基于神经网络的锂离子电池RUL预测方法研究

摘要

传统能源枯竭和环境污染问题引发了全世界对新能源领域的高度重视，在各类新能源电池中，锂离子电池以体积小、能量密度高、寿命周期长、零排放、无污染等优良的综合优势，被广泛应用在包括能源汽车在内的多个行业和领域。然而在实际应用中，由于受到自身化学变化和具体使用工况的共同影响，锂离子电池寿命往往无法达到预定寿命值，由电池寿命失效引发的系统故障和安全事故对人们的人身和财产安全造成了极大的威胁。为了实现电池运行状态的实时监控和管理，避免安全事故的发生，常为系统设备配备相应的电池管理系统（Battery Management System,BMS）对电池的健康状态（State-of-health，SOH）和剩余使用寿命Remaining Useful Life,RUL进行评估和预测。在进行电池性能估计和预测时，要求依据电池退化特性构建出精确的性能预测模型，因此本文从锂离子电池BMS系统在线应用角度出发，致力于开展基于锂离子电池状态监测数据的剩余寿命预测方法研究。具体研究内容主要包括： （1）针对锂离子电池容量、阻抗等直接健康因子Health Indicator,HI难以在线获得的问题，提出基于智能算法的自适应间接HI构建策略。首先从电池测量参数中选择多个包含电池退化信息的潜在健康因子，然后设计了两种算法对潜在健康因子进行融合，分别是主成分分析Principle Component Analysis,PCA算法和稀疏自编码(sparse au-to-encoder,SAE)神经网络算法，最后利用Spearman秩相关系数对两种融合健康因子与容量的相关性进行验证，证明了所提HI构建策略的有效性。 （2）锂离子电池退化过程复杂且易受外界环境影响，难以为其构建出精确的机理模型进行RUL预测。为了解决上述问题，开展基于带有外部输入的非线性自回归神经网络(Nonlinear Auto Regressive Network with Exogenous Inputs，NARX)模型的锂离子电池RUL预测研究。该模型通过设置时延单元和外部反馈结构，能够对非线性、非平稳度时间序列进行有效学习。同时，为解决现有基于数据驱动锂离子电池的RUL预测方法不能较好地适应于同类型不同电池的RUL预测，在NARX模型基础上，提出一种利用一个电池全寿命周期数据建模的同类型锂离子电池之间的RUL预测策略，实现了同类型电池之间一致性不强时的电池RUL预测。 （3）锂离子电池的退化过程覆盖所有寿命周期，且每个周期之间的电池退化状态高度相关，由于一般神经网络模型无法学习这种具有长期依赖特性的退化关系，提出一种基于长短时记忆（Long Short-Term Memory，LSTM）神经网络模型的单个锂离子电池的RUL预测方法。实验证明该模型在仅使用单个电池寿命前期数据训练网络时，仍能取得稳定、精确的寿命后期RUL预测结果，很大程度改善了基于NAXR等方法预测时误差累积的问题。 （4）针对锂离子电池循环充放电过程中，电池静置阶段容量短期回升造成的电池退化数据局部急速上升和下降问题，提出一种带自适应滑动窗口的长短时记忆神经网络模型对锂离子电池RUL进行预测。该模型在LSTM网络结构上增加了能根据电池退化曲线自适应改变输入大小的窗口机制，不仅能学习电池退化中的长期时间依赖特性，也能较好捕捉短期局部回升的特性，极大的提高了预测结果的精确性和可靠性。实验证明，该模型受预测起始点影响较小，具有较强的适应性和鲁棒性。

目录

声明

第1章 绪论

1.1 课题背景及研究意义

1.2 锂离子电池RUL预测研究现状

1.2.1 锂离子电池RUL预测

1.2.2 基于模型的预测方法研究现状

1.2.3 基于数据驱动的预测方法研究现状

1.2.4 研究现状总结

1.3 本文研究内容和结构安排

1.3.1 研究内容

1.3.2 结构安排

第2章 锂离子电池RUL预测的健康因子提取

2.1 锂离子电池数据集介绍

2.2 潜在健康因子提取

2.3 基于PCA的健康因子提取

2.3.1 PCA算法原理

2.3.2 PCA算法适用性检验

2.3.3 基于PCA算法的健康因子提取

2.4 基于SAE的健康因子提取方法

2.4.1 SAE基本原理

2.4.2 基于栈式SAE的健康因子提取

2.5 健康因子实验验证与评估

2.5.1 定性评估

2.5.2 定量评估

2.5.3 评估结果分析

2.6 本章小结

第3章 基于NARX神经网络的同类型锂离子电池RUL间接预测

3.1 NARX神经网络

3.1.1 基本原理

3.1.2 网络结构

3.2 基于NARX的同类型锂离子电池RUL间接预测实验

3.2.1 间接预测策略

3.2.2 实验设计

3.2.3 实验结果分析

3.3 本章小结

第4章 基于自适应滑动窗LSTM的锂离子电池间接RUL预测

4.1 LSTM网络结构

4.2 带自适应滑动窗的LSTM模型结构

4.3 基于自适应滑动窗LSTM的锂离子电池间接RUL预测

4.3.1 间接预测策略

4.3.2 健康因子提取及其失效阈值

4.3.3 不同方法的间接寿命预测实验评估

4.3.4 不同预测起始点的寿命预测试验评估

4.4 本章小结

第5章 总结与展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢