题名 | 基于粒子滤波算法的锂离子电池剩余寿命预测方法研究 |
作者 | 张凝1,2 |
答辩日期 | 2019-05-17 |
授予单位 | 中国科学院沈阳自动化研究所 |
授予地点 | 沈阳 |
导师 | 徐皑冬 |
关键词 | 锂离子电池 剩余使用寿命 粒子滤波 自回归模型 扩展卡尔曼粒子滤波 |
学位名称 | 硕士 |
其他题名 | Research on Remaining Useful Life Prediction of Lithium-ion Battery with Particle Filter |
学位专业 | 检测技术与自动化装置 |
英文摘要 | 锂离子电池作为众多设备的能量来源,其安全性和可靠性对系统的正常运行起着至关重要的作用,因此提前预测其剩余使用寿命是系统故障预测和健康管理(Progonostics and Management, PHM)至关重要的环节。粒子滤波算法不受系统模型的限制,针对非高斯非线性系统依然有很好的参数估计能力,且能给出估计结果的置信程度分布函数,对于电池这样的复杂系统有很好的适应性,因此本文将基于粒子滤波算法预测电池剩余使用寿命。粒子滤波方法需要构建系统模型来逼近真实系统的特性。本文以锂电池容量的衰退为电池寿命衰退的特征,构建了基于电池容量的双指数经验退化模型。该模型将作为粒子滤波算法系统模型中的状态转移方程,为粒子滤波算法产生的大量粒子指导分布。本文对该模型进行了变形,这样做不仅使模型的形式顺应了粒子滤波的状态转移方程,而且减少了参数个数,降低了参数训练的难度。随后针对粒子滤波算法对系统建模的观测方程由状态值加观测噪声得出,导致整个粒子滤波算法对系统模型的构建完全依赖于电池容量衰退模型,而电池容量衰退模型对电池寿命的表达能力也极其有限,为减少粒子滤波算法对该模型的过度依赖,引入了自回归模型(本文叫做AR时间序列模型)修正观测值,以提高预测的准确性;为了使指导粒子分布的函数更接近真实的分布,本文使用扩展卡尔曼粒子滤波算法对粒子滤波算法加以改进。该算法由扩展卡尔曼滤波算法进行粒子滤波算法中的重要性采样环节,其优势在于使用扩展卡尔曼滤波算法为每个粒子产生均值和方差时,吸纳了最新的观测信息,因此产生的建议密度分布函数更接近真实的分布。这样做可以提升粒子滤波算法的参数估计性能,进一步提高锂电池剩余使用寿命预测的准确性。本文对模型的训练数据和验证预测效果的试验数据均来自NASA PCoE电池数据集。实验结果表明,本文基于粒子滤波算法的锂电池剩余使用寿命预测方法能够给出预测结果和不确定性分布。基于标准粒子滤波算法的改进方法能够极大地提升预测准确性。 |
语种 | 中文 |
产权排序 | 1 |
页码 | 81页 |
内容类型 | 学位论文 |
源URL | [http://ir.sia.cn/handle/173321/25194] |
专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
作者单位 | 1.中国科学院大学 2.中国科学院沈阳自动化研究所 |
推荐引用方式 GB/T 7714 | 张凝. 基于粒子滤波算法的锂离子电池剩余寿命预测方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2019. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论