基于数据驱动的锂离子电池剩余寿命融合预测方法研究

发布时间：2022-04-26 22:01

　　锂离子电池被广泛应用于各种电子产品中,并逐渐扩展到电动车、飞机、航天器等领域。然而,锂离子电池也存在安全隐患。锂离子电池剩余使用寿命（Remaining Useful Life,RUL）预测是保障锂离子电池安全应用的关键技术。基于机理模型的锂离子电池RUL的预测方法预测精度高,但准确的通用机理模型很难获得。如果单纯利用某一种数据驱动的锂离子电池RUL预测方法,预测性能受限。因此本课题基于电池历史退化数据,在不依赖电池机理模型或经验退化模型的情况下,开展基于数据驱动的锂离子电池RUL融合预测方法研究,以提高RUL预测方法的通用性和预测精度。针对目前锂离子电池剩余寿命预测方法存在的一些问题,本文从以下三个方面展开锂离子电池RUL的融合预测方法研究:（1）针对粒子滤波（Particle Filter,PF）预测方法依赖电池经验退化模型,以及在多步迭代过程中无法获得真实观测数据的问题,本文提出了一种基于贝叶斯回归和动态状态估计的锂离子电池RUL融合预测方法,利用基于贝叶斯回归理论的相关向量机构建不依赖电池经验退化模型的状态估计模型,引入自回归（Auto Regressive,AR）模型的长期电... 

【文章页数】：121 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 锂离子电池剩余寿命预测概述
        1.2.1 锂离子电池剩余寿命预测基本概念
        1.2.2 典型锂离子电池退化数据分析
        1.2.3 数据驱动的锂离子电池剩余寿命预测的挑战
    1.3 锂离子电池剩余寿命预测方法研究现状
        1.3.1 基于机理模型的方法
        1.3.2 基于数据驱动的方法
        1.3.3 融合方法
        1.3.4 研究现状总结
    1.4 本文的主要研究内容与结构
第2章 基于贝叶斯回归和动态状态估计的融合预测方法
    2.1 引言
    2.2 问题的引出
    2.3 融合贝叶斯回归的数据驱动PF状态估计方法
    2.4 融合AR模型的动态状态估计
    2.5 融合方法预测精度实验与分析
        2.5.1 实验数据
        2.5.2 实验方法
        2.5.3 锂离子电池RUL计算方法
        2.5.4 预测方法性能指标
        2.5.5 实验结果及分析
    2.6 预测方法的效率分析
    2.7 本章小结
第3章 基于优化多核相关向量机模型的融合预测方法
    3.1 引言
    3.2 问题的引出
    3.3 多核的组合与优化分析
    3.4 基于果蝇算法优化的多核RVM融合预测算法
    3.5 融合方法预测精度实验与分析
        3.5.1 实验数据
        3.5.2 实验方法
        3.5.3 基于NASA数据集的实验结果
        3.5.4 基于CALCE数据集的实验结果
        3.5.5 与已有方法的实验结果比较
    3.6 预测方法的效率分析
    3.7 本章小结
第4章 基于长短期记忆网络深度学习模型的融合预测方法
    4.1 引言
    4.2 误差累积问题
        4.2.1 传统锂离子电池RUL预测方法的误差累积问题
        4.2.2 基于序列到序列LSTMN深度学习模型的构建
    4.3 基于序列到序列的LSTMN深度学习模型的预测方法
        4.3.1 整体框架
        4.3.2 LSTMN模型的构建
        4.3.3 三重交叉验证
        4.3.4 预测精度实验与分析
    4.4 基于BMA集成LSTMN深度学习模型的融合预测方法
        4.4.1 融合不同单体电池数据的LSTMN多模型构建
        4.4.2 基于BMA的 LSTMN多模型融合
        4.4.3 预测精度实验与分析
    4.5 预测方法的效率分析
    4.6 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其它成果
致谢
个人简历


【参考文献】：
期刊论文
[1]基于局部空间变稀疏约束的多核学习方法[J]. 王庆超,付光远,汪洪桥,辜弘扬,王超.  电子学报. 2018(04)
[2]基于拟熵自适应启动局部搜索策略的混合粒子群算法[J]. 曹玉莲,李文锋,张煜.  电子学报. 2018(01)
[3]Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm[J]. Yuchen SONG,Datong LIU,Yandong HOU,Jinxiang YU,Yu PENG.  Chinese Journal of Aeronautics. 2018(01)
[4]基于人工鱼群算法的自适应随机共振方法研究[J]. 孔德阳,彭华,马金全.  电子学报. 2017(08)
[5]一种改进的果蝇优化算法及其在气动优化设计中的应用[J]. 田旭,李杰.  航空学报. 2017(04)
[6]基于加权合成核与三重Markov场的极化SAR图像分类方法[J]. 宋婉莹,李明,张鹏,吴艳,贾璐,刘高峰.  电子学报. 2016(03)
[7]基于蚁群算法的面向服务软件的部署优化方法[J]. 李琳,应时,赵翀,董波.  电子学报. 2016(01)
[8]自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用[J]. 雷亚国,陈吴,李乃鹏,林京.  机械工程学报. 2016(01)
[9]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)
[10]多核多分类相关向量机在变压器局部放电模式识别中的应用[J]. 尚海昆,苑津莎,王瑜,张利伟.  电工技术学报. 2014(11)

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]卫星锂离子电池剩余寿命预测方法及应用研究[D]. 王红.哈尔滨工业大学 2013



本文编号：3648808