论文部分内容阅读
锂离子电池凭借其优越的性能广泛用于电动汽车及储能领域。然而,随着锂离子电池不断地使用,锂离子电池逐渐发生老化现象,且性能大幅度衰退,会间接导致设备性能衰退或发生故障。因此,需要及时监测电池的健康状态以及剩余有效寿命(Remaining Useful Life,RUL)的预测,提前获取电池寿命信息,并及时维护和更换,保障电池安全可靠运行。课题针对锂离子电池RUL寿命预测主要完成以下工作内容:.首先,考虑电池充放电循环过程,从中提取能够表征电池性能退化特性的间接健康因子。论文通过研究NASA提供的锂离子电池数据集,从恒流阶段和恒压阶段中提取能够表征电池性能退化的三个间接健康因子,并利用Pearson、Spearman及Kendall相关性分析法分析与容量之间的相关性,以验证所提取的间接健康因子的可行性。其次,构建蚁狮优化(Ant Lion Optimization,ALO)支持向量回归(Support Vector Regression,SVR)方法来提高锂离子电池RUL预测的准确性。论文为解决SVR方法参数难以选择优化的问题,通过引入ALO算法来优化SVR方法参数,构建基于健康因子的ALO-SVR预测方法,并利用NASA提供的电池数据集对ALO-SVR方法进行验证,通过对比分析SVR方法,实验结果表明,所构建的ALO-SVR方法能够更加准确预测锂离子电池 RUL。最后,针对ALO优化算法在迭代过程中易陷入局部最优解而无法为SVR方法提供最优参数的问题,论文提出一种基于Levy飞行算法的改进ALO优化算法。Levy飞行算法的引入能够很好地解决ALO算法的缺陷,构建的改进蚁狮优化(Improved Ant Lion Optimization,IALO)算法能够为SVR方法提供最优参数;利用多个测试函数验证了 IALO算法具有很好的寻优效果和收敛精度;建立了基于健康因子的IALO-SVR预测方法,利用NASA提供的电池数据集进行验证分析,验证结果表明,基于IALO优化算法的SVR方法有效的提高了预测精度;此外,对SVR方法的参数优化方面做进一步分析,可得IALO-SVR方法能够提供更小且更优的参数,能够为锂离子电池RUL提供更高的预测精度。论文构建的基于间接健康因子的IALO-SVR方法能够提高锂离子电池RUL预测的准确性,对电池系统维护具有一定的参考价值。