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測

近年來,隨著人們對清潔能源的廣泛關注,電動汽車得到了飛速發(fā)展,鋰離子電池因其能量密度高、使用壽命長等優(yōu)點被廣泛應用在電動汽車上。因此,能夠確定鋰離子電池的老化狀態(tài)的健康狀態(tài)(State of Health,SOH)以及電池是否達到需要更換的壽命終止值的剩余使用壽命(Remaining Useful Life,RUL)的評估變的極為重要。目前主要采用數(shù)據(jù)驅(qū)動的方法對電池進行SOH估計和RUL預測,而現(xiàn)有的基于數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡模型存在可解釋性差以及在實際應用場景中獲取的電池數(shù)據(jù)多為隨機片段數(shù)據(jù)的問題,本文針對這些問題提出了鋰離子電池SOH估計和RUL預測的共性方法,分別從單一電池數(shù)據(jù)和不同電池間數(shù)據(jù)進行了分析。主要研究工作如下:(1)提取鋰離子電池間接健康因子。對電池充電曲線中的電壓、電流和溫度曲線進行分析,從中提取6個可能表征電池老化趨勢的間接健康因子,運用Spearman和最大互信息系數(shù)相關性分析法對選取的健康因子進行了相關性分析,篩選出3個具有強相關性的電池健康因子,通過長短時記憶網(wǎng)絡驗證了其作為組合輸入的合理性,為后文的電池SOH估計和RUL預測的模型選擇了合適的輸入。(2)提出了電池SOH估計和RUL預測的可解釋性模型。首先,引入雙重注意力機制,提出一種基于雙重注意力機制的編解碼模型的可解釋性電池SOH估計和RUL預測方法,本文引入的雙重注意力機制從特征和時序兩方面分析輸入因子的關聯(lián)程度,通過動態(tài)分配權(quán)重突出貢獻度高的特征,針對不同比例的訓練數(shù)據(jù)的情況,實現(xiàn)了模型精度的提升。同時本文通過可視化權(quán)重在一定程度上實現(xiàn)了模型的可解釋性。最后,分別在NASA電池數(shù)據(jù)集和CALCE電池數(shù)據(jù)集的上進行對比實驗,驗證了本文所提模型對小樣本數(shù)據(jù)的適用性。(3)提出了基于隨機充電片段數(shù)據(jù)進行電池SOH估計和RUL預測方法。首先提出了一種特征重構(gòu)方法,通過將充電數(shù)據(jù)劃分為任意等電壓間隔片段來重新劃分隨機充電片段數(shù)據(jù),并從中提取并構(gòu)建適用于隨機充電數(shù)據(jù)進行估計的健康特征。此外,針對多電池估計數(shù)據(jù)量過大引起的模型訓練時間長和復雜度高,導致模型不適用于實際應用的問題,在前文模型的基礎上引入了堆疊自編碼器結(jié)構(gòu),提升了模型對噪聲魯棒性。同時引入了貝葉斯參數(shù)優(yōu)化方法,解決了人工調(diào)參模型不適用于所有的隨機輸入數(shù)據(jù)的問題,實現(xiàn)了模型的在線估計。

碩士論文

相關知識

基于新健康因子的鋰電池健康狀態(tài)估計和剩余壽命預測
鋰離子電池壽命測試與健康狀態(tài)估計
鋰離子電池荷電狀態(tài)估計及壽命預測方法研究
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預測方法.pdf
鋰離子電池健康狀態(tài)估計簡介：基于Python的數(shù)據(jù)處理計算SOH, RUL, CCCT, CVCT
動態(tài)工況下鋰離子動力電池荷電狀態(tài)估計和健康狀態(tài)預測
基于電化學模型的鋰離子電池健康狀態(tài)估算
鋰離子電池健康狀態(tài)估計方法
電池壽命預測與健康評估.pptx
鋰電池健康狀態(tài)如何影響電池壽命

網(wǎng)址: 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測 http://www.gysdgmq.cn/newsview1388229.html