基于数据驱动的动力锂离子电池健康状态估计和剩余使用寿命预测.pdf

摘要

搭载锂离子动力电池的新能源汽车已经在全球汽车中占据了很大的市场份

额，作为新能源汽车的核心部件，锂电池的稳定运行对新能源汽车的使用与发展

StateofHealth,SOH

具有重要意义。本文开展锂离子动力电池健康状态（）估计

和剩余使用寿命（RemainingUsefulLife,RUL）预测研究。

首先，从电池容量参数的角度建立了一种可用于电池SOH估计与RUL预测

HealthIndicator,HI

的健康指标（）。选取电池数据集内的充电过程和放电过程两

个阶段，将其中的充电时间、放电时间等参数在不同循环次数下的变化趋势与电

池容量衰减特性做对比分析，获得相关参数与电池容量之间的相关性，进而获得

描述电池间接健康状态的指标。为对比验证各个间接健康指标与锂电池容量的相

关性及相关性优劣程度，通过Pearson相关系数和Spearman相关系数开展综合

分析，选取等压降放电时间为最高相关性健康指标，作为后续实验数据来源。

BackPropagation,BP

其次，选取优化反向传播神经网络（）的方法开展锂离

子电池的SOH估计，建立了一种萤火虫算法（FireflyAlgorithm,FA）优化BP神

经网络权值和阈值的方法。同时，为了克服萤火虫优化算法容易陷入局部极值的

SOHLevyFlight

缺陷，进一步提高估计结果的准确度，引入了莱维飞行（）对

萤火虫优化算法进行改进。在实验中，通过NASA艾姆斯研究中心的数据集，

以电池等压降放电时间作为输入，以当前最大可用容量占出厂容量的百分比表征

SOHSOHBP

电池的，对进行了估计。结果表明，相比于未优化的网络、粒子

群算法优化BP神经网络和鹈鹕算法优化BP神经网络，本文给出的改进萤火虫

BPSOH0.049%0.006%

算法优化神经网络对估计误差波动范围分别减小了、和

0.019%，具有有更高的估计准确性。

最后，选取优化径向基神经网络（RadialBasisFunction,RBF）的方法开展

锂离子电池的RUL预测。为解决径向基神经网络权值、最优参数和节点数等参

数选择问题，提高径向基神经网络预测准确性，建立了一种使用鹈鹕算法对径向

基神经网络参数进行寻优的方法。实验中，设计了80、90、100三组数据的全面

实验，分别得到三种预测结果，同时计算均方根误差、平均绝对误差和决定系数

RBFBP

作为评价指标进行对比。结果表明，与未优化的算法、算法和改进萤火

虫优化的RBF算法对比，本文方法在RUL预测中有更好的预测精度。

关键词：锂离子电池,数据驱动,神经网络,萤火虫算法,鹈鹕优化算法

Abstract

Newenergyvehiclesequippedwithlithium-ionpowerbatterieshaveoccupieda

largemarketshareintheglobalautomobileindustry.Asthec