搜索
粒子滤波在锂离子电池剩余寿命预测中的应用付晓慧2151002076提纲１锂离子电池容量退化现象２粒子滤波的概念及算法３粒子滤波在锂离子电池剩余寿命预测中的应用４结论前言寿命预测参数模型法非参数模型法物理模型回归数据模型前言一、参数模型过程：首先需要建立系统的物理模型，然后通过分析输入、输出以及状态参数间的关系建立系统的回归数据模型。比较物理模型预测结果与实际观测值的差距，将差值带入回归数据模型进行统计分析，用得到的分析值来修正物理模型参数，最终预测ＲＵＬ。前言多项式曲线拟合卡尔曼滤波粒子滤波回归数据模型前言非参数模型神经网络模型小波神经网络粗糙集理论注：不需要建立系统的数学模型，当系统未知或较难建模时，选择非参数模型法较优。１锂离子电池容量退化现象造成容量衰减的原因主要有：锂离子电池过充电和不可逆的自放电，负极金属锂的沉积，电解液在正极氧化、在负极还原导致的结构变化，电极电化学反应活性的下降，电极材料的电化学、化学溶解和相位变化，腐蚀引起的电流引线损坏。这些化学反应会消耗锂离子，使可循环锂数量减少，并产生其他沉淀物质，金属锂和其他沉淀物质可能阻塞隔膜的空隙，电池内阻因此而增大，容量逐渐减小。１锂离子电池容量退化现象１锂离子电池容量退化现象确定电池的ＲＵＬ困难重重，主要原因是较难获取电池的性能参数。一般需要对大量电池进行破坏试验来得到性能数据。此外测试时间较长，对于商业电池来说，在其发售前进行长时间的寿命测试是不现实的。高容量电池充放电过程非常长，如果使用加速寿命试验，可能会产生错误的结果。因为电池的寿命与温度、放电速率和放电深度有关，此外加速试验环境可能会引入新的不常见的故障模式。此外，容量数据与循环次数间服从非线性关系，如何通过早期容量数据预测锂离子电池的ＲＵＬ仍旧是一个难题。２粒子滤波的概念及算法２．１最优贝叶斯滤波２．２抽样２．３重采样２．１最优贝叶斯滤波粒子滤波算法以贝叶斯滤波和蒙特卡洛算法为基础，通过时间更新和测量更新来得到后验概率密度的预测值。２．１最优贝叶斯滤波２．２抽样利用蒙特卡罗方法可将积分运算变成有限样本点的求和运算。２．３重采样３粒子滤波在锂离子电池剩余寿命预测中的应用３．１电池退化模型３．２锂离子电池剩余寿命预测的概率密度函数计算３．３粒子滤波预测过程及结果３．４粒子滤波与扩展卡尔曼滤波结果比较４结论