基于無跡粒子濾波的鋰離子電池剩余循環(huán)壽命預測研究.pdf

1、鋰離子電池憑借能量密度大、電勢高、自放電率低、循環(huán)壽命長和無記憶效應等突出優(yōu)點，已經成為許多系統(tǒng)的核心儲能部件，如電動汽車、電氣設備、航天器電子設備等。然而其自身同樣存在安全性和可靠性問題，特別是電池的意外失效不僅會造成系統(tǒng)的失效和巨大的損失甚至產生災難性后果，為了阻止與弱化不良后果的發(fā)生，必須在鋰離子電池健康管理方面取得突破。因此，鋰離子電池的健康狀態(tài)的表征和剩余循環(huán)壽命預測等健康管理技術正逐漸成為研究的前沿技術，有效的電池剩余循環(huán)壽

2、命(Remaining Useful Cycle Life，RUCL)預測方法能夠優(yōu)化鋰離子電池維護策略，極大地提高系統(tǒng)的可靠性。
　　鋰離子電池是一種相當復雜的強非線性非高斯電化學系統(tǒng)，但其內部具體的化學反應又很難直接監(jiān)測，而且應用環(huán)境及負載工況的不確定性因素還會導致其性能退化狀態(tài)具有不穩(wěn)定性。本文首先從純數(shù)據(jù)驅動的角度出發(fā)，在最小二乘支持向量機框架下，利用粒子群算法的全局搜索尋優(yōu)能力，以相關參數(shù)最優(yōu)位置適應度值為目標，優(yōu)化支持

3、向量機的懲罰系數(shù)和核函數(shù)參數(shù)，建立相應的模型并應用于鋰離子電池剩余循環(huán)壽命的預測;其次從模型驅動和數(shù)據(jù)驅動相結合的角度出發(fā)，選取一種基于退化經驗模型和粒子濾波算法框架下的剩余循環(huán)壽命預測方法，利用證據(jù)理論來確定退化模型的初參數(shù)，結合退化樣本數(shù)據(jù)應進行剩余循環(huán)壽命預測，但粒子濾波算法實現(xiàn)過程中不可避免地出現(xiàn)粒子退化問題和重采樣過程中粒子匱乏現(xiàn)象，鑒于此，分別提出正則化粒子濾波和無跡粒子濾波來改善粒子濾波的兩種缺點。通過算法仿真分析和退化樣

4、本數(shù)據(jù)的狀態(tài)追蹤，提高預測精度和適應性，從而為鋰離子電池剩余循環(huán)壽命的預測提供一種新的技術思路。
　　論文的主要研究工作有:
　　(1)對失效機理及退化數(shù)據(jù)分析研究。
　　首先結合鋰離子電池的組成結構，介紹了鋰離子電池的工作原理，進行失效機理的研究分析，熟悉其失效形式及失效的內因和外因;其次以電池容量衰減為特征，引入以電解質電阻，電荷轉移電阻和雙層電容為總參數(shù)的反映實際容量衰減的電池退化經驗模型，最后利用證據(jù)理論良好不

5、確定性推理能力，結合退化樣本數(shù)初始化退化經驗模型參數(shù)，相比于模型參數(shù)的均值取值法，證據(jù)理論方法能夠獲得更精確的初始化參數(shù)，加快退化模型的收斂速度。
　　(2)支持向量機使用結構風險最小化原則代替經驗風險最小化原則，在小樣本情況下仍有比較好的辨識精度，而最小二乘支持向量機用訓練誤差的平方代替松弛變量，且用等式約束代替支持向量機中的不等式約束，加快了收斂速度，提高了訓練效率，但最小二乘支持向量機的精度與其懲罰系數(shù)和核函數(shù)參數(shù)密切相關，

6、為了避免基本參數(shù)空間窮盡搜索尋優(yōu)法帶來的不利影響，將粒子群算法與最小二乘支持向量機相結合，利用粒子群算法的全局搜索能力優(yōu)化最小二乘支持向量機的參數(shù)來追蹤鋰離子電池的退化趨勢，建立其預測模型，并應用于鋰離子電池RUCL的預測。
　　(3)針對粒子濾波重采樣過程中粒子匱乏現(xiàn)象，提出基于正則化粒子濾波的鋰離子電池剩余循環(huán)壽命預測方法。正則化粒子濾波算法在粒子濾波基礎上加上N次從核密度函數(shù)中生成過程，在保證復雜度相差不大的前提下，能夠有效

7、解決重采樣中粒子匱乏現(xiàn)象，提高濾波性能。結合鋰離子電池退化樣本數(shù)據(jù)的仿真分析表明，該方法能在獲得較好的RUCL預測效果，同時預測結果的概率密度函數(shù)收斂性較佳。
　　(4)針對粒子濾波的退化問題，提出了基于無跡粒子濾波的鋰離子電池剩余循環(huán)壽命預測方法。考慮到無跡卡爾曼算法產生的近似分布函數(shù)與真實的后驗分布具有很大的交叉重疊，同時其還能夠統(tǒng)計重尾后驗分布高階成分的估計誤差。遂在粒子濾波框架下，以無跡卡爾曼生成其建議分布函數(shù)，提出了基于