- 1、本文档共68页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
摘要
摘要
基于改进神经网络的锂电池剩余使用寿命预测研究
锂离子电池(LithiumIonBatteries,LIBs)具有安全性高、循环使用寿命长、
ElectricVehicle,
污染小、能量密度大和自放电率低等优点,广泛应用于电动汽车(
EV)领域,为电动汽车提供动力。电池管理系统(BatteryManagementSystem,
BMS)作为电动汽车能源系统的关键组件,具备诊断、控制、保护等功能。电
池健康状态(StateofHealth,SOH)和电池剩余使用寿命(RemainingUsefulLife,
RUL)都是反映电池老化程度的重要性能指标,在BMS中起到至关重要的作用。
本文以车载锂离子电池为研究对象,使用数据驱动类算法对电池SOH估计和
RUL预测方法进行研究,主要内容为:
第一,介绍了EV及LIBs的发展进程,阐述了电池SOH估计和RUL预测
的国内外研究现状。
第二,通过实验室的电池测试设备对锰酸锂电池进行老化实验,在恒定温度
下,研究充放电循环次数对电池性能的影响,然后对美国宇航局Ames卓越预测
中心数据库中的电池数据进行了老化特性分析。
第三,对电池数据进行预处理,提取可用于电池SOH估计和电池RUL预测
的健康指标(HealthIndicator,HI)。影响电池性能的因素有很多,比如充放电时
间、充放电电流、外部环境和电池可用容量等。在充电阶段,提取了易测量的恒
流充电模式的时间、等时差电压和等时差电流变化作为健康指标。然后利用统计
SpearmanHI
学相关系数法,分析了所提取的与电池容量的相关性。
第四,本文提出了基于改进BP神经网络的锂电池RUL预测方法。在神经
网络训练过程中使用动态指数衰减学习率对神经网络进行训练;并采用有变异因
子的粒子群算法(ParticleSwarmOptimization,PSO)对BP神经网络的权值和阈
BPSOH
值进行了初始化。然后,采用两个改进神经网络分别进行电池估计和
电池RUL预测。以健康指标作为输入,根据电池SOH估计下降到失效阈值时的
充放电循环次数作为电池RUL预测结束的判定条件。
第五,神经网络进行电池RUL预测不能给出置信区间,因此,使用混合高
GaussianProcessRegression,GPRSOH
斯过程回归()模型进行电池的估计,根
据GPR模型给出的SOH估计置信区间边界信息作为改进BP神经网络的输入,
BP
以失效阈值置信区间作为结束判定条件,从而使得神经网络方法预测的电池
RUL也具有上下限的参考范围,增加预测结果的可靠性。
I
吉林大学硕士学位论文
关键词:
锂离子电池,电池健康状态,剩余使用寿命,神经网络,指数衰减学习率,
高斯过程回归,混合核函数
II
Abstract
Abstract
ResearchonPredictionofRemainingUsefulLifeofLithium
IonBatteryBasedonImprov
文档评论(0)