论文部分内容阅读
锂离子电池因其自身具备很多优越的性能，作为储能系统的重要元件在许多工业领域得到了日益广泛的应用。为了保证锂离子电池安全稳定的工作状态，需要为其配备电池管理系统(Battery Management System，BMS)，对其进行有效的故障预测和健康管理，其中健康状态(State of Health，SOH)估计和剩余寿命(Remaining Useful Life，RUL)预测都是BMS的核心功能。
锂离子电池的性能在使用过程中会发生退化，这一老化过程既受到外部负载和环境的变化的影响，也与其内部的物理化学反应和热效应密切相关，是一个复杂的非线性过程。但在实际应用中，表征其SOH的容量和阻抗都难以实现在线测量。因此本文以相关向量机(Relevance Vector Machine, RVM)算法为基础，对锂离子的SOH估计和RUL预测问题开展研究，为锂离子电池的安全维护和健康管理提供参考。本文的主要研究工作包括以下内容：
(1)对能表征电池SOH的间接健康特征进行了研究，提出了一种充电阶段健康特征的提取方法。首先从电池的充电电流、电压和温度曲线中选取14个间接健康特征，进行灰色关联度分析，并选择与容量关联度高的健康特征构成健康特征矩阵，然后用主成分分析对其进行优化，构建一种考虑温度影响，能适应电池复杂工况变化的间接健康特征。
(2)对锂离子电池的SOH估计方法进行研究，提出了一种基于自适应RVM的SOH估计方法。本文使用间接健康特征作为模型输入，训练RVM回归模型，并用一种改进粒子滤波算法对RVM的核函数进行优化，提高模型精度和泛化能力。通过在不同温度、工况条件下以及训练集的实验，验证了基于自适应RVM和间接健康特征的SOH估计方法的精度和鲁棒性。
(3)针对锂离子电池的容量退化趋势非线性、波动性和不确定性的特征，本文提出了一种基于灰色马尔可夫容量退化模型和RVM的锂离子电池RUL概率性预测方法。灰色马尔可夫用一种初值优化的离散灰色模型对容量退化的整体趋势进行建模，并用叠加马尔可夫链模拟容量曲线的波动，提高建模精度，最后由RVM回归提供最终的RUL点和区间预测结果。在验证实验的结果表明，RVM不仅提高了RUL点预测的精度，其输出的区间预测结果也能提供更全面有效的参考信息。
锂离子电池的性能在使用过程中会发生退化，这一老化过程既受到外部负载和环境的变化的影响，也与其内部的物理化学反应和热效应密切相关，是一个复杂的非线性过程。但在实际应用中，表征其SOH的容量和阻抗都难以实现在线测量。因此本文以相关向量机(Relevance Vector Machine, RVM)算法为基础，对锂离子的SOH估计和RUL预测问题开展研究，为锂离子电池的安全维护和健康管理提供参考。本文的主要研究工作包括以下内容：
(1)对能表征电池SOH的间接健康特征进行了研究，提出了一种充电阶段健康特征的提取方法。首先从电池的充电电流、电压和温度曲线中选取14个间接健康特征，进行灰色关联度分析，并选择与容量关联度高的健康特征构成健康特征矩阵，然后用主成分分析对其进行优化，构建一种考虑温度影响，能适应电池复杂工况变化的间接健康特征。
(2)对锂离子电池的SOH估计方法进行研究，提出了一种基于自适应RVM的SOH估计方法。本文使用间接健康特征作为模型输入，训练RVM回归模型，并用一种改进粒子滤波算法对RVM的核函数进行优化，提高模型精度和泛化能力。通过在不同温度、工况条件下以及训练集的实验，验证了基于自适应RVM和间接健康特征的SOH估计方法的精度和鲁棒性。
(3)针对锂离子电池的容量退化趋势非线性、波动性和不确定性的特征，本文提出了一种基于灰色马尔可夫容量退化模型和RVM的锂离子电池RUL概率性预测方法。灰色马尔可夫用一种初值优化的离散灰色模型对容量退化的整体趋势进行建模，并用叠加马尔可夫链模拟容量曲线的波动，提高建模精度，最后由RVM回归提供最终的RUL点和区间预测结果。在验证实验的结果表明，RVM不仅提高了RUL点预测的精度，其输出的区间预测结果也能提供更全面有效的参考信息。