基于深度学习的锂电池剩余寿命预测方法研究

发布时间：2020-12-07 07:43

　　锂离子电池凭借清洁、稳定等独特优势已经被广泛应用于了各个领域,同时对锂电池的预测和健康管理也成为必要性工作。随着充放电过程的进行,锂离子电池的性能不断地退化,剩余使用寿命（Remaining Useful Life,RUL）不断缩短。因此,预测锂电池的RUL成为了评估健康状态的重要方法。目前已有的锂电池RUL的预测方法包括基于模型的方法和数据驱动的方法。基于模型的方法往往需要对锂电池的性能退化过程有详细的了解以建立退化模型,而建立的模型通常较为复杂且泛化性能有限。数据驱动的方法则通过历史数据来进行RUL预测,而不需要对具体退化过程有深入的了解。本文从数据驱动的预测方法出发,根据电池运行过程的历史数据通过以深度学习为核心的方法对锂电池的RUL预测进行研究,主要的研究工作如下:首先,提出了一种基于长短时记忆（Long-Short Term Memory,LSTM）结构的神经网络模型对锂电池的容量序列进行预测以实现RUL的预测。通过LSTM结构拟合锂电池容量的退化趋势,提取容量序列中体现的退化特性,对未来容量变化做出预测以确定RUL的终止周期。实验结果证明了预测模型在容量序列预测中的有效性,... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

CALCE电池容量退化曲线

图 2-1 CALCE 电池容量退化曲线量退化曲线可以看到，锂离子电池容量在开始阶段时的衰减在容量衰减到一定程度之后，衰减速度会急速提升，此时电点，之后由于已经达到使用寿命终止阈值，容量衰减不再考虑线可以看到，容量序列数据中存在明显的离群异常值点，可里根据拉伊达准则，计算容量前后周期变化的差值，并统计和标准差 ，去除掉差值在区间( 3 , 3 )之外的周期容行了去噪处理。去除异常值点后的容量退化曲线如图 2-2 所示

哈尔滨工业大学工学硕士学位论文NASA 电池退化数据集来自于 18650 锂离子电池，在室温条件下通过对进行充电、放电和测量阻抗三种操作得到。其中，充电过程为在恒流 1.5A下充电至电压达到 4.2V，之后恒压状态下充电电流下降至 20mA。放电过将电池分别以 2A 的恒定电流进行放电，直至下降至各自规定的电压。之电池进行 0.1Hz 至 5kHz 的电化学阻抗谱扫描进行阻抗的测量。在对 NA据集进行的相关研究中，通常将退化至额定容量的 70%时的放电周期数设电池的 RUL 终止点。NASA 数据集其中一组同种电池的容量退化曲线如图 所示。和 CALCE 数据集中明显的异常容量周期点不同，NASA 数据集中的现象更加频繁，这是由于在锂电池充放电测试过程中发生了自充电现象，部分周期出现了容量上升的现象。


本文编号：2902903