论文部分内容阅读
锂离子电池因其具有能量密度大、循环寿命长、安全性能高等优点被广泛应用于电动汽车、通讯设备、航空航天等领域。作为系统的核心部件,电池退化会影响整个系统的正常运行,甚至会引发严重的安全事故和经济损失。锂离子电池健康状态(State of Health,SOH)估计及剩余寿命(Remaining Useful Life,RUL)预测能有效预知其性能退化程度,有助于实现视情维修和提高系统的可靠性,具有重要的研究和实用价值。本文以锂离子电池为研究对象,并对其SOH估计及RUL预测两个核心问题进行深入研究,主要研究内容如下:首先,给出基于经验退化模型的锂离子电池RUL预测方法。通过对锂离子电池寿命退化数据进行分析,本文从退化率的角度建立一种电池容量经验退化模型,以克服现有预测模型中模型普适性差、建模复杂、预测精度不足等问题。该模型适用于标准工况下同型号的锂离子电池,只需知道电池初始容量,即可直接模拟出电池寿命曲线,具有良好的实用性。其次,建立基于经验退化模型与误差补偿模型相结合的融合型锂离子电池SOH估计方法。经验退化模型虽然能预测出电池全局退化趋势,但难以对电池退化过程中差异性及非线性退化现象进行精确描述。在经验退化模型的基础上,结合基于数据驱动方法的误差补偿模型,以对经验退化模型中未能描述的退化信息进行补充说明;误差补偿模型综合考虑了实际运行环境对电池退化的影响,从根本上提高了电池退化过程中SOH估计的精度。最后,提出基于蒙特卡洛思想的锂离子电池SOH全寿命周期退化区间预测方法。在前文所建融合型SOH估计方法的基础上,结合蒙特卡洛思想,在一定工况范围内随机产生大量工况条件特征,以模拟相似运行环境下的锂离子电池退化特性,最终预测出锂离子电池全寿命周期下SOH退化区间,所绘制的退化区间对同型号锂离子电池健康管理具有一定的指导意义。本文基于NASA PCoE研究中心提供的锂离子电池公开数据集对所提方法进行了实验验证,结果表明了所提方法良好的预测表现及适用性。图[33]表[10]参[88]。