基于融合算法的锂离子电池剩余使用寿命预测

发布时间：2021-06-24 04:17

　　随着人们对系统可靠性的要求不断提高,故障预测技术具有越来越高的实用价值。故障预测是预先判断未来有可能出现的故障或者故障演变的趋势,为消除潜在的安全隐患,降低人员伤亡和财产损失提供技术支持。故障预测主要包括故障的早期端倪检测和系统、元件等的剩余寿命预测。锂离子电池是一种广泛使用的储能和供能元件,对其剩余使用寿命进行准确估计,在电池失效之前及时更换,可以有效的保障系统正常运行,避免重大事故发生。本文基于锂离子电池双指数容量退化模型,研究了锂离子电池剩余使用寿命的融合预测算法,提高了预测效果。本文首先简单分析了电池容量衰减的主要原因,讨论了电池的退化模型,将电池的剩余寿命预测转化为电池容量预测。然后将无迹卡尔曼滤波器应用于锂离子电池的寿命预测,在此基础上,提出用数据驱动方法预测残差校正项的融合思路。第一种融合算法是用BP神经网络对未来残差趋势进行迭代预测,恢复滤波器的预测更新功能。通过锂离子电池容量数据集的仿真实验,引入四个评价指标,验证了这一融合思路的可行性。为了进一步改善预测效果,提出了第二种融合预测算法,用K-均值聚类算法调整径向基神经网络的基函数中心,优化后的网络来预测滤波器残差值,... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

RBF神经网络结构图

【参考文献】：
期刊论文
[1]一种结合UKF的疲劳结构剩余寿命预测方法[J]. 罗斌,林琳,钟诗胜.  哈尔滨工业大学学报. 2018(07)
[2]基于数据的复杂工程系统故障预测[J]. 陈朝旭,方华京.  上海应用技术学院学报(自然科学版). 2016(01)
[3]锂电池健康状态监测与评价技术研究[J]. 陈满,李勇琦,刘邦金,王浩.  水电站机电技术. 2015(S1)
[4]锂离子电池健康评估和寿命预测综述[J]. 刘大同,周建宝,郭力萌,彭宇.  仪器仪表学报. 2015(01)
[5]电动车锂离子电池健康状态模型研究进展[J]. 李勇,王丽芳,廖承林.  电源技术. 2013(05)
[6]大型数控设备故障预测与健康管理视情维修系统[J]. 赵中敏,王茂凡.  机床电器. 2011(06)
[7]一种基于改进k-means的RBF神经网络学习方法[J]. 庞振,徐蔚鸿.  计算机工程与应用. 2012(11)
[8]复杂系统故障预测方法与应用技术研究[J]. 吴明强,房红征,伊大伟.  计算机测量与控制. 2010(01)
[9]故障预测与健康管理技术综述[J]. 彭宇,刘大同,彭喜元.  电子测量与仪器学报. 2010(01)
[10]基于HMM的设备故障预测方法研究[J]. 康建设,马伦,李望伟,赵强.  系统仿真技术. 2009(03)

硕士论文
[1]人工神经网络在数据挖掘中的应用研究[D]. 崔丽群.辽宁工程技术大学 2004



本文编号：3246351