基于神经网络模型的锂离子电池寿命预测研究

锂离子电池的循环寿命预测一直是电池健康管理系统的重点,寻找一种快速精确的预测方法对使用锂离子电池作为电源装置的设备具有重要意义。目前,针对锂离子电池的循环寿命预测,国内外已经展开了大量的研究工作,主要分为基于物理模型和基于数据驱动两种方法。以粒子滤波为代表的传统锂离子电池循环寿命预测方法大多依赖于物理或经验模型。然而在基于这种模型的观测方程中,没有充分考虑不同工况下单个电池的适应性和准确性,同时由于电池内部的电化学反应比较复杂,很难通过传感器精确测得各参数的值,这限制了物理模型的发展。除此之外,因为传统的数据驱动方法没有考虑前后数据之间的联系,对锂离子电池循环寿命的预测往往精度不高。因此,本文以神经网络模型为基础,研究锂离子电池循环寿命预测问题,主要内容如下:首先,本文描述了锂离子电池剩余循环寿命领域的国内外研究现状,对锂离子电池的工作原理和本质特点进行了分析,对影响电池实际容量衰减的诸多参数进行了细致观察和描述,并指出电池的放电温度、放电电压等参数是影响电池容量的主要因素,同时说明电池的实际容量是表征电池健康状态的重要参数。其次,分别以BP网络和NAR网络作为静态神经网络和动态神经网络的代表对锂离子电池剩余循环寿命进行预测并对比分析预测结果。预测结果显示:针对时间序列,动态神经网络比静态神经网络有更好的预测效果。针对浅层神经网络无记忆性、对时间序列预测效果差、对数据适应能力差等问题,本文构造了一种基于LSTM模型的改进锂离子电池剩余循环寿命预测方法。该模型可以学习锂离子电池实际容量的历史损耗轨迹,并能在不同的预测起点(前期、中期、后期)准确的预测出锂离子电池的剩余循环寿命。接着,为了验证LSTM预测算法的准确性,将其与传统的基于数据驱动的浅层神经网络预测算法进行比较分析。在相同的预测起点和试验条件下比较不同模型的预测效果,模型的预测结果表明,LSTM模型不仅在电池退化早期预测结果良好,而且在电池的退化中后期预测误差也较小,再次验证了模型的的优异性。最后,文章设计并实现了一个锂离子电池剩余循环寿命预测软件。软件基于锂离子电池的历史容量数据,通过动态地选择不同的网络参数,实现了锂离子电池剩余循环寿命的准确预测并进行了验证。