基于高斯过程回归的锂离子电池剩余寿命预测研究

论文摘要

锂离子电池的健康状态与剩余寿命对系统的安全性与可靠性至关重要。进行锂离子电池剩余寿命准确和可靠预测对预防电池突然失效、提供维护保养建议、延长电池使用寿命有重要意义。针对锂离子电池系统具备时变、动态、非线性等特征,本文从具备不确定性能力的高斯过程回归模型入手,从预测精度、退化状态识别、在线适用性等方面开展锂离子电池剩余寿命预测方法研究。首先,分别从权值空间论和函数空间法两个角度阐述高斯过程回归模型建立过程与预测原理;确定均值函数和协方差函数是建立高斯过程回归模型的关键,基于最大似然估计和共轭梯度法优化超参数可以确定后验分布;并给出通过训练数据和测试数据建立高斯过程回归模型的流程。然后,基于随机电流放电下的锂离子电池老化实验,模拟锂离子电池的真实使用情况。从数据驱动方法中选取具备不确定性表达能力的高斯过程回归模型,选定核函数后通过训练数据来优化超参数建立预测模型。用不同实验温度和随机放电模式下的电池充放电循环实验数据验证预测结果。其次,针对锂离子电池在线寿命预测及容量非线性退化问题,构建基于等压差充电时间的健康状态估计与剩余寿命预测方法。基于两公开锂离子电池老化实验数据集,从恒流充电过程中提取等压差充电时间序列,进行不同提前步数和不同初始条件下的健康状态估计;采用组合核函数建立高斯过程回归模型,利用粒子群优化算法全局搜索最优超参数以优化模型;将等压差充电时间作为健康因子,通过预测等压差充电时间进行锂离子电池容量估计与寿命预测。通过实验证明该方法可有效预测容量非线性退化轨迹,具备良好的泛化能力和局部变化学习能力。剩余寿命预测结果具有较高的准确性及不确定性表达能力。最后,提出一种基于多高斯过程回归模型和健康因子的锂离子电池剩余寿命预测方法。从恒流恒压充电过程中提取3个健康因子,用Pearson和Spearman指数分析健康因子与电池容量之间的相关性。基于组合核函数优化的高斯过程回归模型,以健康因子和充放电周期数据建立高斯过程回归模型以预测健康因子,以健康因子和容量数据建立高斯过程回归模型以预测容量,获得剩余寿命预测结果。基于两个不同的实验数据集,实现锂离子电池在单点和长期的剩余寿命预测。

论文目录

文章来源

类型: 硕士论文

作者: 刘健

导师: 陈自强

关键词: 锂离子电池,剩余寿命预测,高斯过程回归,健康因子

来源: 上海交通大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,电力工业

单位: 上海交通大学

分类号: TM912;O212.1

DOI: 10.27307/d.cnki.gsjtu.2019.001206

总页数: 84

文件大小: 5471K

下载量: 122

相关论文文献

• [1].基于高斯过程回归和粒子滤波的短期风速预测[J]. 太阳能学报 2020(03)
• [2].基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用[J]. 水电能源科学 2020(08)
• [3].基于高斯过程回归的大气进入段航天器飞行能力预测方法[J]. 系统工程与电子技术 2020(10)
• [4].基于逆高斯过程的加速退化试验失效机理一致性判定[J]. 强度与环境 2019(05)
• [5].基于局部高斯过程的短期风速预测[J]. 计算机与现代化 2017(01)
• [6].基于高斯过程回归的燃煤烟气汞排放预测[J]. 动力工程学报 2016(12)
• [7].基于人工蜂群优化高斯过程的运动想象脑电信号分类[J]. 传感技术学报 2017(03)
• [8].多输出高斯过程在变形监测数据处理中的研究及应用[J]. 江西科学 2019(06)
• [9].利用高斯过程回归对燃爆单元宽度的预测方法研究[J]. 核动力工程 2017(02)
• [10].基于拉普拉斯方法的大规模高斯过程分类算法[J]. 控制与决策 2017(07)
• [11].基于高斯过程回归和强化学习的云资源调度算法[J]. 电子设计工程 2017(11)
• [12].基于相空间重构和进化高斯过程的短期风速预测[J]. 计算机与现代化 2016(07)
• [13].基于高斯过程分类的调制识别方法[J]. 计算机仿真 2015(10)
• [14].基于改进粒子群的高斯过程故障预测模型建立方法[J]. 电光与控制 2020(11)
• [15].重叠局部高斯过程回归[J]. 哈尔滨工业大学学报 2019(11)
• [16].多模态高斯过程回归抠图[J]. 小型微型计算机系统 2016(12)
• [17].高斯过程回归方法及其预测模型[J]. 科技资讯 2016(11)
• [18].基于计算机模拟与高斯过程回归的优化设计方法[J]. 计算机光盘软件与应用 2014(14)
• [19].基于高斯过程的快速人脸验证[J]. 计算机应用研究 2019(01)
• [20].基于高斯过程回归的高校科技成果转化评价方法研究[J]. 福建电脑 2016(01)
• [21].基于高斯过程回归和信息分析法的常压塔操作优化[J]. 计算机与应用化学 2013(05)
• [22].利用支持向量机和高斯过程回归测定水库诱发的地震(英文)[J]. Applied Geophysics 2013(02)
• [23].高斯过程元模型建模方法及在火箭弹气动分析中应用[J]. 固体火箭技术 2010(05)
• [24].多维局部平稳高斯过程最大值的联合渐近分布[J]. 应用概率统计 2008(02)
• [25].基于高斯过程回归的临界热流密度预测[J]. 核动力工程 2019(05)
• [26].基于弯曲高斯过程组合方法的光伏出力预测研究[J]. 湖南大学学报(自然科学版) 2017(10)
• [27].一种新高斯过程分类算法[J]. 控制与决策 2014(09)
• [28].高斯过程回归方法综述[J]. 控制与决策 2013(08)
• [29].瓦斯浓度区间预测的灰色聚类与高斯过程模型[J]. 中国安全科学学报 2011(05)
• [30].基于混合高斯过程模型的高光谱图像分类算法[J]. 高校应用数学学报A辑 2010(04)

标签：锂离子电池论文;  剩余寿命预测论文;  高斯过程回归论文;  健康因子论文;