论文部分内容阅读
随着环境污染的日益恶化和电子科技的发展，锂电池越来越受到人们的关注。目前锂电池被广泛应用于供电系统，如储能系统、电动汽车和通信系统等，因此锂电池的安全使用也显得越来越重要。锂电池有多种性能参数，电池健康状态（SOH）为其中最重要的一个参数。锂电池的SOH显示了电池储存电量的能力，准确估计电池的SOH可以帮助人们合理的使用锂电池，避免因电池老化原因造成的安全问题。 目前对于电池的SOH的定义有多种，本文将电池的当前容量与他的标称容量的比值定义为电池的SOH。电池健康状态的估计有多种方法，如化学分析法，电化学阻抗分析法，基于卡尔曼滤波器等。本文采用禁忌搜索（TS）的小波神经网络（WNN）对电池的SOH进行估计。WNN基于小波分析而构造的一类新型前馈网络，即用非线性小波基函数取代通常的神经元非线性激励函数，他具有较强的函数学习能力，简化了训练，避免了BP神经网络结构设计的盲目性。本文的主要内容如下： （1）介绍锂电池SOH的研究背景和现状，分析当前国内外几种SOH的估计方法的优缺点，并提出使用TS-WNN对SOH进行估计。TS-WNN对SOH估计分为训练过程和预测过程。在训练过程中，通过已有的数据训练TS-WNN的网络参数。在预测过程中，根据预测样本验证训练过程生成的电池SOH估计模型的可行性。 （2）详细阐述WNN，分析其优点和缺点。针对WNN的缺点提出使用TS算法对其进行改进。比较WNN和TS-WNN对锂电池恒流和变流两种放电情况下的SOH估计，可以得出通过TS-WNN对锂电池SOH的估算精度会更高。 （3）为了构建TS-WNN的模型和验证此方法的可行性，本文设计了基于STM32的估计系统。该系统的底层负责采集电池在充电和放电过程的电压，电流和温度等数据，上位机部分负责存储这些数据,最后根据这些数据估计电池的SOH。 （4）本次实验中对2000mAh和100Ah的两种锂电池进行SOH估计，首先采集数据构建网络的模型，最后通过已构建的模型对电池SOH进行估计。在实验中，对恒流和变流两种放电状态下的电池进行SOH估计，来验证TS-WNN方法的可行性。