鋰離子電池的健康狀態(tài)和剩余壽命預測是當前的研究熱點之一。電池作為復雜的電化學系統(tǒng),其退化機理的研究較為困難。大數(shù)據(jù)時代,機器學習的方法給鋰離子電池的健康狀態(tài)和剩余壽命預測提供了一種新的解決思路,可以繞開復雜的機理分析,近年來已經成為主流的預測方法。但是,機器學習模型在應用過程中,其效果主要受幾個方面的影響比較大,一是特征本身的構造和預處理,直接影響到整個模型的效果。二是模型訓練和超參數(shù)的優(yōu)化。本文主要研究了特征的預處理方式、特征的構造方法和組合優(yōu)化,并在此基礎之上完成健康狀態(tài)和剩余壽命預測,主要工作如下:(1)對于健康狀態(tài)的預測,直接從充電曲線上構造特征,采用改進的預處理方式,利用深度學習中的長短時記憶網絡模型,挖掘退化過程的長期依賴性,并用貝葉斯方法優(yōu)化超參數(shù),同時已完成的狀態(tài)預測后續(xù)可用于剩余壽命的計算。(2)在有同類電池數(shù)據(jù)的情況下,提出一種自動的特征構造方法。首先基于形狀相似性以及異常自動篩選算法,實現(xiàn)特征的自動構造。然后通過正交試驗設計的方式,進行特征的組合。最后,采用自動調參方法,進行超參數(shù)的優(yōu)化。其特征的構造和組合方式可用于其他電池的預測。(3)對于已預測好的健康狀態(tài),使用粒子濾波,實現(xiàn)壽命預測結果的不確定性表示。首先是通過粒子濾波模型,動態(tài)的跟蹤電池參數(shù)的變化,實現(xiàn)電池參數(shù)的估計,然后在此基礎上,用粒子模擬電池退化,實現(xiàn)壽命的預測。試驗結果表明,本文提出的預測方式可以直接用于在單一電池情況下的健康狀態(tài)預測,或是在已有其他同類電池數(shù)據(jù)的情況下,獲得更好的預測效果。并在此基礎上,最終實現(xiàn)電池的參數(shù)估計和壽命的不確定性預測。   

[關鍵詞]：

長短時記憶網絡;粒子濾波;機器學習

[文獻類型]： 碩士論文
[文獻出處]：

華中科技大學2021年

[格式]：PDF原版; EPUB自適應版(需下載客戶端)

相關知識

多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預測方法.pdf
基于新健康因子的鋰電池健康狀態(tài)估計和剩余壽命預測
鋰離子電池壽命測試與健康狀態(tài)估計
鋰離子電池荷電狀態(tài)估計及壽命預測方法研究
鋰離子電池健康狀態(tài)估計簡介：基于Python的數(shù)據(jù)處理計算SOH, RUL, CCCT, CVCT
動態(tài)工況下鋰離子動力電池荷電狀態(tài)估計和健康狀態(tài)預測
鋰電池健康狀態(tài)如何影響電池壽命
電池壽命預測與健康評估.pptx
基于電化學模型的鋰離子電池健康狀態(tài)估算
FIE ?北理工陳來研究員：機器學習和神經網絡支持的鋰離子電池健康狀態(tài)模擬和預測模型—論文—科學網

網址: 基于機器學習的鋰離子電池健康狀態(tài)與剩余壽命預測 http://www.u1s5d6.cn/newsview1388233.html