摘要
锂电池的剩余使用寿命(RemainingUsefulLife,RUL)预测研究是故障预测与健康管理中不可或缺的一部分。为保证电动汽车安全行驶和最大化使用能量，准确、及时地预测锂电池的RUL尤为重要。由于锂电池内部结构的复杂性，机理模型难以囊括锂电池的退化趋势，数据驱动应运而生。本文针对数据驱动中健康因子(HealthIndicator,HI)构建和预测算法选择存在的问题展开研究，主要内容如下： 1.针对HI的通用性差、泛化性低的问题，本文构建一种新的用于锂电池RUL预测的高品质HI。分析不同锂电池的循环寿命实验数据与RUL退化的关系，基于放电电压构建一种新的HI即平均电压降(AverageVoltageDrop,AVD)，使用皮尔逊相关系数和斯皮尔曼等级相关系数双重验证AVD与容量的相关性，不同锂电池的相关系数的最小值为0.9783，表明AVD与容量极强相关。 2.针对预测算法与HI的相关性低的问题，本文使用AVD分别结合相关向量机(RelevanceVectorMachine,RVM)和长短期记忆(LongShort-TermMemory,LSTM)构建RUL间接预测模型，其中涉及寻找相对最优的RVM核函数参数和LSTM参数，建立相对最优的预测模型，提高预测精度。实验结果表明，一是RVM预测模型均能准确地间接预测不同锂电池的RUL，均方根误差(RootMeanSquareError,RMSE)和平均绝对误差(MeanAbsoluteError,MAE)的最大值分别为0.0169和0.0134，证明AVD的有效性、通用性和泛化性。二是LSTM预测模型均能长期追踪容量衰退趋势，RMSE和MAE的最大值分别为0.0911和0.0784。对比与分析LSTM和RVM在不同锂电池上的预测性能，相较于LSTM，RVM更加适合AVD。 3.针对RVM间接预测模型不能实现RUL在线和单点预测的问题，本文构建一种基于RVM-RVM的锂电池RUL直接预测方法，分别在不同锂电池上加以验证，实验结果表明该方法能有效地实现RUL直接预测。
NETL