基于RVM的锂离子电池剩余寿命预测方法研究

锂离子电池以其优越的性能被广泛应用于各个领域，但其自身仍存在安全性和可靠性问题，故应用中需对锂离子电池的工作状态进行在线监测和综合管理。近年来，作为锂离子电池管理、保障及预测性维护的关键技术，剩余寿命预测（Remaining Useful Life，RUL）方法的研究倍受关注，并已发展为电子系统故障预测与健康管理技术研究的热点问题之一。 作为一种复杂的电化学系统，锂离子电池的性能会随着使用逐渐退化。但是，在实际应用中，表征其退化状态的容量或阻抗参数很难直接监测。而且，应用环境及负载工况等不确定性因素还会导致其性能退化状态具有不稳定性。虽然现在已经有很多针对锂离子电池RUL预测方法的研究，但是大部分算法的复杂性却制约了它们的实际应用。鉴于此，本文选择具有不确定性表达能力的相关向量机（Relevance Vector Machine，RVM）算法作为本文研究的方法基础，通过算法研究和锂离子电池退化状态识别，解决锂离子电池RUL预测精度、效率和适应性问题，并借助FPGA可重构计算技术实现RUL预测的嵌入式计算，从而为锂离子电池RUL预测方法的应用提供一种新颖的技术研究思路。论文的主要研究工作包括以下内容： （1）针对RVM算法长期趋势预测精度低的问题，提出一种基于动态灰色相关向量机的锂离子电池RUL预测方法。该方法利用离散灰色模型获得的趋势预测结果作为RVM回归预测的输入，并根据回归预测结果动态更新RVM回归预测模型，从而提高长期趋势预测精度。实验结果证明，与基本RVM算法和非动态更新的灰色RVM算法相比，该方法具有较高的预测精度，同时还能提供预测结果的置信区间及置信度等不确定性信息。 （2）针对现实需求中RVM预测模型的在线应用问题，提出一种优化增量RVM锂离子电池RUL预测方法。该方法针对传统增量算法在线计算效率低的问题，采用RVM稀疏的相关向量与在线新增样本构成在线训练样本，降低在线训练样本的规模，从而提高RVM预测模型的在线计算效率。通过与基本RVM算法和完全重新训练RVM算法的对比实验证明：在可控的预测精度范围内，该方法可有效地提高计算效率，并为锂离子电池剩余寿命预测的嵌入式计算需求提供了方法思路。 （3）在上述预测方法的研究基础上，针对锂离子电池容量或阻抗等性能退化参数在实际应用条件下不易在线测量的问题，提出一种基于等时间放电电压差提取及Box-Cox变换优化的健康因子构建方法。通过Box-Cox方法对提取的等时间放电电压差数据进行非线性变换，采用可在线测量的锂离子电池放电电压参数实现性能退化状态的识别与表达。然后，利用这种健康因子作为RVM预测模型的性能退化参数进行RUL预测，以实现锂离子电池剩余寿命的间接预测。实验结果证明，采用本文所提出的健康因子作为分析参数，可获得与采用电池容量作为分析参数相等效的RUL预测效果，并具有良好的适应性。 （4）针对电池状态监测和管理应用中，嵌入式系统有限的计算资源及计算能力问题，提出一种动态可重构RVM锂离子电池RUL预测方法。以可重构FPGA器件作为嵌入式体系架构基础，采用多目标优化方法对RVM计算任务进行划分，并通过并行计算、流水计算和计算资源分时复用，解决嵌入式系统的资源约束条件下的计算效率问题。实验结果表明，在与通用处理器相近的RUL计算精度条件下，新方法具有更高的计算效率和硬件资源利用率。