论文部分内容阅读
在工业生产当中,锂离子电池因为具有很多特性,例如:高电压、体积小、耐久性长、可用性久等优点,在很多场合下替代了铅蓄电池、镍镉电池等等其他大部分电池,因而迅速的在工业、农业、交通通讯行业和航空航天领域得到了广泛的应用。然而,锂离子电池如果处理不当的话不仅会造成电池本身和元器件的损毁,甚至还会引发一系列的灾难与工程事故。因而,近些年,国内外的研究学者都不断研究锂离子电池的荷电状态与寿命估计,从而更合理有效的监控锂离子电池运行状态,规避一切可预见灾难事故的发生,因而,锂离子电池的剩余寿命预测也就渐渐成果国内外研究学者的研究热点。针对这一点,本位对锂离子电池剩余寿命的预测,提出了一些列方法与测试,达到了较为理想的效果,并作出了近一步的改进与测试,力求达到更好。首先,针对工业应用中锂离子电池实际容量数据通常在线预测是比较难得,只能进行离线预测,因为在线预测中某些参数的获取并不是仪器直接得到的,只能通过某种方法估算得出,这必然会导致误差的存在。针对这一情况,提出一种基于极限学习机网络(ELM)在线预测锂离子电池剩余寿命的间接预测方法,分析锂离子电池剩余使用寿命特征参数,采用间接预测的方法,充分分析后,选择压降放电时间作为锂离子电池剩余寿命特征参数。采用一阶偏相关系数分析法验证间接寿命特征参数的可行性。最后采用极限学习机神经网络对锂离子电池剩余寿命间接预测进行模型建立[1]。此外,针对基于极限学习机神经网络的电池RUL输出不稳定的问题,对极限学习机神经网络进一步应用遗传蚂蚁算法(Genetic Algorithm Ant Algorithm,GAAA)优化其权阈值,GAAA是两种寻优算法的融合,它先采用遗传算法(Genetic Algorithms,GA)做第一步的路径优化,生成初始信息素分布,再利用蚁群算法(Ant Colony Optimization,ACO)做进一步的路径优化,从而得到更好的寻优路径,使两种算法优劣互补,在求解效率上优于GA,在时间效率上优于ACO。最后,采用美国航空航天局NASA公开的卫星锂离子电池数据集验证本文预测锂离子电池RUL方法的可行性,通过多次测量与误差分析,结果显示预测误差范围为5%左右,表明本文所述锂离子电池RUL预测方法具有较好的预测效果,可以很好地实现工业领域中的锂离子电池RUL预测[2]。