摘要
资源短缺及环境污染问题日益严重，锂离子电池由于能量密度高、寿命长、轻量化、绿色无污染等特点，被广泛应用于储能系统、新能源等领域。锂离子电池健康状态的准确预测对电池管理系统（BatteryManagementSystem,BMS）的设计研发具有重要意义。本文基于锂离子电池实验数据集挖掘表征电池老化的健康因子，通过深度学习融合模型实现了锂离子电池健康状态的高精度预测，并引入PSO算法解决了超参数难以选定的问题。本文的主要工作内容如下: （1）介绍了锂离子电池组成结构和工作原理。基于充放电信息分析其老化衰减趋势，选取容量指标表征电池健康状态。为了验证后续模型的鲁棒性能，介绍了两种不同的锂离子电池老化数据集。 （2）针对电池容量难以直接测得问题，本文从电流、电压、容量等表象数据中挖掘出了能够反映容量衰减的健康因子，基于统计学理论验证了所选健康因子的可行性。通过核主成分分析法对健康因子进行融合处理，以降低特征之间的冗余度，并采用Box-Cox变换增强健康因子与容量的相关性。 （3）针对锂离子电池不同生命周期阶段寿命衰减趋势的不同问题，依靠长短期记忆网络对数据的长期依赖能力，分别建立了包括前中后期在内的锂离子电池全生命周期的健康状态预测模型。考虑到无法实时获得锂离子电池全周期的健康因子，采用卷积神经网络基于历史数据实时预测健康因子序列，并引入粒子群优化算法。然后与长短期记忆网络模型融合，实现了健康状态的实时预测。 最后，采用Web开发技术设计并实现了锂离子电池管理系统，主要包括健康因子提取与分析、容量预测以及模型更新等功能，并且通过可视化操作界面便于工程人员的使用。
NETL