论文部分内容阅读
目前,电动汽车因污染小、价格低等优势受到欢迎。锂离子电池作为电动汽车中应用最广泛的一种动力来源,其健康有效管理关乎汽车行驶安全和运行效率。由于汽车运行环境多变、电池内部电化学反应复杂,电池数据具有非线性和复杂多变特性,健康状态(State of Health,SOH)是表征电池性能的重要参数。由于SOH不可直接测量且易受其他参数影响,其精确估算具有挑战性,已引起学者和工程技术人员们的广泛关注,成为研究热点。学者们已经提出了很多好的SOH估算方法,其中基于误差反向传播(Back Propagation,BP)的神经网络在非线性数据拟合上有较好的学习能力和误差收敛能力,在SOH估算方面取得了较好的估算效果。但存在易陷入局部最优和泛化能力弱的问题,影响了估算精度,难以应用于实际的汽车运行数据。为此,提出基于LAdaBoost的分数阶BP神经网络以提高估算精度;提出基于新息改进的扩展卡尔曼滤波算法以解决电池数据预处理问题;在此基础上,设计并实现了锂离子电池健康状态管理系统。论文的主要工作如下:(1)提出一种基于LAdaBoost的分数阶BP神经网络的锂离子电池健康状态估算算法(Caputo BP Neural Network Method for Estimating State of Health of Lithium-ion Battery Based on Logic AdaBoost Algorithm,LAdaBoost-CBP)以实现SOH的精确估算。利用分数阶微积分替代整数阶微积分以解决BP神经网络陷入局部最优问题;在AdaBoost的样本权重更新公式中引入一个基于Logic函数变形得到的更新因子以解决样本退化问题;将CBP作为弱学习器,利用LAdaBoost将弱学习器提升为强学习器,从而准确拟合SOH与电池可测参数间的映射关系,达到准确估算SOH的目的。将本文所提算法与相关算法在NASA数据集和汽车运行工况数据集(GongKuang Database,GKDB)上进行实验比较,结果表明,均方根误差分别降低1.5%~36.8%、7.4%~23.3%,显著提高了SOH估算精度。(2)提出基于新息扩展卡尔曼滤波的电池数据预处理算法(Preprocessing Algorithm of Battery Data Based on Innovation Extended Kalman Filter,IN-EKF)以消除扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)未消除的异常值,从而为LAdaBoost-CBP提供平稳的输入数据,以保证估算精度的稳定性。通过判断新息是否具有正交性来辨识EKF滤波后的数据是否为异常值,并用最小二乘法拟合修正值以保证数据的连续性和稳定性。将本算法与相关算法在NASA和GKDB数据集上进行实验比较,结果表明,异常值数量较EKF算法分别降低528~672和2720个,异常值处理能力明显提升;SOH估算的均方根误差较预处理前分别降低5%~18.3%、27.9%,有效降低异常值对估算精度的影响。(3)基于B/S(Browser/Server)模型、MySQL数据库和Java语言,设计并实现了锂离子电池健康状态管理原型系统。该系统具有数据导入、数据预处理、SOH估算和结果展示等功能,满足SOH精确估算的需要。