中年|基于GMDH模型的电池健康度估计 |电池|估计|

本文插图

摘要

电池健康度是电池管理的核心参数，本论文旨在辅助电池健康度的预测。电池可以划分为系统，内部状态两个部分进行描述。电池健康度作为内部状态的一部分，可以由一些可观测的电池参数计算得到。基于电池的开路电压曲线，不同的几何分析方法采用不同的输出特征进行预测。此外，利用数据处理分组方法(GMDH)多项式神经网络建立了微分几何特性与电池健康度之间的关系模型。因此，电池健康度的预测可以通过数据处理分组方法对输入电压特性曲线进行分析得到。通过对不同的锂电池进行实验，结果证明此类方法的预测结果是真实可靠的。
介绍
作为能源存储介质，锂电池已经被广泛的应用于新能源领域，因为较其他材料的电池，锂电池能量密度，可靠性更高，而且寿命更长。但是，随着使用时间的增长，电池健康度会产生变化，进而表现出不同的特性，极端情况下会变得不稳定，产生非常危险的情况。电池管理系统是用来管理电池健康度，提升电池安全性甚至是延长电池寿命的管理系统。
本项目基于锂电池进行电池健康度的研究，电池的健康度可以分为三步骤得到：（1）选择合适的输出特征，此类特征的值可以经传感器被电池管理系统获得。（2）建立模型，描述电池内部状态和外部测量特征之间的关系。（3）基于建立的模型计算电池的内部状态，即电池健康度。
最近几年已经产生了很多面向电池健康度预测的模型和算法。比如有使用充放电电流，开路电压和温度来预测电池剩余电量和健康度的模型；使用适应性神经网络和线性预测误差方法来评估电池健康度和剩余使用寿命的预测；使用扩充卡尔曼滤波算法预测电池容量并以此推断电池健康度；使用遗传算法来确定模型参数以及预测电池健康度；使用支持向量回归算法提供容量增量峰值与电池容量衰减之间的定量关系，该方法也被开发应用于完成电池健康度观测的任务；虽然已经有了这么多方法来评估电池健康度，但是考虑到电池特征参数测量的限制条件，很多特征无法通过现有传感器技术获取，同时，上述方法的实现也受制于实际电池管理系统的计算能力。为了解决这些问题，本论文选择恒流充电时的开路电压作为特征来反应电池健康度，使用微分几何方法从实验数据中数千个样本点获取有效的特征数据，然后通过数据处理分组多项式神经网络来建立开路电压曲线和电池健康度之间的关系，并对电池健康度进行预测。此外，本论文还利用不同的锂电池实验来验证本方法的有效性。