锂离子电池健康状态评估及剩余使用寿命预测技术研究

锂离子电池无论是在军用还是民用领域都得到了广泛的应用,准确对其进行健康状态(State of Health,SOH)评估及剩余使用寿命(Remaning Useful Life,RUL)预测对于提高电池安全性与使用寿命具有重要意义。本文以锂离子电池为研究对象,重点开展锂离子电池SOH评估以及RUL预测方法的研究,具体研究内容包括:1)介绍了锂离子电池的工作原理,阐明了锂离子电池常用性能参数的基本概念,概述了锂离子电池的充电方式并通过实验研究了环境温度、放电电流对电池端电压的影响以及电池容量退化规律。2)针对目前卡尔曼滤波算法大多是离线估计电池SOH,无法满足实际工程需要,本文研究了一种基于双卡尔曼滤波算法的电池SOH在线估计方法。首先,通过最小二乘法对电池模型参数进行辨识,实现对电池的建模。然后交替使用两个卡尔曼滤波器分别估计电池的荷电状态与欧姆内阻。为了进一步提高估计精度,本文提出了一种基于模糊推理系统-自适应双卡尔曼滤波(fuzzy inference system-adaptive dual extended Kalman filter,FIS-ADEKF)方法,分别运用Sage-Husa自适应算法与模糊控制器对状态噪声协方差与观测噪声协方差进行修正。最后设计了动态应力测试工况实验进行验证,实验结果表明,改进后的双卡尔曼滤波算法能够实现电池SOH的在线估计,且不依赖于初始值,也不需要事先计算模型参数,具有更高的准确性、收敛性和可行性。3)针对锂离子电池剩余使用寿命预测问题,本文分别利用曲线拟合法与灰色模型来预测电池RUL。在对预测模型进行验证时,本文首先用美国航空航天局艾姆斯研究中心的锂离子电池实验数据来验证,然后通过自主搭建的实验平台获得的实验数据来进一步验证。实验结果表明,一次函数模型与灰色模型能够很好的预测电池RUL,且随着训练数据的增加,预测精度更高。