【车载动力锂电池电池健康状态（SOH）估计研究开题报告8500字】

[39]通过改进果蝇算法优化粒子滤波，提高了目标跟踪的精度并降低了所需粒子数量。因此，本文拟选用群智能算法之一的萤火虫算法来优化粒子滤波，并对传统萤火虫算法加以改进，模拟萤火虫优化思想的吸引行为和移动行为代替粒子滤波重采样来解决粒子贫化问题。论文主要研究内容论文的主要研究内容是基于以等充放电电压差时间间隔为健康因子的锂离子电池SOH估计模型的建立和改进萤火虫优化算法与粒子滤波算法融合的SOH估计以及在本实验室自主研发的电池管理系统的基础上实现锂离子电池SOH估计功能的研究。论文主要研究内容如下：（1）第一章首先介绍了论文选题的研究背景和意义，指出电池SOH估计对于电动汽车合理使用和普及的重要性；然后介绍了SOH的定义以及国内外目前的研究现状，分别从锂离子电池内部电化学工作原理和电池外部表现的物理特性两个角度，对当前锂离子电池健康状态估计进行了概述；最后通过分析选择用基于模型与数据驱动结合的方法进行电池SOH估计。（2）第二章首先介绍了锂离子电池特性，具体包括锂离子电池的特点和工作原理，并且对其充放电特性进行了研究；然后进行了锂离子退化研究，具体分析了影响锂离子电池性能的因素和将电池实际容量和电池内阻进行对比后，选择电池实际容量作为电池SOH的评价指标；最后分析了电池容量衰减表征参数，根据分析采用锂离子电池恒流充电或恒流放电过程中的电压值和充电时间，作为锂离子电池SOH下降的表征参数。（3）第三章首先介绍了粒子滤波算法基本原理，并分析了粒子滤波算法存在的问题；然后介绍了萤火虫基本算法并对其进行改进，旨在解决萤火虫算法易限于局部最优问题；最后结合群智能优化思想，提出了改进的萤火虫粒子滤波算法并仿真验证了提出改进算法的有效性。（4）第四章首先建立了所用的电池估计模型，通过挖掘以等放电电压差时间间隔为表征参数的健康因子，将其与电池SOH关联映射后作为估计模型的观测方程；然后利用IFA-PF来优化和更新双指数模型的状态参数，通过利用美国NASA锂离子电池数据集进行仿真实验验证了基于IFA-PF算法的估计模型的有效性；最后考虑到电动汽车在实际运行下的情况，提出对恒流充电过程提取健康因子并进行仿真实验，验证结果表明了所提实用方法的可行性。（5）第五章首先搭建了实验平台，在电池管理系统中建立以等充电电压差时间间隔为健康因子的实时计算数学模型，将提取到的HI与充放电测试仪直接测得的BAT01号电池SOH进行关联映射后，将其作为电池SOH预测模型。得到预测模型的有关参数后，将相关模型参数写入到电池管理系统中，并对电池管理系统提出了充放电数据采集精度提高措施；然后通过IFA-PF算法来优化和更新该电池拟合出的双指数退化模型状态参数以进行BAT01号电池后期以及同类型BAT02号电池整个放电过程的SOH估计，测试结果验证了在电池管理系统中可以实现健康因子的提取以及相关的映射计算；最后将SOH估计结果与测试仪测得的实际结果进行对比，可知在锂离子电池整个循环寿命周期内，在电池不同老化阶段BMS系统均能够实现电池SOH的准确估计，绝大部分估计误差小于3%，最大误差也并没有超过5%。（6））第六章对本文的主要内容进行了总结，并指出了论文存在的一些不足之处以及对未来的研究方向进行了展望。参考文献杨莉莉.《交通工具的演进对人类社会发展的影响》教学设计[J].中国信息技术教育,2016(18):32-34.王小霞.道路机动车尾气污染物排放量的预测与控制措施研究[D].长安大学,2012.吕理舜.电动化推动电池与汽车产业变革[J].电子产品世界,2017,24(12):8-10,30.陆刚.新能源电动汽车为汽车行业带来重大变化[J].电力需求侧管理,2018,20(2):4.国家制造强国建设战略咨询委员会.《重点领域技术路线图（2015版）》[M].北京:电子工业出版社,2016,100-107.李龙刚,李立伟,杨玉新,等.基于改进灰狼优化与支持向量回归的锂电池健康状态预测[J].南京理工大学学报,2020,44(02):154-161+170.沈佳妮,贺益君,马紫峰.基于模型的锂离子电池SOC及SOH估计方法研究进展[J].化工学报,2018,69(1):309-316.张民.基于EKF的电动汽车锂离子电池SOC、SOH估算[D].辽宁:大连海事大学,2017.李龙刚.电动汽车锂电池SOH估算研究[D].青岛大学,2020.《中国公路学报》编辑部.中国汽车工程学术研究综述·2017[J].中国公路学报,2017,30(06):1-197.VirkarAV.Amodelfordegradationofelectrochemicaldevicesbasedonlinearnon-equilibriumthermodynamicsanditsapplicationtolithiumionbatteries[J].JournalofPowerSources,2011,196(14):5970-5984.PrasadGK,RahnCD.Modelbasedidentificationofagingparametersinlithiumionbatteries[J].JournalofPowerSources,2013,232(jun.15):79-85.JamesMarcicki,MarcelloCanova,etal.Designandparametrizationanalysisofareduced-orderelectrochemicalmodelofgraphite/LiFePO4cellsforSOC/SOHestimation[J].JournalofPowerSources,2013,237(3):310-324.RezvanizanianiSM,LiuZongchang,ChenYan,etal.Reviewandrecentadvancesinbatteryhealthmonitoringandprognosticstechnologiesforelectricvehicle(EV)safetyandmobility[J].JournalofPowerSources,2014,256(12):110-124.AnthonyBarré,DeguilhemB,SébastienGrolleau,etal.Areviewonlithium-ionbatteryageingmechanismsandestimationsforautomotiveapplications[J].JournalofPowerSources,2013,241(11):680–689.丁晓,薛金花,陈振宇,等.磷酸铁锂电池性能衰退与容量预测模型研究[J].电源技术,2019,43(06):1013-1016.RamadassP,HaranB,WhiteR,etal.MathematicalmodelingofthecapacityfadeofLi-ioncells[J].JournalofPowerSources,2003,123(2):230-240.HeH,XiongR,GuoH,etal.Comparisonstudyonthebatterymodelsusedfortheenergymanagementofbatteriesinelectricvehicles[J].EnergyConversion&Management,2012,64:113-121.GregoryL.Plett.Sigma-pointKalmanfilteringforbatterymanagementsystemsofLiPB-basedHEVbatterypacks[J].JournalofPowerSources,2004,134:262-276.JürgenRemmlinger,MichaelBuchholz,etal.State-of-healthmonitoringoflithium-ionbatteriesinelectricvehiclesbyon-boardinternalresistanceestimation[J].JournalofPowerSources,2011,196(12):5357-5363.罗悦.基于粒子滤波的锂离子电池剩余寿命预测方法研究[D].哈尔滨:哈尔滨工业大学,2012.SongYuchen,LiuDatong,YangChen,etal.Data-drivenhybridremainingusefullifeestimationapproachforspacecraftlithium-ionbattery[J].MicroelectronicsReliability,2017,75(6):142-153.WangShuai,ZhaoLingling,SuXiaohong,etal.PrognosticsofLithium-IonBatteriesBasedonBatteryPerformanceAnalysisandFlexibleSupportVectorRegression[J].Energies,2014,7(10):6492-6508.黄业伟.电动汽车锂离子动力电池健康状态估计方法研究[D].合肥工业大学,2014.LiuDatong,LuoYue,LiuJie,etal.Lithium-ionbatteryremainingusefullifeestimationbasedonfusionnonlineardegradationARmodelandRPFalgorithm[J].NeuralComputing&Applications,2014,25(34):557-572.ZhangYujie,LiuDatong,YuJinxiang,etal.EMAremainingusefullifepredictionwithweightedbaggingGPRalgorithm[J].MicroelectronicsReliability,2017,75(3):253-263.HeZhiwei,GaoMingyu,MaGuojin,etal.Onlinestate-of-healthestimationoflithium-ionbatteriesusingDynamicBayesianNetworks[J].JournalofPowerSources,2014,267(3):576-583.韦海燕,陈孝杰,吕治强,等.灰色神经网络模型在线估算锂离子电池SOH[J].电网技术,2017，41(12):4038-4044.JouinM,GouriveauR,HisselD,etal.Particlefilter-basedprognostics:Review,discussionandperspectives[J].MechanicalSystemsandSignalProcessing,2016,72:2-31KimJ,ChoBH.State-of-ChargeEstimationandState-of-HealthPredictionofaLi-IonDegradedBatteryBasedonAnEKFCombinedwithAPer-UnitSystem[J].IEEETransactionsonVehicularTechnology,2011,60(9):4249-4260.刘树林,崔纳新,张承慧.基于AUKF的锂离子电池健康状态估计[J].电力电子技术,2017,51(11):122-124.DongH,JinX,LouY,etal.Lithium-IonBatteryStateofHealthMonitoringandRemainingUsefulLifePredictionBasedonSuppo