为减少不可再生能源消耗量,新能源汽车行业成为各国政府的重点发展对象,而电动汽车在新能源汽车销量中占有主要份额,锂离子电池组作为电动汽车的动力来源,其成本约占整车的百分之四十,因此对锂离子电池组的健康状态(State Of Health,SOH...
详细信息
为减少不可再生能源消耗量,新能源汽车行业成为各国政府的重点发展对象,而电动汽车在新能源汽车销量中占有主要份额,锂离子电池组作为电动汽车的动力来源,其成本约占整车的百分之四十,因此对锂离子电池组的健康状态(State Of Health,SOH)进行准确估计,是延长电池使用寿命及保证电动汽车安全行驶的关键。本文在对实车数据进行分析的基础上,利用改进的容量增量法获取锂离子电池深度充电片段SOH标签值,并进一步构建特征参数与SOH之间的机器学习模型,估计出锂离子电池的全部时间段SOH值,具有实用价值。本文的主要研究工作如下:(1)明确电池健康状态估计研究价值及意义,归纳电池健康状态估计方法;确立基于电动汽车运行数据的锂离子电池健康状态估计的研究方向,设计了全部时间段的锂离子电池健康状态估计流程。(2)针对实车行驶数据质量较差的问题,本文进行预处理操作改善数据质量。首先收集整车数据并对其特征项和对应的物理意义进行分析阐释,进一步对数据进行了缺失值填补、充电数据分离和数据滤波等预处理工作。另外还对电动汽车运行数据的充电深度、充电电压和电流变化规律进行研究,为后续电池健康状态估计的实现提供数据支持。(3)针对实车数据采样频率低且不满足满充满放的特点,本文改进容量增量法对实车数据SOH进行估计。首先基于采样频率相等的原则,对电动汽车实际运行数据中少量采样点上缺失的数据进行填补,利用填补后的数据获取实际运行电动汽车锂离子电池的容量增量曲线,并对原始容量增量曲线进行平滑。基于平滑后的容量增量曲线在相邻的深度充电片段电压重叠部分估计健康状态值,并将该方法运用到NASA电池老化数据集中,结果显示RMSE仅有0.03733,证明该方法的准确性。为后续全部时段锂离子电池SOH估计提供标签值。(4)针对除深度充电片段的其余片段难以估计SOH的问题,本文建立机器学习模型对剩余时段的SOH进行估计。分别从输入特征、模型、标签层面进行了优化,利用熵值、皮尔逊相关系数、特征重要性三个参数对输入特征进行筛选;利用正交实验分别对DNN、CNN、Light GBM模型的参数进行调节,以获得各模型的最优参数。基于各模型的SOH估计准确率,搭建了Light GBM-CNN模型对SOH进行拟合,结果显示均方根误差仅有0.00141,实现了全部时间段的SOH准确估计。
电动汽车近年来在汽车市场的占有量呈爆发式增长,电动汽车保有量的增加对其动力电池的循环寿命和可靠性提出了更高的要求。定期对电池进行健康状态(State Of Health,SOH)估计和异常工况导致的容量快速衰减问题进行研究具有重要意义。在...
详细信息
电动汽车近年来在汽车市场的占有量呈爆发式增长,电动汽车保有量的增加对其动力电池的循环寿命和可靠性提出了更高的要求。定期对电池进行健康状态(State Of Health,SOH)估计和异常工况导致的容量快速衰减问题进行研究具有重要意义。在SOH估计方面,基于模型的估计方法涉及到参数辨识相对过于复杂,在实车应用方面存在困难;在异常工况导致的容量衰减及故障诊断方面,涉及到化学机理的非原位分析需要对电池进行拆解并借助工具观察,也无法在实车应用。针对以上问题,本文以两种圆柱锂离子电池为研究对象进行实验,通过充电过程中的电压和容量变化获取容量增量曲线和微分电压曲线,实现对电池健康状态的估计和异常工况下的电池容量异常衰减研究。主要研究内容如下。对电池进行循环老化实验和分析,获取容量增量曲线和微分电压曲线并研究不同因素对容量增量曲线的影响,分析两种曲线随电池循环次数的变化规律,结合老化机理对电池的容量衰减模式进行辨识。使用高斯函数对不同循环次数下的容量增量曲线不同波峰进行拟合,通过拟合函数的参数随SOH变化趋势来提取表征电池老化的特征参数,采用皮尔逊相关系数法对特征参数进行相关性分析,确定SOH估计模型的输入参数。以电池实际SOH作为估计模型的目标输出,采用多元线性回归、随机森林方法和BP(Back Propagation)神经网络对电池SOH进行估计和精度对比验证,结果证明多种方法均能取得很好的估计效果,其中BP神经网络的整体估计效果最好,验证了该特征参数的有效性。对电池进行异常工况实验和结果分析,异常工况实验包括过充电过放电、大倍率充电以及低温充放电。对过充过放和大倍率充电实验电池与正常老化电池进行容量衰减对比和容量增量曲线对比,通过曲线波峰的变化特性对过充过放和大倍率充电工况进行基本辨识;对低温充放电下的电池进行微分电压分析,发现曲线中出现的异常波峰可表征电池在低温下的析锂现象。通过以上研究,能够利用电池充放电过程中电压和容量的变化情况获取容量增量曲线和微分电压曲线,进而对电池进行SOH的准确估计和电池异常工况的基本辨识,对电池异常容量衰减进行检测和诊断,改善电池使用寿命。
暂无评论