鋰離子電池被廣泛應(yīng)用于各種電子產(chǎn)品中,并逐漸擴(kuò)展到電動(dòng)車、飛機(jī)、航天器等領(lǐng)域。然而,鋰離子電池也存在安全隱患。鋰離子電池剩余使用壽命（Remaining Useful Life,RUL）預(yù)測是保障鋰離子電池安全應(yīng)用的關(guān)鍵技術(shù)�；跈C(jī)理模型的鋰離子電池RUL的預(yù)測方法預(yù)測精度高,但準(zhǔn)確的通用機(jī)理模型很難獲得。如果單純利用某一種數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池RUL預(yù)測方法,預(yù)測性能受限。因此本課題基于電池歷史退化數(shù)據(jù),在不依賴電池機(jī)理模型或經(jīng)驗(yàn)退化模型的情況下,開展基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池RUL融合預(yù)測方法研究,以提高RUL預(yù)測方法的通用性和預(yù)測精度。針對(duì)目前鋰離子電池剩余壽命預(yù)測方法存在的一些問題,本文從以下三個(gè)方面展開鋰離子電池RUL的融合預(yù)測方法研究:（1）針對(duì)粒子濾波（Particle Filter,PF）預(yù)測方法依賴電池經(jīng)驗(yàn)退化模型,以及在多步迭代過程中無法獲得真實(shí)觀測數(shù)據(jù)的問題,本文提出了一種基于貝葉斯回歸和動(dòng)態(tài)狀態(tài)估計(jì)的鋰離子電池RUL融合預(yù)測方法,利用基于貝葉斯回歸理論的相關(guān)向量機(jī)構(gòu)建不依賴電池經(jīng)驗(yàn)退化模型的狀態(tài)估計(jì)模型,引入自回歸（Auto Regressive,AR）模型的長期電... 

【文章頁數(shù)】：121 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 鋰離子電池剩余壽命預(yù)測概述
        1.2.1 鋰離子電池剩余壽命預(yù)測基本概念
        1.2.2 典型鋰離子電池退化數(shù)據(jù)分析
        1.2.3 數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池剩余壽命預(yù)測的挑戰(zhàn)
    1.3 鋰離子電池剩余壽命預(yù)測方法研究現(xiàn)狀
        1.3.1 基于機(jī)理模型的方法
        1.3.2 基于數(shù)據(jù)驅(qū)動(dòng)的方法
        1.3.3 融合方法
        1.3.4 研究現(xiàn)狀總結(jié)
    1.4 本文的主要研究內(nèi)容與結(jié)構(gòu)
第2章 基于貝葉斯回歸和動(dòng)態(tài)狀態(tài)估計(jì)的融合預(yù)測方法
    2.1 引言
    2.2 問題的引出
    2.3 融合貝葉斯回歸的數(shù)據(jù)驅(qū)動(dòng)PF狀態(tài)估計(jì)方法
    2.4 融合AR模型的動(dòng)態(tài)狀態(tài)估計(jì)
    2.5 融合方法預(yù)測精度實(shí)驗(yàn)與分析
        2.5.1 實(shí)驗(yàn)數(shù)據(jù)
        2.5.2 實(shí)驗(yàn)方法
        2.5.3 鋰離子電池RUL計(jì)算方法
        2.5.4 預(yù)測方法性能指標(biāo)
        2.5.5 實(shí)驗(yàn)結(jié)果及分析
    2.6 預(yù)測方法的效率分析
    2.7 本章小結(jié)
第3章 基于優(yōu)化多核相關(guān)向量機(jī)模型的融合預(yù)測方法
    3.1 引言
    3.2 問題的引出
    3.3 多核的組合與優(yōu)化分析
    3.4 基于果蠅算法優(yōu)化的多核RVM融合預(yù)測算法
    3.5 融合方法預(yù)測精度實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)
        3.5.2 實(shí)驗(yàn)方法
        3.5.3 基于NASA數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果
        3.5.4 基于CALCE數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果
        3.5.5 與已有方法的實(shí)驗(yàn)結(jié)果比較
    3.6 預(yù)測方法的效率分析
    3.7 本章小結(jié)
第4章 基于長短期記憶網(wǎng)絡(luò)深度學(xué)習(xí)模型的融合預(yù)測方法
    4.1 引言
    4.2 誤差累積問題
        4.2.1 傳統(tǒng)鋰離子電池RUL預(yù)測方法的誤差累積問題
        4.2.2 基于序列到序列LSTMN深度學(xué)習(xí)模型的構(gòu)建
    4.3 基于序列到序列的LSTMN深度學(xué)習(xí)模型的預(yù)測方法
        4.3.1 整體框架
        4.3.2 LSTMN模型的構(gòu)建
        4.3.3 三重交叉驗(yàn)證
        4.3.4 預(yù)測精度實(shí)驗(yàn)與分析
    4.4 基于BMA集成LSTMN深度學(xué)習(xí)模型的融合預(yù)測方法
        4.4.1 融合不同單體電池?cái)?shù)據(jù)的LSTMN多模型構(gòu)建
        4.4.2 基于BMA的 LSTMN多模型融合
        4.4.3 預(yù)測精度實(shí)驗(yàn)與分析
    4.5 預(yù)測方法的效率分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的論文及其它成果
致謝
個(gè)人簡歷


【參考文獻(xiàn)】：
期刊論文
[1]基于局部空間變稀疏約束的多核學(xué)習(xí)方法[J]. 王慶超,付光遠(yuǎn),汪洪橋,辜弘揚(yáng),王超.  電子學(xué)報(bào). 2018(04)
[2]基于擬熵自適應(yīng)啟動(dòng)局部搜索策略的混合粒子群算法[J]. 曹玉蓮,李文鋒,張煜.  電子學(xué)報(bào). 2018(01)
[3]Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm[J]. Yuchen SONG,Datong LIU,Yandong HOU,Jinxiang YU,Yu PENG.  Chinese Journal of Aeronautics. 2018(01)
[4]基于人工魚群算法的自適應(yīng)隨機(jī)共振方法研究[J]. 孔德陽,彭華,馬金全.  電子學(xué)報(bào). 2017(08)
[5]一種改進(jìn)的果蠅優(yōu)化算法及其在氣動(dòng)優(yōu)化設(shè)計(jì)中的應(yīng)用[J]. 田旭,李杰.  航空學(xué)報(bào). 2017(04)
[6]基于加權(quán)合成核與三重Markov場的極化SAR圖像分類方法[J]. 宋婉瑩,李明,張鵬,吳艷,賈璐,劉高峰.  電子學(xué)報(bào). 2016(03)
[7]基于蟻群算法的面向服務(wù)軟件的部署優(yōu)化方法[J]. 李琳,應(yīng)時(shí),趙翀,董波.  電子學(xué)報(bào). 2016(01)
[8]自適應(yīng)多核組合相關(guān)向量機(jī)預(yù)測方法及其在機(jī)械設(shè)備剩余壽命預(yù)測中的應(yīng)用[J]. 雷亞國,陳吳,李乃鵬,林京.  機(jī)械工程學(xué)報(bào). 2016(01)
[9]鋰離子電池健康評(píng)估和壽命預(yù)測綜述[J]. 劉大同,周建寶,郭力萌,彭宇.  儀器儀表學(xué)報(bào). 2015(01)
[10]多核多分類相關(guān)向量機(jī)在變壓器局部放電模式識(shí)別中的應(yīng)用[J]. 尚海昆,苑津莎,王瑜,張利偉.  電工技術(shù)學(xué)報(bào). 2014(11)

博士論文
[1]基于RVM的鋰離子電池剩余壽命預(yù)測方法研究[D]. 周建寶.哈爾濱工業(yè)大學(xué) 2013

碩士論文
[1]衛(wèi)星鋰離子電池剩余壽命預(yù)測方法及應(yīng)用研究[D]. 王紅.哈爾濱工業(yè)大學(xué) 2013



本文編號(hào)：3648808