鋰離子電池被廣泛應用于各種電子產(chǎn)品中,并逐漸擴展到電動車、飛機、航天器等領(lǐng)域。然而,鋰離子電池也存在安全隱患。鋰離子電池剩余使用壽命（Remaining Useful Life,RUL）預測是保障鋰離子電池安全應用的關(guān)鍵技術(shù)。基于機理模型的鋰離子電池RUL的預測方法預測精度高,但準確的通用機理模型很難獲得。如果單純利用某一種數(shù)據(jù)驅(qū)動的鋰離子電池RUL預測方法,預測性能受限。因此本課題基于電池歷史退化數(shù)據(jù),在不依賴電池機理模型或經(jīng)驗退化模型的情況下,開展基于數(shù)據(jù)驅(qū)動的鋰離子電池RUL融合預測方法研究,以提高RUL預測方法的通用性和預測精度。針對目前鋰離子電池剩余壽命預測方法存在的一些問題,本文從以下三個方面展開鋰離子電池RUL的融合預測方法研究:（1）針對粒子濾波（Particle Filter,PF）預測方法依賴電池經(jīng)驗退化模型,以及在多步迭代過程中無法獲得真實觀測數(shù)據(jù)的問題,本文提出了一種基于貝葉斯回歸和動態(tài)狀態(tài)估計的鋰離子電池RUL融合預測方法,利用基于貝葉斯回歸理論的相關(guān)向量機構(gòu)建不依賴電池經(jīng)驗退化模型的狀態(tài)估計模型,引入自回歸（Auto Regressive,AR）模型的長期電... 

【文章頁數(shù)】：121 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 鋰離子電池剩余壽命預測概述
        1.2.1 鋰離子電池剩余壽命預測基本概念
        1.2.2 典型鋰離子電池退化數(shù)據(jù)分析
        1.2.3 數(shù)據(jù)驅(qū)動的鋰離子電池剩余壽命預測的挑戰(zhàn)
    1.3 鋰離子電池剩余壽命預測方法研究現(xiàn)狀
        1.3.1 基于機理模型的方法
        1.3.2 基于數(shù)據(jù)驅(qū)動的方法
        1.3.3 融合方法
        1.3.4 研究現(xiàn)狀總結(jié)
    1.4 本文的主要研究內(nèi)容與結(jié)構(gòu)
第2章 基于貝葉斯回歸和動態(tài)狀態(tài)估計的融合預測方法
    2.1 引言
    2.2 問題的引出
    2.3 融合貝葉斯回歸的數(shù)據(jù)驅(qū)動PF狀態(tài)估計方法
    2.4 融合AR模型的動態(tài)狀態(tài)估計
    2.5 融合方法預測精度實驗與分析
        2.5.1 實驗數(shù)據(jù)
        2.5.2 實驗方法
        2.5.3 鋰離子電池RUL計算方法
        2.5.4 預測方法性能指標
        2.5.5 實驗結(jié)果及分析
    2.6 預測方法的效率分析
    2.7 本章小結(jié)
第3章 基于優(yōu)化多核相關(guān)向量機模型的融合預測方法
    3.1 引言
    3.2 問題的引出
    3.3 多核的組合與優(yōu)化分析
    3.4 基于果蠅算法優(yōu)化的多核RVM融合預測算法
    3.5 融合方法預測精度實驗與分析
        3.5.1 實驗數(shù)據(jù)
        3.5.2 實驗方法
        3.5.3 基于NASA數(shù)據(jù)集的實驗結(jié)果
        3.5.4 基于CALCE數(shù)據(jù)集的實驗結(jié)果
        3.5.5 與已有方法的實驗結(jié)果比較
    3.6 預測方法的效率分析
    3.7 本章小結(jié)
第4章 基于長短期記憶網(wǎng)絡深度學習模型的融合預測方法
    4.1 引言
    4.2 誤差累積問題
        4.2.1 傳統(tǒng)鋰離子電池RUL預測方法的誤差累積問題
        4.2.2 基于序列到序列LSTMN深度學習模型的構(gòu)建
    4.3 基于序列到序列的LSTMN深度學習模型的預測方法
        4.3.1 整體框架
        4.3.2 LSTMN模型的構(gòu)建
        4.3.3 三重交叉驗證
        4.3.4 預測精度實驗與分析
    4.4 基于BMA集成LSTMN深度學習模型的融合預測方法
        4.4.1 融合不同單體電池數(shù)據(jù)的LSTMN多模型構(gòu)建
        4.4.2 基于BMA的 LSTMN多模型融合
        4.4.3 預測精度實驗與分析
    4.5 預測方法的效率分析
    4.6 本章小結(jié)
結(jié)論
參考文獻
攻讀博士學位期間發(fā)表的論文及其它成果
致謝
個人簡歷


【參考文獻】：
期刊論文
[1]基于局部空間變稀疏約束的多核學習方法[J]. 王慶超,付光遠,汪洪橋,辜弘揚,王超.  電子學報. 2018(04)
[2]基于擬熵自適應啟動局部搜索策略的混合粒子群算法[J]. 曹玉蓮,李文鋒,張煜.  電子學報. 2018(01)
[3]Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm[J]. Yuchen SONG,Datong LIU,Yandong HOU,Jinxiang YU,Yu PENG.  Chinese Journal of Aeronautics. 2018(01)
[4]基于人工魚群算法的自適應隨機共振方法研究[J]. 孔德陽,彭華,馬金全.  電子學報. 2017(08)
[5]一種改進的果蠅優(yōu)化算法及其在氣動優(yōu)化設計中的應用[J]. 田旭,李杰.  航空學報. 2017(04)
[6]基于加權(quán)合成核與三重Markov場的極化SAR圖像分類方法[J]. 宋婉瑩,李明,張鵬,吳艷,賈璐,劉高峰.  電子學報. 2016(03)
[7]基于蟻群算法的面向服務軟件的部署優(yōu)化方法[J]. 李琳,應時,趙翀,董波.  電子學報. 2016(01)
[8]自適應多核組合相關(guān)向量機預測方法及其在機械設備剩余壽命預測中的應用[J]. 雷亞國,陳吳,李乃鵬,林京.  機械工程學報. 2016(01)
[9]鋰離子電池健康評估和壽命預測綜述[J]. 劉大同,周建寶,郭力萌,彭宇.  儀器儀表學報. 2015(01)
[10]多核多分類相關(guān)向量機在變壓器局部放電模式識別中的應用[J]. 尚海昆,苑津莎,王瑜,張利偉.  電工技術(shù)學報. 2014(11)

博士論文
[1]基于RVM的鋰離子電池剩余壽命預測方法研究[D]. 周建寶.哈爾濱工業(yè)大學 2013

碩士論文
[1]衛(wèi)星鋰離子電池剩余壽命預測方法及應用研究[D]. 王紅.哈爾濱工業(yè)大學 2013



本文編號：3648808