锂离子电池健康状态评估方法

本书主要介绍数据驱动的锂离子电池健康状态评估模型与方法，主要包括锂离子电池基础知识、离线状态下锂离子电池可靠性评估方法、在线状态下锂离子电池容量预测方法、锂离子电池剩余寿命预测方法、锂离子电池SOH估计方法等；重点阐述各类评估方法的理论推导过程与典型应用场景，并结合实例对方法实施流程进行介绍，同时对方法有效性进行验证。

目录
“微电网与智慧能源丛书”序
前言
第1章 绪论 1
1.1 引言 1
1.2 数据驱动的健康状态评估研究进展 2
1.2.1 性能退化建模 2
1.2.2 可靠性评估 9
1.2.3 剩余寿命预测 11
1.2.4 PHM技术 14
1.3 锂离子电池健康状态评估综述 15
1.4 本书主要内容 19
参考文献 19
第2章 锂离子电池基础知识 28
2.1 引言 28
2.2 锂离子电池介绍 28
2.2.1 锂离子电池结构组成 28
2.2.2 锂离子电池工作原理 30
2.2.3 锂离子电池主要参数 31
2.2.4 锂离子电池充电策略 33
2.3 锂离子电池试验技术 35
2.4 锂离子电池失效机理及健康状态表征 36
2.4.1 典型失效模式及机理 36
2.4.2 环境影响分析 37
2.4.3 健康状态表征 38
参考文献 40
第3章 锂离子电池可靠性评估 42
3.1 引言 42
3.2 锂离子电池循环寿命试验方案 42
3.3 锂离子电池试验数据探索性分析 44
3.3.1 试验结果 44
3.3.2 健康状态表征 49
3.4 锂离子电池可靠性评估 53
3.4.1 相关概念 53
3.4.2 基于失效数据的锂离子电池可靠性评估 55
3.4.3 基于容量衰减数据的锂离子电池可靠性评估 59
3.4.4 方法对比分析 61
3.4.5 可靠度置信区间估计 63
参考文献 65
第4章 非完全充放电下锂离子电池容量预测 67
4.1 引言 67
4.2 锂离子电池工况分析 67
4.2.1 离线试验剖面 67
4.2.2 在线工作剖面 69
4.3 基于充电曲线时间间隔特征的锂离子电池容量预测 70
4.3.1 充电曲线时间间隔特征提取 71
4.3.2 深度放电容量预测模型 73
4.4 基于充电曲线末端特征的锂离子电池容量预测 81
4.4.1 充电曲线末端特征提取 81
4.4.2 浅度放电容量预测模型 83
参考文献 86
第5章 基于集成学习的锂离子电池容量预测 87
5.1 引言 87
5.2 数据集介绍 87
5.3 健康特征提取与相关性分析 88
5.3.1 健康特征提取 88
5.3.2 相关性分析 88
5.4 集成学习预测建模 91
5.4.1 诱导有序加权几何平均算子 91
5.4.2 权重分配 92
5.4.3 基于验证数据集的改进IOWGA 93
5.4.4 基于V-IOWGA算子的集成学习预测模型 94
5.5 案例分析 95
5.5.1 模型超参数设置 95
5.5.2 结果分析 96
参考文献 99
第6章 锂离子电池单参数剩余寿命预测 100
6.1 引言 100
6.2 剩余寿命相关概念 100
6.3 基于失效数据的锂离子电池剩余寿命预测 101
6.4 基于随机过程的锂离子电池剩余寿命预测 106
6.4.1 基于维格纳过程的容量退化模型 106
6.4.2 退化模型参数更新 107
6.4.3 剩余寿命预测 110
6.5 基于状态空间转移的锂离子电池剩余寿命预测 113
6.5.1 状态空间转移模型 113
6.5.2 粒子滤波原理 114
6.5.3 剩余寿命预测 119
6.6 考虑应力加速的锂离子电池剩余寿命预测 122
6.6.1 容量加速退化建模与可靠性评估 122
6.6.2 加速退化模型参数更新 126
6.6.3 加速应力下的剩余寿命预测 128
6.7 方法选择建议 132
参考文献 133
第7章 锂离子电池多参数剩余寿命预测 134
7.1 引言 134
7.2 锂离子电池多健康参数退化建模 135
7.2.1 锂离子电池多参数退化分析 135
7.2.2 一元退化建模 136
7.2.3 相关性描述 136
7.2.4 二元退化建模 137
7.3 锂离子电池多健康参数剩余寿命预测 139
7.3.1 剩余寿命分布推导 139
7.3.2 模型参数离线估计与在线更新 140
7.4 案例研究 142
7.4.1 仿真案例研究 142
7.4.2 试验案例研究 147
参考文献 148
第8章 考虑“容量再生”的锂离子电池SOH估计 150
8.1 引言 150
8.2 基于单一模型的SOH估计 150
8.2.1 自回归集成滑动平均模型 150
8.2.2 高斯过程回归 153
8.2.3 基于单模型的锂离子电池SOH估计 155
8.3 基于融合模型的SOH估计 157
8.3.1 经验模态分解 158
8.3.2 基于EMD的ARIMA和GPR融合模型 159
8.4 案例分析 161
8.4.1 SOH指标定义 161
8.4.2 SOH时间序列多尺度特征 162
8.4.3 基于融合模型的SOH估计 162
8.4.4 结果分析 166
参考文献 167
第9章 基于样本熵的锂离子电池SOH估计 168
9.1 引言 168
9.2 基于样本熵的蓄电池健康状态区间预测方法 168
9.2.1 健康状态特征提取 169
9.2.2 上下边界估计神经网络的构建和优化 172
9.3 案例分析 175
9.3.1 案例数据 176
9.3.2 区间预测算法效果 178
9.3.3 对照实验 180
9.3.4 结果分析 182
参考文献 182
第10章 基于增量电量分析的锂离子电池SOH估计 184
10.1 引言 184
10.2 锂离子电池增量电量分析法介绍 184
10.2.1 增量电量分析法基本原理 185
10.2.2 传统增量电量法存在问题分析 186
10.3 基于电压-充电电量模型的增量电量分析法 189
10.3.1 电压-充电电量模型 189
10.3.2 模型参数辨识与相关性分析 190
10.3.3 最优模型选取 191
10.4 基于支持向量回归的锂离子电池SOH估计 194
10.4.1 支持向量回归算法 195
10.4.2 SOH估计 198
10.4.3 模型鲁棒性分析 200
参考文献 202