摘 要

锂电池凭借其高能量密度、高输出电压、高输出功率、低自放电率、无记忆效应、使用寿命长等优点，被广泛用于电子系统。但是，锂电池在反复充放电之后，电池容量会逐渐衰退，直至寿命终结，从而导致故障的产生，甚至引起整个电子系统的紊乱。因此，锂电池剩余使用寿命（RUL）的预测成为预防事故发生的关键所在。

本文首先介绍了锂电池的性能指标和寿命衰退机理，再分析了常用的经验退化模型的缺陷所在，并提出了三种新的模型与常用模型进行比较。使用NASA的锂电池容量数据集，在MATLAB上，用RMSE和作为模型拟合好坏的评价指标，验证了所提出模型的优越性。结合经验退化模型，用粒子滤波算法对锂电池RUL进行预测。然后，分析了粒子滤波算法缺陷所在，引入了自回归（AR）时序模型，将粒子滤波算法与AR时序模型相结合后重新预测。

实验结果表明，新提出的模型的拟合优度和预测精度比常用模型的更高，AR时序模型和粒子滤波算法结合后的预测，比单纯的粒子滤波算法的预测精度更高。

关键词：锂电池；RUL预测；经验退化模型；粒子滤波；AR时序模型

Abstract

Lithium batteries are widely used in electronic systems by virtue of their high energy density, high output voltage, high output power, low self-discharge rate, no memory effect and long service life. However, after repeated charging and discharging, the battery capacity will gradually decline until the end of its life, which will lead to the emergence of failures, and even cause the disorder of the entire electronic system. The remaining useful life (RUL) of lithium battery is the key to prevent failures.

This paper first introduces the performance index and life decline mechanism of lithium battery, then analyzes the defects of common empirical degradation models, and puts forward three new models for comparison with common models. Using the data set of NASA lithium battery capacity, RMSE and were used as the evaluation indexes of the model fitting to verify the superiority of the proposed model on the MATLAB. Combined with the empirical degradation model, particle filter algorithm is used to forecast the RUL of lithium battery. Then, the defects of particle filter algorithm are analyzed.The autoregressive (AR) time series model is introduced, and the particle filter algorithm is combined with the AR time series model to predict again.

The experimental results show that the goodness of fit and prediction accuracy of the new model are higher than those of common models. The prediction accuracy of AR model combined with particle filter algorithm is higher than that of pure particle filter algorithm.

Key Words：Lithium battery; RUL prediction; Empirical regression model; Particle filtering; AR time series model

目录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1 模型法 1

1.2.2 数据驱动法 2

1.2.3 融合技术法 3

1.3 尚存的问题 3

1.4 本文研究内容及结构 4

1.4.1研究内容 4

1.4.2 文章结构 4

第2章 锂电池的寿命衰退机理 6

2.1 锂电池的性能指标 6

2.2 锂电池寿命衰退机理分析 6

2.3 本章小结 7

第3章 经验退化模型的改进 8

3.1 本文所用锂电池数据集介绍 8

3.2 锂电池经验退化模型的选取 9

3.2.1 常用的经验退化模型及回归分析 9

3.2.2 新模型的提出与回归验证 11

3.3本章小结 12

第4章 结合粒子滤波算法的预测 13

4.1 粒子滤波算法原理 13

4.1.1 贝叶斯估计 13

4.1.2 蒙特卡洛方法 13

4.1.3序贯重要性采样 14

4.1.4 重采样 15

4.2 仿真实验与结果分析 16

4.2.1 算法实现流程及参数选取 16

4.2.2 基于不同模型的结果分析 17

4.3 本章小结 20

第5章 加入AR时序模型后的预测 21

5.1 AR时间序列模型的原理 21

5.2 AR时序模型参数的选取 21

6 总结与展望 24

6.1 工作总结 24

6.2 研究展望 24

参考文献 25

致谢 27

附录 28

第1章 绪论

1.1 研究背景及意义

在信息化时代，电子设备渗透于生活的各方各面，电子系统对于各行各业来说都是不可或缺的。对电子系统的维护也是精益求精，逐渐从按时维修转变为视情维修（CBM）。而CBM的进一步发展则是故障预测与健康管理（PHM）。通过状态感知，监控设备健康状况，根据数据分析，进行预测，根据预测所得信息，决定维修与更换方案，进行健康管理，节约人力成本、时间成本、物质成本。

锂电池作为许多电子系统的主要动力源，具有能量密度高、输出电压高、输出功率高、自放电率小、无记忆效应、使用寿命长等优点，一直广受关注。然而，锂电池的性能随着充放电过程的循环进行会逐渐衰退，直至寿命终结（EOL）为止。当锂电池的容量低于定义的失效阈值时，则认为是寿命终结。准确确定锂电池寿命终结的时间点，并提前进行电池更换，是关键所在。如果能够精准预测，提前预警，为使用者提示恰当的更换时间，就能避免故障的发生，同时避免过早拆换电池带来的经济损失，并提高系统运行的可靠性。因此，对锂电池的剩余使用寿命（RUL）预测的研究至关重要。锂电池RUL可以理解为从开始到寿命终结（EOL）的时间（通常为充放电的循环次数）。