论文部分内容阅读
随着锂离子电池相关技术的成熟,其作为储能装置正被日益广泛地应用于电网储能、电子设备、电动汽车、军用装备等领域。锂离子电池作为各式各样用电设备的核心部件,其长时间保持安全平稳地运行至关重要。电池在使用过程中,其容量会逐步衰减,内阻不断升高,当电池衰减到一定程度时,其已经无法作为稳定的供电装置继续运行,此时,应当立即将其更换,否则将带来灾难性后果。而在电池正常工作时,对其能持续正常工作的时间进行估计,预测其剩余使用寿命,可以为维护者提供及时的信息,方便其在第一时间对电池进行必要的维护或更换,这对于避免不良后果的发生具有重要意义,也是目前的热点研究领域。本文以钴酸锂电池作为研究对象,对电池的衰减过程及机理进行了细致分析,从电池的温度、放电倍率、放电深度等外因以及电池内部发生在电极表面及电解液内部的电化学反应机理进行剖析,揭示电池衰减的内外部因素的影响。本文基于NASA及CALCE公布的钴酸锂电池充放电循环数据,采用标准粒子滤波算法（PF）及改进的支持向量回归粒子滤波算法（SVM-PF）对上述电池的剩余循环使用寿命进行预测。通过针对不同试验数据进行预测,验证了算法的适用性。针对相同电池数据,分别采用标准粒子滤波算法和支持向量回归粒子滤波算法对其进行预测,比较两种算法在预测精度上的优劣,为实际的车载在线预测的算法选择提供试验依据。研究结果表明,标准粒子滤波算法可以应用于电池剩余循环使用寿命的预测,其预测精度较高。本文中针对NASAB0005、B0006、B0007电池寿命预测结果的相对误差依次为23%、30%、26%;基于CALCE公布的CS233、CS234、CS236、CS237四块电池的寿命预测结果相对误差依次为1.85%、1.96%、2.88%、3.26%。相比之下,支持向量回归粒子滤波在预测的速度和精度方面要优于标准粒子滤波。针对NASAB0005、B0007、B0018电池,支持向量回归粒子滤波算法预测的相对误差依次为20.51%、24.69%、8.33%。针对CALCE公布的CS233、CS234、CS236、CS237电池,采用支持向量回归粒子滤波算法的四块电池寿命预测相对误差依次为0.93%、0.98%、1.92%、2.17%。证明支持向量回归粒子滤波相比于标准粒子滤波具有更好的预测性能,其预测精度和对局部剧烈波动数据的适应性要明显优于标准粒子滤波算法。因此,支持向量回归粒子滤波作为一类新兴的算法可以被更广泛地应用于数据预测及相关领域。