论文部分内容阅读
为应对汽车工业所面临的环境污染,能源短缺和气候变暖等挑战。电动汽车(EV)在政府和企业的支持下发展迅速。锂离子电池因具有安全性能好,能量密度高和自放电率低等优点,而被广泛应用于电动汽车储能。然而,锂离子电池的寿命制约了电动汽车的进一步推广和发展。荷电状态(SOC)和健康状态(SOH)是锂离子电池的两个至关重要的指标。高精度的锂离子电池的SOC估算和SOH预测,可避免电池过充电,过放电和过热,从而延长电池的使用寿命。因此,急需对电池的SOC和SOH进行准确估计。本文结合了国内外对锂离子电池的荷电状态和健康状态研究现状,重点对如何精确估算锂离子电池的SOC和SOH进行研究,主要研究内容包括:一、锂离子电池的荷电状态预测(1)由于锂离子电池的充放电过程是一个极其复杂的电化学反应过程,具有非线性和时变性且对温度和老化极度敏感,本文采用了XGBoost算法对锂离子的荷电状态进行预测。该算法通过弱分类器进行迭代计算,可以有效避免模型的过拟合,提高估算精度和鲁棒性。实验结果验证了该算法在锂离子电池SOC预测上的高精度和强稳健性。(2)为了进一步提高锂离子电池SOC预测的可靠性和准确性,在不同放电倍率下,采用基于XGBoost-ARIMA组合模型的锂离子荷电状态估算方法。该方法首先通过XGBoost算法对锂离子电池的SOC进行预测,有效避免过拟合,保证了SOC预测的精确性和可靠性。随后,ARIMA残差校正模型被用来对XGBoost的预测值进行修正,进一步提升SOC估算的精度。实验结果表明,该组合模型在SOC估算中比XGBoost模型在绝对误差,均方根误差和均方根百分比误差三个技术指标上均降低了15%至20%左右。二、锂离子电池健康状态预测(1)锂离子电池的健康状态(SOH)是电池管理系统的关键参数,在锂电池的使用过程中,锂电池的容量不断衰减、内阻不断增加,采用XGBoost算法对锂离子电池SOH进行预测。该方法将电压差、温度差、平均电压作为特征输入,来描述锂离子电池的放电过程,利用XGBoost对电池的SOH进行预测。实验结果表明,该算法具有良好的泛化能力且不易过拟合,其预测结果贴近真实值,预测精度高。(2)由于XGBoost算法对锂离子电池的SOH进行估算还是会存在一定的误差,基于预测误差建立马尔科夫链对预测值进行修正,进一步提高SOH预测精度。实验结果表明,该方法要比XGBoost算法在预测SOH上的精确度要更高,在绝对误差,均方根误差和均方根百分比误差三个技术指标上均降低了10%至15%左右,且适用性强。