隐变量DBN及其在电动汽车锂电池SOH估计中的应用

锂电池的健康状态(SOH)估计对电动汽车安全性及经济性都具有十分重要的意义。本项目主要研究隐变量动态贝叶斯网络(DBN)在电动汽车锂电池SOH在线估计中的应用。基于合理的隐变量DBN模型结构评分准则，研究隐变量DBN模型结构的自适应学习方法；结合结构期望最大化算法及相关启发式搜索算法，完成隐变量DBN模型的参数学习；基于改进的粒子滤波等随机抽样算法，进行隐变量DBN近似推理方法的研究。基于上述研究，采用隐变量DBN对锂电池SOH与其多种放电特性间的关系进行建模，完成电动汽车锂电池SOH的在线估计，并通过仿真和实际测试对相关模型和算法进行评估与优化，最终得到最优的可实用嵌入式电动汽车锂电池SOH在线估计方案。.通过本项目的研究，可望在隐变量DBN的结构学习、参数学习及近似推理等理论研究方面取得突破，为电动汽车锂电池SOH的在线估计提供新思路，为电动汽车电池管理系统的构建提供重要技术支撑。

电池的荷电状态、健康状况、内阻、容量、极化电容、极化电阻、自放电电阻等性能参数的获取对电池组使用寿命的延长具有至关重要的作用，它们的在线估计是电池管理系统的重要组成部分。电池的SOC、SOH无法直接通过物理传感器测量得到，往往需要利用其他一些可测物理量、采用合适的电化学模型或数学模型、通过特定的算法间接估计得到。本课题重点关注锂电池SOH的估计方法，主要研究内容包括：（1）锂电池SOH与其多种充放电特性的关系；（2）锂电池老化模型；（3）锂电池SOH估计方法及系统。在已有研究基础上，提出了一种基于动态贝叶斯网络的电动汽车锂电池SOH估计方法，该方法以锂电池恒流充电过程中电池端电压为观测变量，以锂电池SOC为隐变量，以锂电池SOH为输出构建模型，并采用有监督学习算法完成模型的训练，实验结果表明所提出的方法可以较精确地获得锂电池SOH的估计；项目同时还研究了基于小波神经网络、自适应模糊推断系统等的锂电池SOH估计方法，这些方法以锂电池的恒流充电时间、充放电切换时的瞬间电压跌落以及恒流放电特定时间内释放的能量为输入，以对应的锂电池SOH为输出构建相应的模型，从而完成锂电池SOH的估计，研究结果表明上述方法也可以获得较为精确的SOH估计结果。. 本项目在锂电池老化模型、基于时间序列的状态估计、电池管理系统等方面均取得了较好的进展，研究结果可以为电动汽车锂电池SOH估计系统的在线小型化提供有力保证，为电动汽车BMS的构建提供重要支撑，对开发具有自主知识产权的我国电动汽车技术具有十分重要的意义。