论文部分内容阅读
在环境日益污染和不可再生能源逐渐枯竭的背景之下，电动汽车产业发展迅猛。锂离子动力电池因其高能量密度、低自放电率及长寿命等优点成为电动汽车的主要动力来源，但车载动力电池每用必衰，近几年动力电池即将迎来退役高峰期，预计2025年，中国动力电池累计退役量将达到116GWh，退役电池梯次利用成为电动汽车产业持续发展的热点问题。但是，退役电池梯次利用技术发展粗放，一方面梯次利用前退役电池分选方法效率低下，普适性差;另一方面梯次利用后退役电池健康状态估计方法泛化能力差，准确度低，两大难题制约了梯次利用的推广发展。因此本文以退役锂电池为研究对象，针对分选慢、估计难的问题，提出了基于数据驱动的退役电池快速分选和准确健康状态估计方法，主要研究内容如下:
首先，对退役电池进行不一致性分析，以退役LiFePO4电池为研究对象，搭建实验平台并设计寿命循环实验，分析LiFePO4电池在老化过程中凸显出的不一致性，为退役电池分选必要性提供理论支撑。
其次，基于模糊C均值算法对退役电池进行快速分选，首先对176节退役LiFePO4电池单体进行容量和内阻测试，并用数学方法对老化参数的分布进行拟合分析;采用卡尔曼滤波对增量容量曲线进行去噪，基于增量容量分析(ICA，incremental capacity analysis)截取部分充电曲线，并从中提取与老化状态相关的特征作为分选模型输入，利用模糊C均值聚类搭建分选模型实现退役电池高精度高效率分选，分选精度达90.9％，在最大允许误差为1％的前提下，精度高达95.5％，分选效率是传统分选方法的10.5倍左右。
然后，针对无监督聚类分选方法精度偏低、对容量的分界界定具有随机性等问题，提出基于BP神经网络(BPNN, back propagation neural network)的退役电池分选方案，但因算法初值不定，分选精度提升并不明显且极不稳定，在此基础上，利用遗传算法(GA，genetic algorithm)对其优化，优化后的模型分选精度达到94.4％，且分选结果稳定性提升。
最后，基于优化的神经网络算法对退役电池健康状态进行准确估计。对103节退役LiNCM电池单体在不同充放电倍率、温度下进行容量测试，分析其在不同工况下的容量不一致性;以截取的部分充电曲线老化特征为输入，单体容量为输出，基于GA-BP神经网络算法训练健康状态估计模型，并验证其在不同工况下状态估计的准确性，最后验证该估计方法在LiFePO4电池的有效性，提出的估计方法在不同工况及不同电池种类的最大误差均小于2％，平均绝对误差及均方根误差小于1.5％。
首先，对退役电池进行不一致性分析，以退役LiFePO4电池为研究对象，搭建实验平台并设计寿命循环实验，分析LiFePO4电池在老化过程中凸显出的不一致性，为退役电池分选必要性提供理论支撑。
其次，基于模糊C均值算法对退役电池进行快速分选，首先对176节退役LiFePO4电池单体进行容量和内阻测试，并用数学方法对老化参数的分布进行拟合分析;采用卡尔曼滤波对增量容量曲线进行去噪，基于增量容量分析(ICA，incremental capacity analysis)截取部分充电曲线，并从中提取与老化状态相关的特征作为分选模型输入，利用模糊C均值聚类搭建分选模型实现退役电池高精度高效率分选，分选精度达90.9％，在最大允许误差为1％的前提下，精度高达95.5％，分选效率是传统分选方法的10.5倍左右。
然后，针对无监督聚类分选方法精度偏低、对容量的分界界定具有随机性等问题，提出基于BP神经网络(BPNN, back propagation neural network)的退役电池分选方案，但因算法初值不定，分选精度提升并不明显且极不稳定，在此基础上，利用遗传算法(GA，genetic algorithm)对其优化，优化后的模型分选精度达到94.4％，且分选结果稳定性提升。
最后，基于优化的神经网络算法对退役电池健康状态进行准确估计。对103节退役LiNCM电池单体在不同充放电倍率、温度下进行容量测试，分析其在不同工况下的容量不一致性;以截取的部分充电曲线老化特征为输入，单体容量为输出，基于GA-BP神经网络算法训练健康状态估计模型，并验证其在不同工况下状态估计的准确性，最后验证该估计方法在LiFePO4电池的有效性，提出的估计方法在不同工况及不同电池种类的最大误差均小于2％，平均绝对误差及均方根误差小于1.5％。