摘要
锂离子电池具有循环寿命长、电压等级高且能量密度高的优点，目前被广泛应用在各个领域，但在使用的过程当中，存在过充过放、低温性能差和热失控等问题。为了安全、可靠、经济地使用锂离子电池，准确监测电池的健康状况和剩余使用寿命(RemainingUsefulLife,RUL)等状态参数至关重要，可靠的电池RUL预测可以保障电池组安全高效运行，最大程度上确保电池在运行过程中的安全性和可靠性，降低故障率和运行成本，提升用户体验。针对锂离子电池RUL预测，本文完成了以下工作: 首先介绍了锂离子电池内部结构解释了锂离子电池退化机理，分析了美国国家航空航天局提供的锂离子电池公开数据集进行了电池退化实验，对不同充放电循环周期下温度和电压随时间变化的情况进行了对比。为下一步锂离子电池RUL预测提供数据支撑。 其次对电池容量退化序列为时间序列这一特性，以长短期记忆(LongShort-TimeMemory,LSTM)网络模型作为基础。由于LSTM网络的预测精度很大程度由其网络的超参数决定，文章引入贝叶斯优化(BayesianOptimization,BO)方法，建立了BO-LSTM模型，同时对电池RUL的预测模型设定评价标准。实验结果表明，相对于LSTM与传统支持向量机回归(SupportVectorRegression,SVR)模型，BO-LSTM模型降低了RUL预测的误差。 最后为了让预测模型能更加适用于实际工况，同时针对输入特征存在冗余情况。采用主成分分析(PrincipalComponentAnalysis,PCA)降维处理后的特征作为预测模型的输入数据。针对数据小样本、非线性的特性，提出了基于混合神经网络方法的预测模型，综合双向长短期记忆(BidirectionalLongShort-termMemory,BiLSTM)和卷积神经网络(ConvolutionalNeuralNetworks,CNN)的优势。利用PCA方法对输入特征信息进行提取和降维，然后使用CNN-BiLSTM混合网络算法对处理后的数据进行寿命预测，最终得到锂离子电池RUL的预测结果。最后通过不同训练起点和不同模型实验的对比分析，PCA-CNN-BiLSTM模型的预测能力更精准，误差更小。证实了PCA-CNN-BiLSTM模型能比较精确的预测电池的RUL。
NETL