论文部分内容阅读
为了减少机动车尾气的排放和缓解全球的能源危机,近年来电动汽车产业在我国得到了迅速的发展。电池的安全性对于电动汽车尤为重要,锂离子电池的健康状态（State of Health,SOH）估算和剩余使用寿命（Remaining Useful Life,RUL）预测是电池管理系统（Battery Management System,BMS）的不可或缺的功能。准确地估算电池的SOH和预测电池的RUL,有助于提高电池使用的可靠性和安全性。针对锂离子电池健康状态估算和剩余使用寿命预测,本文做了如下方面的工作:基于锂离子电池的工作原理进行了劣化机理分析,并对电池劣化的影响因素进行了分析。以放电容量作为锂离子电池SOH的评价标准,根据在充放电循环中的电压和电流曲线,提炼出了几个健康因子,利用斯皮尔曼相关性分析方法对这几个健康因子和实际的SOH进行相关性分析,并根据相关性分析的结果对健康因子进行筛选,最终筛选出了3个健康因子。根据电池容量衰退曲线非线性的特性,选取了支持向量回归（Support vector machine,SVR）进行SOH估算。基于之前确定的健康因子,利用SVR模型建立其与SOH的关系,以高斯径向基函数作为SVR模型的核函数。使用差分进化算法（Differential evolution,DE）对SVR模型进行参数寻优,以NASA PCo E中心和CACLE中心的锂离子电池循环寿命实验的实验数据进行验证。仿真结果表明,DE-SVR模型能够较为准确地进行SOH的估算。使用基于遗传算法（Genetic Algorithms,GA）的无迹粒子滤波算法（UPF）预测锂离子电池的剩余使用寿命。由于标准粒子滤波算法存在粒子多样性丧失和退化的问题,用无迹卡尔曼滤波生成建议密度分布函数,用GA优化重采样过程。比较了三种电池容量退化的经验方程,最终选取集合模型作为锂离子电池的容量退化模型。在MATLAB的环境下验证表明,相比标准粒子滤波算法,GA-UPF模型能够较为准确地进行RUL的预测。