基于改进神经网络的锂电池剩余使用寿命预测研究.pdfVIP

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