物理—数据融合的锂离子电池多物理参数退化预测方法研究.pdf

-

物理数据融合的锂离子电池多物理参数退化预测方法研究

摘要

锂离子电池凭借其各类独特优势，被广泛应用于无人机，新能源汽车等各领域的能

源设备中，并展现出了极为突出的优越性。在上述诸多应用中，动力电池模块都是影响

其运行安全的关键部件。随着锂离子电池循环使用，电池的性能退化过程将使得其容量

逐渐降低，输出功率逐渐减小，对能源设备的安全、平稳运行造成极大影响。因此，锂

离子电池的多参数的剩余使用寿命（RemainingUsefulLife，RUL）预测成为相关研究工

作中的关键问题。文章以多任务学习（Multi-taskLearning，MTL）为模型框架，基于电

池的物理退化特征通过物理-数据融合的方法对锂离子电池的多参数剩余使用寿命预测

展开研究，主要研究内容如下：

首先，文章使用增量容量分析法（IncrementalCapacityAnalysis，ICA）以非侵入式

的分析方式探寻锂离子电池物理性的退化机理，并寻找到能表征电池退化过程的物理信

息间接健康因子（HealthIndicators，HI）作为输入特征，并构建间接HI与电池寿命参

数容量、内阻之间的非线性映射模型，相关性分析结果展示了ICA分析法的有效性，为

后续研究提供了输入数据和理论基础。

其次，针对电池退化过程多个参数亟需在低计算资源条件下同时预测的情况，文章

提出一种基于多任务学习架构的双向长短时记忆神经网络（Bi-directionalLongShort-

TermMemoryNetwork,Bi-LSTM）模型，依托增量容量分析得到的物理信息间接HI为

模型输入，解决了在线应用阶段使用较少硬件资源对电池退化多参数同时预测的问题。

使得模型适用于复杂的电池退化过程，可以预测电池的多项退化参数，提高了RUL预

测的准确性和有效性。并且可以在电池实际使用阶段不破坏电池而预测其寿命，实现在

线学习更新模型。

最后，针对LSTM单点预测容易陷入过拟合的局部最优解导致预测结果可信度不足

的问题，提出基于MTL的Bi-LSTM与粒子滤波（ParticleFilter,PF）相融合的模型。利

用粒子滤波建模电池自身的退化趋势，使用基于MTL的Bi-LSTM模型的预测值作为粒

子滤波预测阶段的观测值，反复迭代并不断更新模型参数，从而得到预测结果的置信区

间，并给出其概率密度函数。

关键词：锂离子电池；多参数退化预测；增量容量分析；多任务学习；融合模型

-

物理数据融合的锂离子电池多物理参数退化预测方法研究

Abstract

Withitsvariousuniqueadvantages,lithium-ionbatteriesarewidelyusedinenergy

equipmentinvariousfields,suchasdrones,newenergyvehicles,etc.,andhavedemonstrated

extremelyoutstandingsuperiority.Inmanyoftheseapplications,thepowerbatterymoduleis

akeycomponentthataffectsitsoperationalsafety.Aslithium-ionbatteriesarerecycled,the

degradationofbatteryperformancewillgraduallyreducetheircapacityandoutputpower,

whichgreatlyaffectsthesafeandsmoothoperationofenergyequipment.Therefore,themulti-

parameterRemainingUsefulLife(RUL)predictionofLi-ionbatterieshasbecomeakeyissue