摘 要

21世纪是一个发展的时代，新能源技术在这样一个发展的时代成为了一种新兴的高新技术，新能源领域包含了一个重要部分即锂离子电池行业，锂离子电池行业已成为世界各国经济发展的一个新热点。但是锂离子电池在长期的使用过程中都会面临一些不可避免的问题，如腐蚀、高温或者材料老化，再加上可能存在的外在环境不良因素或人为使用不当因素，造成锂离子电池内部局部短路等故障，导致电池性能逐渐退化直至电池寿命及安全性失去保障，进一步导致用电系统性能下降或故障。

本文研究了一种随机建模技术，并且将这种建模技术运用于锂离子电池RUL预测中。文章用来进行实践仿真的数据是从NASA PCoE获取锂离子电池容量的原始数据，采用ADF(Augmented Dickey-Fuller)单根检验法来判断数据平稳性，如果数据不属于具有平稳性特点的数据，则下一步用差分的方法来对其进行平稳化处理，原始的数据经平稳化处理后才可以用于ARIMA(Autoregressive Integrated Moving Average model)模型建模，进一步结合ACF(Autocorrelation Function)与PACF(Partial Autocorrelation Function)进行参数估计，从而确立ARIMA模型，根据AIC、SC准则选择最佳预测模型，评估对比后,可看出来ARIMA(4,1,0)和ARIMA(4,1,1)是最佳拟合模型，具有最好的预测效果，可用其得到最准确的预测数据。

关键词：锂离子电池；剩余使用寿命；ARIMA；ADF

Abstract

The 21st century is an era of development. New energy technology has become an emerging high-tech in such a development era. The new energy field contains an important part of the lithium-ion battery industry. The lithium-ion battery industry has become the economy of the world. A new hot spot for development. However, lithium-ion batteries face some unavoidable problems during long-term use, such as corrosion, high temperature or material aging, coupled with possible external environmental factors or improper use of human factors, resulting in partial short-circuit inside the lithium-ion battery. When the fault occurs, the battery performance is gradually degraded until the battery life and safety are not guaranteed, which further leads to the performance degradation or malfunction of the power system.

This thesis studies a stochastic modeling technique and applies this modeling technique to RIL prediction of lithium-ion batteries. The data used for practical simulation is the raw data of lithium ion battery capacity obtained from NASA PCoE. The ADF (Augmented Dickey-Fuller) single root test method is used to judge the data stationarity. If the data does not belong to the data with smoothness characteristics, Then, the difference is smoothed by the difference method. The original data can be used for ARIMA (Autoregressive Integrated Moving Average Model) modeling after smoothing, combined with ACF (Autocorrelation Function) and PACF (Partial Autocorrelation Function). Parameter estimation, thus establishing the ARIMA model, selecting the best prediction model according to AIC and SC criteria. After evaluating the comparison, it can be seen that ARIMA (4,1,0) and ARIMA (4,1,1) are the best fitting models. With the best predictive results, you can use it to get the most accurate forecast data.

Key Words：lithium ion battery; remaining useful life; ARIMA; ADF

目 录

第1章 绪论 1

1.1 本文研究目的与意义 1

1.2 国内外研究现状 1

1.3 本文研究内容及章节安排 3

第2章 锂离子电池寿命预测方法 5

2.1 锂离子电池使用寿命影响因素 5

2.2 基于失效模型的预测 5

2.2.1 基于退化机理模型的预测 5

2.2.2 基于经验退化模型的预测 6

2.3 基于数据驱动的预测 6

2.3.1 基于失效数据的预测 6

2.3.2 基于退化数据的预测 7

2.4 基于融合技术的预测 7

2.4.1 融合多源数据的预测 7

2.5 本章小结 8

第3章 ARIMA模型 9

3.1 ARIMA模型理论 9

3.1.1 自回归模型AR 9

3.1.2 移动平均模型MA 10

3.1.3 自回归移动平均模型ARMA 10

3.1.4 差分自回归移动平均模型ARIMA 10

3.2 ARIMA模型构建 10

3.2.1 模型识别和定阶 12

3.2.2 参数估计 13

3.2.3 模型检验 14

3.2.4 模型预测 14

3.3 本章小结 15

第4章 基于ARIMA模型的锂离子电池RUL预测 16

4.1 实验数据 16

4.2 基于ARIMA模型预测方法的建立 16

4.2.1 数据初步处理 16

4.2.2 模型参数估计 19

4.3 RUL预测结果 21

4.4 本章小结 23

第5章 总结与展望 24

5.1 本文总结 24

5.2 未来展望 24

参考文献 26

致 谢 27

第1章 绪论

1.1 本文研究目的与意义

锂离子电池具有一系列的优点。比如锂离子电池体积小、质量轻、寿命长、可靠性高，因而在以手机、笔记本 电脑这些手持终端为代表的民用领域得到了广泛的应用，与之也配套了相应的电池管理系统，具备了较为齐全的使用条件，锂离子电池在航空航天建材业、海上石油工业、汽车制造工业等工业领域也已得到了推广，但是电池在长期的使用过程中，都难以避免地会发生电极材料腐蚀、隔膜老化或者高温受热导致性能失效，再加上可能存在的人为使用不当或外在环境不良等因素的叠加作用，结果导致电池内部微短路或者其他故障的发生，致使电池性能逐渐退化直至电池寿命及安全性失去保障，间接导致用电设备甚至整个系统性能下降或故障。在安全要求高的应用方面，锂离子电池应用领域复杂的工作环境与工作负荷都要明显高于民用领域，因而要求对锂离子电池提出更高的标准来提高其安全性，保证系统安全可靠运行。但是不管怎么样，安全事故只可预防缺无法完全避免，近年发生了一些相关事故例如电池电源汽车因高温等环境因素的作用发生着火爆炸，美国太空实验AFRL实验因锂离子电池安全性失去保障而失败的突发事件，以及在2013年多架波音787梦幻客机因锂离子电池失效无法保证安全性而无限期停飞的事件^[1]。

因此深入研究 锂离子电池剩余使用寿命预测技术，在某种意义上能够很大程度上解决类似可能发生的危险事故或突发问题，同时也能更好地指导用电设备以及用电系统的维修决策。锂离子电池成为它在应用中的关键与 核心问题是它的可靠性和安全性。这种特性就使得建立准确的锂离子电池容量退化模型来准确预测 锂离子电池的剩 余使用寿命，成为了保证 锂离子电池运行可靠性和安全性的重要基础，也是进一步保证系统安全可靠运行的重要保障，锂离子电池的RUL技术是目前锂离子电池预测与 健康管理PHM（Prognostics and Health Management）技 术的重要组成部分之一。

1.2 国内外研究现状

目前，锂离子电池作为一种重要的新能源得到了极为广泛的应用。无论是在电子通信领域还是在 交通运输领域，它都发挥着 极其重要的作用，有着广阔的应用前景。锂电池以金属锂为电极，通过电子传递产生电能。但它并不被继续广泛使用，因为它很容易发生故障引 起树突导致爆炸。锂电池是 一次电池。锂离子电池是通过锂离子 的转移来实现充放电的，它主要以掺杂锂金属的氧化物作为电极。锂离子电池相对于传统锂电池是一种可充电的二次电池，是在锂电池的基础上发展起来的一种新型电池，由于许多发展出了许多新的优点，因而在许多领域它代替了锂电池得到广泛应用。

从20世纪70年代以来，各种以金属锂为负极的高比能一次锂电池得到了广泛的应用。锂离子电池具有体 积小、重量 轻、比能高、容 量大、使用寿命长、工作电压高、自放电小、循环 性能好一系列优点，是现代高性能电池的代表，它现在在手 机、笔记本电 脑等这些民用领域被广泛普及。锂离子电池是便 携式电子设备的理想动力电源，有望成为未来电 动汽车和无绳电动工具的主要动力电源之一。我国锂离子电池产业发展历史悠久，但特色鲜明的是这个产业在我国发展迅速。截 止至2013年，据不完全统计，中国锂离子电池总 产量达到52.4亿只。在国际锂离子电池市场上，中国、日 本和韩 国已经形成了“三 足鼎立”的局面，但总的来说，中国锂离子电池行业在技术进步和市场竞争力上与日韩还是依然存在较大的距离。我国锂离子电池产业技术的发展始于对国外成熟技术的模仿，在此过程中，工艺创新是我国锂离子电池产业早期发展的主要特色。近年来，随着对技术创新投入的增加，我国 锂离子电池产业 在 技术创新方面发展迅速，技术创新力成为了我国锂离子电池产业的核 心竞争力，正因为不断 创新，我国在某些领域相较于日 韩两国积累了一定的技术优势。

国内外对电池预测与健康管理(PHM)技术的研究主要研究两个方面的问题：一是荷电状态(SOC)，要求预测一次充放电结束(EOD)，预测循环中剩余充放电的时间节点；第二个是健康状况(SOH) ，电池在长期使用积累的下降过程中，电池寿命不断被消耗，也就是说，SOH是预测剩余的电池寿命，即预测电池的整个生命过程何时结束。国内外对锂离子电池荷电状态和健康状态的估计与建模研究众多，并形成了较为完整的方法体系。但是从某种意义上来说，电池剩余寿命预测的方法尚不成熟，需要不断深入研究。

通过查阅相关文献，可以发现目前电池健 康评估和预 测(PHM)的方法主要集中在——基于模 型的方法、数据驱 动方法和混合方法三种方向。基于模 型的方法：主要的挑战是缺乏一种独特的锂离子电池理论电 路模型，而电路虚拟部件的数值估计需要大型昂 贵的设备，如EIS设 备。数据驱 动方法：最大的优点是不需要对电池的化学和材料特性有专门深入的考察研究。这种方法的关键是提取锂离子电池外部特性的相关性和可用性数据，以便进一步分析。然而，主要缺点是缺乏对电池性能的物理 化学解释，数据驱动方法的“健壮性”也是一个挑战。混合方法是基于模型和数据驱动方法的结合，利用了两者的优点。由于这两种方法经常机械地结合在一起，混合方法导致了更多的不确定性和复杂性。文献[5]中提出了一种基于经验模态分解(EMD)和自回归移动平均模型(ARIMA)的组合预测框架。利用最小二乘法估计ARIMA模型的最优参数，提取EMD的最优分量并分别使用来估计电池的SOH，最后融合两个模型来进行剩余寿命的预测。

粒子滤 波(PF)的思想是基 于蒙特 卡罗方法^[8]，它使用粒 子集来表示概率，可以用于任何形式的状 态空间模型。其核 心思想是从后验 概率中抽取随机状态粒子来表示其分布，这是一种重要 抽样方法。简而言之，粒子滤波的方法是通过寻找一组在状态空间中传播的随机样本，近似得出其 概率 密度函数，用样本 均值代替积分 运算，得到最小方 差状态分布的过程。这里的样本指的是 粒子，当样本个数N趋向于无穷 时，可以近似成任何形式的概率密度分布。首先根据容量数据的特点选择合适的衰减模型，然后利用证 据理论(DST)方法对现有的电池数据进行处理，得到模型参数的初值。当有新的数据时，采用PF 方法对模 型参数进行更新。将模型外推到故障 阈值，这样就可以得到一个RUL预 测器。

美国马 里兰大学先进生命 周期工 程中心(CALCE)在锂离子电池 寿命预测实验和锂电池退化 过程研究方面处于世界 领先地位；美国宇航局专注于航空航天锂离子电池的退化机制研究。IMS科研团队目前正在对PHM汽车可充电锂离子电池进行深入研究。同时，来自中国哈尔滨工业大学的刘大同和周建宝等人也对锂电池的降解过程也在进行深入的研究^[4]。

RUL预测技术是电池预测技术的核心和健康管理技术的重点，也是电池管理系统研究的重点和难点。剩余电池寿命预测的准 确性取决于用户可以及时获取电池寿命信息，这种技术为 取代即将失效的电池，确保电池组的安全高效运行提供指导，更重要的是，锂离子电池是主要的能源供应和能源存储载体，它要求操作安全可靠，能有效避免事故。近年来国内外对电池寿命预测技术的持续深入研究，RUL预测技术的研究取得了长足的进展，形成了较为系统的预测方法和理论体系，并逐步进入了工程实践应用阶段。然而，锂离子电池是典型的动态非线性电化学系统，它们受到外部复杂环境条件的极大影响，性能下降状态很难被轻易识别。直接从SOC或SOH估计结果中获得准确的RUL预测值是有一定难度的，剩余寿命预测技术仍需要不断深入研究。

1.3 本文研究内容及章节安排

本文研究了锂离子电池剩余寿命的常用的三种预测技术。三种预测技术分别是基于模型的预测技术、基于数据驱动的预测技术和基于融合技术的预测技术。锂离子电池完善的健康衡量指标（如剩余容量）获取的方法并不容易和经济，本文是从美国NASA PCoE获取锂离子电池剩余容量的数据来进行仿真实践，进一步分析验证。本文重点介绍的方法是针对时间序列的ARIMA模型预测法——一种常用的随机建模技术。ARIMA模型是一种常用的短期预测模型，根据需要可以利用它较为准确地输出短期预测的结果。本文全文共分为五章，具体内容如下：

第1章：主要阐述了本文的研究的目的和意义以及锂离子电池剩余使用寿命预测技术在国内外的研究现状，调研了目前关于本题的研究成果，给出了本文的研究内容以及研究方法。

第2章：简述了锂离子电池剩余寿命预测技术的三大类，通过对三种方法的的原理简要说明，以及对其优缺点对比分析总结了锂离子在运用各种研究方法进行研究过程中存在问题。

第3章：介绍了本文所采用的方法——ARIMA模型方法，用该方法来分析锂离子电池剩余寿命，详细阐述了ARIMA模型理论以及ARIMA模型构建的过程。

第4章： 详细阐述运用ARIMA模型建模方法来对锂电池剩余使用寿命进行预测。对锂离子电池历史监测数据（电池容量）实现建模，来进行其剩余寿命的分析，输出短期预测结果。

第5章：总结了在研究期间所有的工作情况，并对锂离子电池健康监测及剩余寿命预测的发展前景和未来发展趋势进行了展望。

第2章 锂离子电池寿命预测方法

2.1 锂离子电池使用寿命影响因素

循环性能对锂离子电池的重要程度就相当于生命活动对于人类的重要程度，从可持续发展的角度来看，更长的电池寿命意味着更少的资源消耗，影响锂离子电池寿命的因素是每一个与锂离子电池行业相关的人员都不得不考虑的问题。以下列举几个影响到电池寿命的主要因素作为拓展了解：

（1）锂离子电池所用材料

材料影响锂离子电池的性能，所以最直接影响其剩余寿命。

（2）正负极压实

锂离子电池正负极压实过高会影响锂离子电池电极材料的的循环性能，这种影响往往还难以忽略。

（3）接触的水分

过多的水 分会导致正负极活性物质发生副 反应，内部结构会遭到破坏。进 而影响 循环。

（4）锂离子电池的涂布膜

对同种电 芯而言，降低 膜密 度等效于增加叠 片层数，对应增 加的隔膜可以吸收更多的电 解液，这样可以保 证循环。

（5）负极是否过量

负极过 量的原因需要考虑首次不可 逆容量的影 响和涂布 膜密度偏差，还要考虑对循 环性能的影响。

（6）电解液

电解液量不足会对循环性能产生显著影响。

（7）测试条件

不同的材料客观因素的反应强烈程度各不相同。

锂离子电池剩余寿命最终的决定性因素是诸多因素中的最短板，类似于木桶的“短板效应”，同时这些因素之间也会无法避免地相互影响。

2.2 基于失效模型的预测

基于失效模型的预测方法是在分析电池的材料性质并通过研究其如何失效后建立起来退化模型，用这种方法建立起来的失效模型可以较好地用来实现锂离子电池的RUL预测，这种方法还可以进一步细分为如下两种方法：

2.2.1 基于退化机理模型的预测

基于退化机理模型的预测有一个显著特点，那就是该方法需要研究锂离子电池的电化学机理，通过对电化学机理的研究得到各种因素对锂离子电池电压电流、荷电状态等性能指标的影响，了解这些影响后建立起来对应的退化机理模型，用于RUL预测。

这种方法的优点是详细地从电化学角度描述了电池内部的老化过程，并能分析电池的电化学机理，但是涉及到对电池电化学机理的研究就需要综合考虑更多因素，如环境限制、材料特性，因为这些因素会显著影响电池退化的动态特性，在这种情况下再建立的模型用于预测就会失准，另外，这种方法中涉及到的EIS谱，其需要的测试流程非常复杂，耗时长，这就导致在线应用比较难以实现。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：