基于数据驱动方法的锂离子电池健康状态估计

锂离子电池的长时间使用和贮存都会使其发生不可逆转的衰退,准确的估计电池的健康状态(State of health,SOH),对于保护电池的安全、延长电池的使用寿命具有重要的意义。同时,也为电池电荷状态(State of charge,SOC)估计、功能状态(State of function,SOF)估计、均衡管理提供有用的信息。数据驱动方法不考虑电池的内部反应机理,从采集的充放电数据中挖掘规律实现对SOH的估计,是目前研究的热点。本文基于锂离子电池寿命实验数据和数据驱动的方法,挖掘描述电池老化规律的特征向量,建立相应的学习器,估计电池SOH。首先,基于容量增量分析法(Incremental Capacity Analysis,ICA)分析电池的衰减特性;研究了SOC使用范围和放电倍率对电池寿命的影响;研究了存储条件对电池寿命的影响。其次,本文提出了基于锂离子电池恒压充电电流曲线估计SOH的方法,建立了随机森林(Random forest,RF)模型。RF模型不仅可以处理高维度的大规模数据,还具有内置的外包估计,可以有效的提高模型的泛化性能。实验结果表明RF模型可以实现SOH的精准估计。然后,为了减少电池管理系统存储数据的压力,本文提出了基于锂离子电池部分恒流充电数据估计SOH的新方法,建立了相应的支持向量机(Support vector machine,SVM)模型。针对建立的SVM模型,使用基于交叉验证的网格搜索法优化模型的参数。最后,通过比较不同电压区间的预测性能,确定了最优预测SOH的电压区间。实验结果表明,建立的估计SOH的SVM模型具有良好的预测性能。最后,本文挖掘了可以描述电池SOH老化的局部放电电压曲线,建立了最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型。考虑到LS-SVM学习器稀疏性不强的问题,建立了Fixed Size LS-SVM模型。Fixed Size LS-SVM基于Nystrom法和Renyi熵选择支持向量。实验结果表明,建立的LSSVM和Fixed Size LS-SVM学习器都可以有效和准确的估计电池的SOH。和SVM以及LS-SVM相比,Fixed Size LS-SVM模型在只有少量支持向量的情况下,就可以实现SOH的精确估计,实用价值更高。