋰離子電池荷電狀態(tài)估計及壽命預(yù)測方法研究
電池壽命預(yù)測與健康評估.pptx
一種基于深度學(xué)習(xí)的鋰電池健康狀態(tài)評估方法

網(wǎng)址: 基于深度學(xué)習(xí)的鋰電池剩余壽命預(yù)測 http://m.u1s5d6.cn/newsview1388268.html