论文部分内容阅读
蓄电池无论是在军用还是民用领域都得到了广泛的应用,准确对其进行健康状态(State of Health,SOH)评估及剩余使用寿命(Remaning Useful Life,RUL)预测,对于提高蓄电池的安全性与使用寿命具有重要意义。本文以锂离子电池为研究对象,重点开展锂离子电池健康状态评估以及剩余使用寿命预测方法的研究,具体研究内容包括:1)介绍了锂离子电池的组成结构与工作原理,阐明了锂离子电池常用性能参数的基本概念和锂离子电池特点,分析了锂离子电池充放电过程中放电电流、使用环境温度和循环次数对电池老化的影响。2)针对电池在实际应用中往往只能通过传感器采集电池端电压、充放电电流和环境温度等一些可测参量,使用这些数据很难对电池模型参数进行标定和更新,本文研究了一种基于BP神经网络和双平方根容积卡尔曼滤波算法的电池在线健康状态估计方法。首先,采集电池在放电循环中的端电压和放电电流数据作为训练数据,再基于BP神经网络算法离线训练电池模型,接着将离线训练得到的电池模型嵌入到双平方根容积卡尔曼滤波算法中,两个卡尔曼滤波器在更新神经网络模型参数的同时估计电池荷电状态和健康状态,最后选用NASA数据对该方法进行验证。实验结果表明,不仅可以实现BP神经网络模型的在线更新,提高模型鲁棒性,而且能够实现对电池SOC和SOH的在线估计。由于BP神经网络模型能够不断更新,使电池模型适应当前电池使用环境,这在很大程度上提高了SOC和SOH的预测精度。3)针对同类型电池通常会由于加工工艺、设计误差、功能差异和使用环境等因素导致不同个体间存在一定差异的问题,本文分别研究了基于线性维纳退化过程的可靠性评估方法和基于随机效应维纳退化过程的剩余使用寿命预测方法。首先选用线性维纳过程建模,并基于最大似然法估计模型参数,接着通过线性维纳过程模型给出的寿命可靠度函数计算电池可靠寿命。但为了解决同类型电池之间不一致性的问题,本文将维纳过程模型中的漂移参数来表征随机因素对电池的影响,建立了一个随机效应维纳退化过程模型,并通过EM算法来估计模型参数,接着通过剩余寿命分布函数来得到电池剩余使用寿命。最后分别使用NASA实验数据和自主搭建实验平台获取的数据对这两种方法进行验证分析以及比较。实验结果表明,基于随机效应维纳退化过程的剩余使用寿命预测方法能够更好的预测电池的剩余使用寿命,且随着训练数据的增加,预测精度更高。