基于神经网络模型的锂离子电池寿命预测研究

发布时间：2021-10-27 08:16

　　锂离子电池的循环寿命预测一直是电池健康管理系统的重点,寻找一种快速精确的预测方法对使用锂离子电池作为电源装置的设备具有重要意义。目前,针对锂离子电池的循环寿命预测,国内外已经展开了大量的研究工作,主要分为基于物理模型和基于数据驱动两种方法。以粒子滤波为代表的传统锂离子电池循环寿命预测方法大多依赖于物理或经验模型。然而在基于这种模型的观测方程中,没有充分考虑不同工况下单个电池的适应性和准确性,同时由于电池内部的电化学反应比较复杂,很难通过传感器精确测得各参数的值,这限制了物理模型的发展。除此之外,因为传统的数据驱动方法没有考虑前后数据之间的联系,对锂离子电池循环寿命的预测往往精度不高。因此,本文以神经网络模型为基础,研究锂离子电池循环寿命预测问题,主要内容如下:首先,本文描述了锂离子电池剩余循环寿命领域的国内外研究现状,对锂离子电池的工作原理和本质特点进行了分析,对影响电池实际容量衰减的诸多参数进行了细致观察和描述,并指出电池的放电温度、放电电压等参数是影响电池容量的主要因素,同时说明电池的实际容量是表征电池健康状态的重要参数。其次,分别以BP网络和NAR网络作为静态神经网络和动态神经网... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

锂离子电池的一种典型结构图

而不断变化的电池内部参数。图 2-2 B5 电池一次完整的充放电循环从图 2-2 的放电过程中可以看出，刚开始放电的时候，电池电压下降相对较快，工作一段时间后，随着内部的化学反应趋于稳定，电池的电压变化非常小或者说几乎不变，这段时间指的就是电池的平台电压。再然后随着放电的进行，电池电压急剧下降。对获得的数据集进行测试可知，在循环放电过程中，电池电压和负载测量电压会随着循环次数的不断增加而逐渐降低，并且越到循环后期，电池达到放电截止电压的时刻越早，如图 2-3 所示(以 B5 电池为例)。(a) 电池电压变化曲线 (b) 负载测量电压变化曲线图 2-3 电池电压和负载测量电压随循环次数的变化曲线从图 2-3(a)中可以看出，单次放电循环条件下，电池?

如 C=800mAh，1C 充电率即充电电流为 800mA），充电电流越大，越短，但是此时电池容量由于内部的电化学反应需要时间很难短时间内充会使电池发热严重。过大的放电电流会导致电池内部发热，有可能会造成永久的损害。从图以看出，电池放电电流越大，放电容量越小，电压下降越快。

【参考文献】：
期刊论文
[1]基于相关向量机的锂离子电池剩余寿命预测[J]. 李赛,庞晓琼,林慧龙,王竹晴.  计算机工程与设计. 2018(08)
[2]锂电池剩余寿命的ELM间接预测方法[J]. 姜媛媛,刘柱,罗慧,王辉.  电子测量与仪器学报. 2016(02)
[3]粒子滤波在锂离子电池剩余寿命预测中的应用[J]. 苗强,崔恒娟,谢磊,周雪.  重庆大学学报. 2013(08)
[4]改进型灰色模型在铅蓄电池失效预测中的应用[J]. 李刚,谢永成,李光升,程延伟.  电子测量技术. 2011(05)
[5]航天用锂离子电池性能评估[J]. 邹连荣,韩文伟,陈猛,解晶莹.  应用科技. 2007(05)

博士论文
[1]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013

硕士论文
[1]基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究[D]. 吴婧睿.大连海事大学 2017
[2]基于数据驱动的锂离子电池剩余寿命预测模型及软件实现[D]. 朱亮标.华南理工大学 2014
[3]基于粒子滤波的锂离子电池剩余寿命预测方法研究[D]. 罗悦.哈尔滨工业大学 2012
[4]锂离子电池管理系统的研究与实现[D]. 乔立彪.山东大学 2012



本文编号：3461218