论文部分内容阅读
随着全球能源危机和环境污染问题的加重,人们越来越重视日常生活中能源和环境的保护,因此,以纯电动汽车为代步工具的出行方式越来越受人们青睐.锂离子动力电池为纯电动汽车提供动力来源,其占纯电动汽车成本的比重较高,所以锂离子动力电池的监测和管理技术引起了人们的关注.电池健康状态(State Of Health,SOH)是电池管理系统中反映电池退化程度的重要参数.针对SOH难以准确估计的问题,本文以容量增量分析方法提取的特征参数为基础,设计基于RBF神经网络和SVR的SOH估计算法,提高SOH估计的准确性.本文的具体工作如下: (1)首先对锂离子电池的基本工作原理和电池模型进行简要介绍;然后分析电池过充、放电深度、自放电、集流体与电极分离、温度、电流等因素对电池老化的影响;进一步得到了电池充放电循环次数、电池内阻、电池容量、电池电压、电流、自放电率和电池内部温度七个可以表征电池容量衰退的参数. (2)采用容量增量分析方法提取反映电池SOH特征参数.首先通过简化的dQ/dV方法,对锂离子动力电池的恒流充电电压曲线进行变换,绘制出容量增量曲线;然后通过灰色关联分析方法,计算出容量增量曲线峰值强度、峰值位置电压与SOH的关联程度;最后选用与SOH关联性最强的峰值强度作为估计SOH的特征参数. (3)设计以峰值强度为输入SOH为输出的RBF神经网络模型和SVR模型估计SOH.根据输入输出个数以及经验公式,确定RBF神经网络模型的结构,采用粒子群算法对神经网络的隐层中心、宽度以及网络输出权重进行优化;采用粒子群算法对SVR模型的惩罚系数C、不敏感系数ε以及核参数δ进行优化. (4)基于NASA PCoE公开的锂离子电池循环充放电老化实验数据,对PSO-RBF神经网络SOH估计算法和PSO-SVR SOH估计算法进行测试验证.以B0005和B0006电池老化过程的容量增量曲线峰值强度和SOH数据集作为样本训练模型,以B0007电池的峰值强度和SOH作为测试数据验证算法的准确性.测试结果表明,PSO-SVR估计算法的估计精度更高. 本文的特色之处: (1)本文基于容量增量分析,设计了以RBF神经网络和SVR为模型的SOH估计算法,实现锂离子电池SOH的准确估计.这两种估计方法采用的表征参数是锂离子电池使用过程中可以直接采集的电池电压和电流数据,很容易地实现离线建立SOH估计模型,在线估计SOH. (2)RBF神经网络估计模型和SVR估计模型建立过程中,选择算法简单的粒子群算法对两个模型的关键参数进行优化,实现建模过程关键参数的全局最优搜索.