动力电池SOH估计及故障预测方法研究

发布时间：2017-08-02 12:35

  本文关键词：动力电池SOH估计及故障预测方法研究

  更多相关文章： 动力电池 健康状态估计 支持向量机 高斯过程回归 样本熵

【摘要】：近年来由于汽车产业的快速发展,环境污染与能源危机问题日益突出。为了解决这两大问题,我国已开始大力发展各种新能源汽车,尤其是纯电动汽车。动力电池是纯电动汽车的动力来源,其性能好坏直接影响着电动汽车的整车性能。电池在使用过程中,电池的容量和内阻等参数将会逐渐出现不可逆的变化,使得电池性能下降,从而影响电池的使用寿命。有效地估计动力电池的健康状态,可以及时采取措施保护电池,延长动力电池的使用寿命;同时确保设备的安全性和可靠性,预防严重事故的发生。本文分别基于实验室数据和电池在线数据,根据其不同的使用条件和数据特点采用了不同的方法对电池的健康状态进行了估计。首先介绍了几种常用的动力电池以及使用情况和动力电池健康状态的定义,分析了电池容量发生衰减的原因,比较了电池健康状态各种预测方法的应用和优缺点。其次,从电池的实验室充放电循环数据出发,采用数据驱动方法中的支持向量机估计了电池的健康状态。其中,估计过程中采用的C-SVR算法,就是在硬ε-SVR算法的基础上引入惩罚参数C和松弛变量ξ。模型中的参数依据交叉验证法来选取。结果表明支持向量机能够在一定误差范围内估计出电池的健康状态。为了给出估计结果的置信区间,采用高斯过程回归估计了电池的健康状态。估计过程中需要确定协方差函数、均值函数以及似然函数,其关键问题在于协方差函数的选取。本文基于最小二乘曲线拟合提出了一种选择高斯过程回归中协方差函数的方法。估计结果表明,高斯过程回归能够更加准确地预测出电池的健康状态,同时能够给出估计结果的置信区间。最后,本文从实际电池的实际充放电循环数据出发,根据电池数据特征,对车用动力锂离子电池采用基于知识的方法分析了电池性能变化特点,并结合高斯过程回归通过在线直流内阻对电池的健康状态进行了估计。对镍镉和镍氢电池分别采用基于经验的方法和样本熵法估计电池的健康状态。结果表明,基于知识的方法能够得到电池内阻等参数的变化趋势。基于经验的方法能够预测出电池可能出现的故障,并给出电池的健康状态。样本熵可以通过计算电池参数的复杂度来反映出电池的健康状态。
【关键词】：动力电池 健康状态估计 支持向量机 高斯过程回归 样本熵
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM912

【参考文献】

中国期刊全文数据库 前1条

1 姜久春;;电池管理系统的概况和发展趋势[J];新材料产业;2007年08期

，

本文编号：609340