论文部分内容阅读
近年来,节能减排和环境保护问题受到国际社会高度关注。电动汽车有助于减少燃油消耗和尾气排放,是汽车产业重要的发展方向。锂离子动力电池是电动汽车动力电池的重要形式,也是电动汽车的关键部件。锂离子动力电池剩余寿命预测与电动汽车的运营调度、故障管理、维修决策等活动密切相关。目前,动力电池的剩余寿命预测方法多以电池容量为特征量。但是,由于电池容量在线测量困难,增加了电池剩余寿命在线预测的难度。此外,随着电动汽车退役电池数量的急剧增加,退役电池的梯次利用需求也日益突出。电池分选是退役电池梯次利用环节的关键技术之一。现有的电池分选方法存在检测过程繁琐、效率低、成本高等缺点,不适用于退役电池的大批量分选。针对上述问题,本文以锂离子动力电池为研究对象,基于电池全生命周期数据,开展锂离子动力电池剩余寿命预测和退役电池分选方法研究,提出基于健康因子的电池剩余寿命预测方法和基于层次分析法、关联度理论和近邻传播聚类的退役电池分选方法。论文主要研究工作如下:(1)提出基于电池运行数据的电池容量估计方法。针对电池容量难以在线测量的问题,在研究电池充放电特性的基础上,从电池放电过程易于监测的状态量(电流、电压和温度)中提取出电池欧姆内阻、温度变化速率、等压降放电时间和放电电压样本熵4个健康因子。利用广义回归神经网络(Generalized Regression Neural Network,GRNN)建立健康因子与电池容量的映射关系模型,实现电池容量的在线估计。通过案例验证方法的可行性和有效性。(2)提出基于容量估计的电池剩余寿命预测方法。在第一部分电池容量在线估计研究工作的基础上,将多次充放电循环的电池容量视为时间序列,分别利用非线性回归(Nonlinear Auto Regressive,NAR)动态神经网络、差分自回归移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)预测电池容量的退化规律,并计算电池的剩余寿命。案例研究表明:NAR预测方法单次预测结果可能较好,但预测结果的稳定性较差;ARIMA模型的预测结果更加稳定。(3)提出基于电池全生命周期数据的退役电池分选方法。该方法基于电池历史运行数据分析电池性能,采用层次分析法和关联度理论对电池进行分类,利用近邻传播聚类对同类的退役电池进行聚类分组。所提方法可以省去退役电池检测环节,有效提高退役电池的分选效率、降低电池梯次利用成本。案例研究表明:该方法效果显著,能够有效提高成组电池的一致性,对退役电池的梯次利用具有良好的参考价值。本文的主要贡献包括:(1)提出新的电池容量在线估计方法和在线剩余寿命预测方法;(2)将电池容量估计、剩余寿命预测等研究与退役电池分选方法有效结合,有效提高退役电池分选效率;(3)在电池生命周期数据记录的基础上,电池在线容量估计、剩余寿命预测和退役电池分选三部分内容相互支撑,涵盖电池全生命周期;(4)本文所提出的剩余寿命预测和退役电池分选方法不涉及电池的内部结构和物理化学反应,该方法也可供其它类型电池参考使用。