CN102749589B - 电动汽车动力电池衰退模式预测方法 - Google Patents
电动汽车动力电池衰退模式预测方法 Download PDFInfo
- Publication number
- CN102749589B CN102749589B CN201210243286.7A CN201210243286A CN102749589B CN 102749589 B CN102749589 B CN 102749589B CN 201210243286 A CN201210243286 A CN 201210243286A CN 102749589 B CN102749589 B CN 102749589B
- Authority
- CN
- China
- Prior art keywords
- decline
- battery
- electrokinetic cell
- electric automobile
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明提供一种电动汽车动力电池衰退模式预测方法,包括以下步骤:1)对动力电池放电过程中的电压曲线进行数据采集,采集并记录动力电池在电动汽车使用过程中放电的电压曲线;2)对采集到的电压曲线进行分类;3)采用隐马尔科夫模型对动力电池的衰退模式进行预测。本发明可以更方便快捷准确地评价电池的健康状况,并且能根据不同人的驾车习惯针对个人更准确地预测出电动汽车动力电池的剩余寿命,从而可以更好地管理与规划使用电池。
Description
技术领域
本发明涉及一种衰退模式预测方法,尤其涉及一种电动汽车动力电池衰退模式预测方法。
背景技术
在动力电池寿命预测方法方面,目前可大致分1)模型法、2)基于数据驱动的方法。
1)模型法
目前很多动力电池寿命预测都是采用模型法来完成的。
兰迪等人对动力电池进行了充放电试验。在实验过程中他们采取了40-70℃范围内的多个温度作为环境温度,对动力电池进行加速充放电,然后根据动力电池的温度,内阻以及SOC变化率为基础,提出了一种经验模型。模型如下:
R=At1/2+B
其中:A=a{exp[b/T]};
B=c{exp[d/T]}。
首先,以上模型只是一种经验模型,并不能准确地表现电池的内阻与温度,SOC的变化关系。其次,动力电池的寿命衰退是多种因素造成的,并不能单纯通过电池的内阻,温度,以及SOC的变化来表征电池的衰退情况。
Ramadass等人所做动力电池剩余寿命模型是从电池寿命衰退原理出发所做的,他们认为电池寿命的下降是因为电池内部具有活性的锂离子正在减少,并且电池内SEI膜电阻的提高引起电池放电电压下降。他们根据量子力学中的第一性原理提出了预测动力电池剩余寿命的经验模型。在模型中,电池SOC变化量与SEI膜电阻作为参数,定量研究动力电池容量的衰减,从而预测电池剩余寿命。
但是这一模型并没有考虑到充放电截止电压对电池剩余寿命的影响,在实际应用中并不能完全满足汽车电池使用要求。
Gang等人通过实验研究发现动力电池内部具有活性的锂离子的逐步缺失,是由于电池内部化学副反应造成的。与此同时,他们所提出的模型中考虑到了充放电截止电压对动力电池剩余寿命的影响,弥补了Ramadass模型的不足。但是此模型并没有充分考虑到液态电解液的扩散等极限问题,所以只能分析电池在低倍率条件下放电时的剩余寿命。而在实际中,电动汽车经常性出现高倍率放电情况,所以此模型并不能准确预测实际使用中动力电池的剩余寿命。
北京航空航天大学做的关于电池寿命的预测中使用了非线性参数预测法来建立动力电池剩余寿命预测模型。他们在实验中对电池不断的充电放电直至电池容量衰减20%,此时认为电池寿命达到终点(请参见:黎火林,苏金然.锂离子电池循环寿命预计模型的研究[J].电源技术.2008.)。在实验数据处理过程中,他们认为动力电池剩余寿命与电池的容量衰减率成幂指数关系,所以他们用实验数据进行拟合分析,获得用一种动力电池剩余寿命预测模型:
Cr(nc,T,I)=A(T,I)nc B(T,I)
其中nc为充放电循环寿命;T为绝对温度;I为放电电流;Cr为容量衰减率;参数A(T,I)、B(T,I)为温度和放电电流的函数。
但是这种方法放电电流只有2个对比数据(0.5C和0.8C),在曲线拟合的过程中存在比较大的误差;另外实验条件与实际条件会有误差,所以预测结果并不十分准确。
综上,模型法是通过实验发现电池寿命与电池特征参数之间的关系,包括内阻,SOC和放电电压等等,来建立动力电池剩余寿命的经验模型。这一类方法的优点是可以方便直观地看到影响电池寿命衰退的因素,并能建立相应的模型,诊断一定条件下的电池寿命衰退情况,从而预测电池剩余寿命。但是这一类方法普遍存在的缺点就是这些预测模型只适用于电池处于某一种特定的衰退模式下。在实际中,电动汽车在不断的变换衰退模式,是一种动态的切换,模型法并不能实时做出相应变换,所以预测并不十分准确。
2)基于数据驱动的方法。
萨哈(请参见:Bhaskar Saha,Kai Goebel,Scott Poll,and Jon Christophersen.Prognostics Methods for Battery Health Monitoring Using a BayesianFramework[J].IEEE Transactions on instrumentation and measurement.2009,11(16):291-296.)在他对电池的性能研究中使用了粒子滤波预测法来预测电池的剩余寿命。他首先通过支持向量回归法分析了电池寿命与电池容量衰退以及内阻的关系,再通过粒子滤波预测的方法根据历史容量衰退的规律预测动力电池未来容量的衰退,通过累加过往的容量衰退,直到达到30%,认为电池达到寿命终点,从而预测电池寿命。
刘杰(请参见:Liu Jie.Life prediction of batteries for selecting thetechnically most suitable and cost effective battery[J].Journal of PowerSources.2005,1:373-384.)在他所做电池剩余寿命预测模型中使用了自适应回归神经网络(ARNN)方法。在动力电池充放电实验中,他选用60%SOC以及25℃和45℃两种不同温度进行实验,直到电池容量衰退30%。这种方法通过递归反馈分析当前系统的状态,从而提高预测精度。而且这种方法可以从有限的测量数据中学习系统状态参数,从而更新数据驱动非线性预测模型。
Goebel(请参见:Geobal.A technique for estimating the state of health of lithiumbatteries through a RVM observer[J].EEE Trans.Power Electron.2010(25):1013-1022.)在其对电池性能的研究中使用了贝叶斯结构的相关向量机方法来预测动力电池剩余寿命。相关向量机是一种代表了与支持向量机函数形式相同的贝叶斯广义线性模型,是一种比较先进的预测方法,而且测试时间短,便于在线测试。他利用爱达荷国家实验室所做的电池充放电实验数据建立了电池容量与内阻参数的关系,通过相关向量机方法预测电池容量的衰减。
但是这些方法在实际的应用中也存在不足。
在现在的技术中,电池的容量往往有2种方法测量,第一种是额定电流放电,然后用放电电流乘以放电时间来获得,第二种是10分钟大电流放电,通过电池的电压的下降速度来估计电池现在的容量。我们很难在实际中通过以上两种方法获得电动汽车动力电池的容量,因为在电动汽车的使用中,电流不断的变化,除非我们专门为测准确的容量,进行放电,否则我们只能获得估计的容量值。所以,对于这种方法,在实际中并不能准确的预测出电池的剩余寿命。
综上所述各类方法中,优点在于方便快捷,可以快速的预测电池的剩余寿命,但是也存在共有的不足之处。首先,以上各类方法往往局限于某一些充放电条件下,但是在实际应用中,电动汽车的使用可能是多种多样的,它的衰退模式也是各不相同,这些方法在建立之时就存在其局限性,因此通过这些方法预测的电池剩余寿命不是十分准确。其次,以上方法都过于依赖电池的容量,通过电池过往容量的变化,预测电池的剩余寿命。但是上文已经介绍过,在实际电动汽车的使用中很难准确的获得电动汽车动力电池的容量衰退情况,所以预测将变得更加不准确。
发明内容
为了克服上述现有技术的不足,本发明提供一种电动汽车动力电池衰退模式预测方法。
一种电动汽车动力电池衰退模式预测方法,其特征在于:包括以下步骤:
1)、对动力电池放电过程中的电压曲线进行数据采集,采集并记录动力电池在电动汽车使用过程中放电的电压曲线;
2)、对采集到的动力电池的电压曲线的衰退模式进行分类;
3)、采用隐马尔科夫模型对动力电池的衰退模式进行预测。
本发明的进一步改进为,所述步骤2)将采集到的电压曲线进行曲线聚类,所述曲线聚类进一步包括以下步骤:
A)、确定一个相似精度作为阈值;
B)、在所采集的电压曲线中挑选出距离最大的2条电压曲线,以其中的1条电压曲线作为聚核开始进行曲线聚类,直到这一类电压曲线的相似精度超过所设定的阈值为止;
C)、然后再在剩余的电压曲线中重复步骤B),直到所有的电压曲线都被归类为止。
本发明的进一步改进为,所述阈值满足以下公式:
式中T为阈值(s);
C为容量(Ah);
A为额定电流(A)。
本发明的进一步改进为,所述步骤3)满足以下公式,
s(t+n)=π(t)AnB
其中:状态s即为在t+n时刻,动力电池所处衰退模式,π(t)为初始向量,A为状态转移矩阵,B为观察概率分布矩阵,t即第t次放电,n为t后的第n次放电。
本发明的进一步改进为,所述步骤3)中,包括以下步骤:
定义所述电压曲线的衰退点,将所述动力电池的衰退点出现的电压设定为U,将所述动力电池的额定电压设定为U0,定义所述设定衰退点与额定电压满足如下关系:
U=0.82U0
采集并记录该衰退点出现的时间t。
本发明的进一步改进为,所述步骤3)中,隐马尔科夫模型中设有观察值M,所述隐马尔科夫模型中的观察值M为动力电池放电过程中衰退点出现的时间。
本发明的进一步改进为,所述步骤3)中,隐马尔科夫模型中设有状态数量N,所述状态数量N为步骤2)中得到的曲线聚类的个数。
本发明的进一步改进为,所述步骤3)中,隐马尔科夫模型中设有状态转移矩阵A,所述状态转移矩阵A,
其中:
在采用本方法预测中,有N为状态数量,即动力电池的衰退模式数量,上式表示在t时刻,状态为si的条件下,在t+1时刻状态时sj概率。
本发明的进一步改进为,所述步骤3)中,隐马尔科夫模型中设有观察概率分布矩阵B,
上式表示在t时刻、状态是si条件下,观察值为xj的概率。
本发明的进一步改进为,所述步骤3)中,隐马尔科夫模型中设有初始向量π,
其中,
相较于现有技术,本发明可以更方便快捷准确地评价电池的健康状况,并且能根据不同人的驾车习惯针对个人更准确地预测出电动汽车动力电池的剩余寿命,从而可以更好地管理与规划使用电池。
附图说明
图1是本发明的电动汽车动力电池衰退模式预测方法的步骤流程图。
图2是本发明实施例中同一类型的2块电动汽车动力电池在不同使用模式下容量衰退曲线图。
图3是电动汽车动力电池一次放电过程中电压的下降曲线图。
图4是本发明实施例中电动汽车动力电池在相同衰退模式下的放电曲线示意图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
请参阅图1至图4,本发明提供了一种电动汽车动力电池衰退模式预测方法,对电动汽车的动力电池的衰退模式进行预测。本发明的电动汽车动力电池衰退模式预测方法包括以下步骤:
1)、对动力电池放电过程中的电压曲线进行数据采集,采集并记录动力电池在电动汽车使用过程中放电的电压曲线。由于电动汽车可能面对多种如路面状况、交通状态、外界温度、湿度等不同的外界环境,并且不同的驾驶者对电动汽车的驾驶习惯也不同。因此在实际使用中,不同的外界环境及驾驶习惯对动力电池的动力需求不同,电池需要面对各种不同的使用状态。不同的电动汽车的动力电池的使用状态对应了不同的动力电池使用模式。这些不同的使用模式包含了不同的放电电流、不同的放电终点以及不同的环境温度之间的交叉组合。而这些不同的使用模式,对电池造成的寿命衰退可能各不相同。本实施例中,所用动力电池为单体动力锂电池,额定电压为4.2V,额定电流为2A,容量为2Ah。实验平台包括充电装置,负载箱,DAQ转换器,电池管理系统,计算机,以及环境控制装置等。
在动力电池的充电过程中,本实施例统一选用先恒流后恒压的方式进行充电。以1.5A电流进行充电,直到电压达到4.2V,然后再用恒定电压进行充电,直到电流下降到20mA为止。
在动力电池的放电过程中,选用多种不同条件进行。其中放电电流有1A,2A;环境温度有4℃,24℃和44℃;放电终点的选择有4种,分别是2.0V,2.2V,2.5V,2.7V。通过对不同使用条件的交叉组合,总共选用24种情况进行实验。整个实验过程直到电池容量下降到1.6Ah为止(20%衰退)。
在实验过程中,本实施例每10秒钟采集一次动力电池实验数据,其中包括动力电池的实时电压,实时电流,实时温度,以及电压电流的负载情况。每一数据都有相应时间一一对应。本实施例中的电压曲线为电池电压随时间下降的曲线。
2)、对采集到的动力电池的电压曲线的衰退模式进行分类。理论上,可以通过所有可能出现的电池使用模式都进行分析研究,从而获得所有使用模式下电池的寿命衰退情况。但是,电动汽车的使用模式由于外界环境、驾驶习惯、驾驶方式的不同可有无限种情况,无法穷尽所有的电池使用模式。对于这种情况,本发明发现并提出这样一个规律:某些不同外界环境、驾驶习惯下的不同的使用模式,对电池造成的寿命衰退是相似的。
如图2所示,为同一种类电池,在充电方式、环境温度和放电终点都一致的情况下,分别使用1A放电和2A放电所获得的容量衰退曲线。下方曲线是动力电池在放电电流为1A、放电终点为2.0V、温度为4℃的条件下,进行反复充放电所获得的容量衰退曲线。上方曲线是在放电电流为2A、放电终点为2.5V、温度为24℃的条件下,进行反复充放电所获得的容量衰退曲线。可以发现,2种电池的使用模式虽然不同,但是对电池造成的容量衰退基本是一致的。因此在不同的使用模式下,电池的寿命衰退可能是相似的。因此,尽管电池的使用模式有无限多种,但是很多使用模式对电池容量造成的衰退是一致的。也就是说无限的使用模式可以归为有限的衰退模式中去。
同样的,图4为图2中所示的两块电池的电压随时间下降的放电电压曲线。虽然对动力电池使用了不同的放电模式进行放电,但是从图2中可以看到这两种衰退模式是一致的,而从图4中可以发现电池放电电压曲线也是相似的。因此,通过实验数据分析所得,对于处于同一寿命阶段的动力电池,相同的寿命衰退模式下,其放电电压曲线是相似的。所以如果可以将动力电池放电电压曲线进行聚类,也就可以将不同的寿命衰退模型区分开来。
本发明将动力电池的在不同的使用模式下造成的衰退模式进行分类,将无限的使用模式,用有限的衰退模式来代替。在寿命预测的时候,可通过了解不同的衰退模式对电池造成的寿命衰退,就可以更有针对性的预测电池的剩余寿命,使预测更准确。因此本发明首先解决的问题就是找出能够自动将电动汽车的动力电池的使用模式进行分析聚类的方法。
在本实施例中,动力电池的衰退模式预测方法以相似精度作为阈值将所采集到的电压曲线进行曲线聚类。
曲线聚类进一步包括以下步骤:
A)、首先确定一个相似精度作为阈值,在同一类中的两条电压曲线之间的距离不能超过阈值范围。在本实施例中,选择额定放电时间的10%作为阈值,以将不同的衰退模式区分开来。阈值满足以下公式:
式中T为阈值(s);
C为容量(Ah);
A为额定电流(A)。
B)、在所采集的电压曲线中挑选出距离最大的2条电压曲线,以其中的1条作为聚核开始进行聚类,直到所聚类的电压曲线的相似精度超过所设定的阈值为止,从而将聚类所得的电压曲线归为一个曲线聚类。在本实施例中,两个不同动力电池的电压曲线之间的距离为两个动力电池在达到同一电压时的时间差。
C)、然后再在剩余的电压曲线中重复步骤B),直到所有的电压曲线都被归类为止。
记录电压曲线Li是由n个连续观测的数据xi1,xi2,xi3,…,xin构成的,Li=Li(xi1,xi2,xi3,…,xin),则2条电压曲线Li与Lj之间的相似度定义如下:
电压曲线Li(xi1,xi2,xi3,…,xin)与电压曲线Lj(xj1,xj2,xj3,…,xjn)的距离为:
由定义可知,2条电压曲线之间的距离即为曲线之间对应点距离的最大值,距离越小,则表示曲线的形态越接近,本发明把这个距离定义为曲线的相似精度。
分类效果的好坏直接影响到接下来建模预测剩余寿命的精度,因此在曲线聚类之后,要进行曲线聚类离散度分析。如果曲线聚类效果比较理想,则此类别可定为一种寿命衰退模式;如果该类曲线聚类效果不理想,曲线离散度比较高,那么为了不影响后续预测模型的精度,需要将此类曲线进行二次分类,直到结果满意为止。
这里用标准差来反应某一类曲线离散度。
对于曲线离散度需要用到曲线类质心的定义,所以在此首先给出曲线类C质心的定义:
C=(X1,X2,…,Xn),1≤k≤n
对于已经聚类的曲线类C,则该类别在t(1≤t≤n)时刻的标准差如下:
SD值越高,说明这一类别曲线的差异程度越大,其质心的代表性也越差;反之亦然。
将C类曲线所有时刻标准差相连接,即可得到该类别的标准差曲线。通过该标准差曲线,即可获得此类曲线离散程度,从而了解该类曲线分类的理想程度。一旦不理想,需要进行重新聚类。
本实施例中阈值为180秒。通过该阈值进行聚类,可将本实施例中的24种不同的使用模式聚为6大类,即认为这24种不同的使用模式,对电池造成的寿命衰退情况可分为6类。
第一类,包含4种使用模式:
(1)放电电流1A,温度24℃,放电终点为2.7V;
(2)放电电流1A,温度24℃,放电终点为2.5V;
(3)放电电流1A,温度24℃,放电终点为2.2V;
(4)放电电流1A,温度44℃,放电终点为2.7V。
第二类,包含3种放电模式:
(1)放电电流2A,温度24℃,放电终点为2.7V;
(2)放电电流2A,温度24℃,放电终点为2.5V;
(3)放电电流1A,温度24℃,放电终点为2.0V。
第三类,包含3中放电模式:
(1)放电电流2A,温度44℃,放电终点为2.7V;
(2)放电电流2A,温度24℃,放电终点为2.2V;
(3)放电电流2A,温度44℃,放电终点为2.5V。
第四类,包含5种放电模式:
(1)放电电流1A,温度44℃,放电终点为2.5V;
(2)放电电流1A,温度44℃,放电终点为2.2V;
(3)放电电流2A,温度44℃,放电终点为2.2V;
(4)放电电流2A,温度24℃,放电终点为2.0V;
(5)放电电流2A,温度4℃,放电终点为2.7V。
第五类,包含5种放电模式:
(1)放电电流1A,温度44℃,放电终点为2.0V;
(2)放电电流1A,温度4℃,放电终点为2.5V;
(3)放电电流1A,温度4℃,放电终点为2.7V;
(4)放电电流2A,温度4℃,放电终点为2.5V;
(5)放电电流1A,温度4℃,放电终点为2.2V。
第六类,包含4种放电模式:
(1)放电电流2A,温度4℃,放电终点为2.2V;
(2)放电电流2A,温度4℃,放电终点为2.0V;
(3)放电电流1A,温度4℃,放电终点为2.0V;
(4)放电电流2A,温度44℃,放电终点为2.0V。
3)、采用隐马尔科夫模型(Hidden Markov models,HMM)对动力电池的衰退模式进行预测。
本发明的隐马尔科夫模型满足公式:
s(t+n)=π(t)AnB,其中:状态s即为在t+n时刻,动力电池所处衰退模式,t即第t次放电,一般情况下t可以取值1,即为第一次放电。
其中,隐马尔科夫模型包括5个参数:观察值M、状态数量N、状态转移矩阵A、观察概率分布矩阵B、初始向量π。
(1)观察值M
如图3所示,本发明将电池使用过程中的衰退曲线分为指数区域、正常区域及衰退区域。
本发明将左上画有斜线的区域定义为指数区域。在此区域,电压快速下降。通过实验数据的分析,动力电池在此区域内电压会在2分钟至3分钟内迅速下降10%左右。以额定电压3.6V的电池为例,放电开始的3分钟内,电压就会下降到3.3V左右,并开始趋于稳定。
如图3所示的画有竖线的区域,本发明将其定义为正常区域,那么在这个区域内,电压平稳而缓慢地下降。
如图3所示的曲线下方的白色区域,本发明将其定义为衰退区域,一旦进入此区域,电压快速下降。本发明将电池正常区域与衰退区域之间的拐点定义为衰退点。在动力电池的使用过程中,真正的有效放电时间,就是正常区域内的放电时间,而正常区域放电时间的长短就可以衡量电池的剩余寿命。也就是不同的衰退模式对应的衰退点出现的时间,即可表征电池的寿命。
电池的由开始启用到报废的整个使用周期中,正常区域不断地减小,衰退点逐渐前移、出现的越来越早。所以本发明定义动力电池的衰退过程,就是电池电压正常区域不断缩小的过程。在电池寿命达到终点的时候,电压保持在正常区域内的时间大大缩短,很快进入衰退区域,从而使电压更快的下降。在电动汽车使用过程中就体现为刚刚充好电的电池在使用很短的时间内就再次没电。
在动力电池的使用过程中,真正的有效放电时间,就是正常区域内的放电时间,而正常区域放电时间的长短就可以衡量电池的剩余寿命。如果我们将电池正常区域与衰退区域之间的拐点定义为衰退点,那么正常区域的缩短就可以用衰退点的提前来表征。从而电池的寿命衰退,就可以用电压放电曲线中衰退点的不断提前来表征。
对于衰退点是如何定义的,通过动力电池放电试验发现,衰退点与额定电压存在一定的关系。无论使用什么方式对电池进行充放电试验,电池正常区域的截止电压往往不会存在太大的差异。
如图4,是本实施例对电池所做充放电试验所得的2条电压放电曲线,右侧曲线是用2A放电,放电终点为2.5V,环境温度为24℃。左侧曲线是用2A放电,放电终点为2.7V,环境温度为44℃。可以从图中看到,二条曲线的正常区域所在的电压基本是一致的。
通过上述分析与推导可以发现,隐马尔科夫模型中的观察值M可以设定为动力电池放电过程中衰退点出现的时间。这样的优势在于可以更容易的获得一种表征电池寿命衰退情况的特征数据,并通过在电动汽车使用过程中测量衰退点出现时间,实现实时获取数据。
所以,衰退点出现的时间,即是本发明的观察值M。找出衰退点出现的时间,即可确定观察值M。
在对本实施例实验数据进行分析发现,无论电池使用何种充放电模式,电池在放电至3.3V左右开始迅速下降(电池额定电压为4.2V)。
在本发明所做电池充放电实验中,使用3.6V额定电压的动力电池进行充放电试验中,电池在电压下降到2.9V左右开始出现迅速下降。
设定衰退点与额定电压存在如下关系:
U=0.82U0
在本实施例中,通过额定电压计算出衰退点出现电压,并在电池使用过程中,采集并记录该衰退点出现的时间t。
(2)状态数量N
本发明将动力电池的衰退模式作为状态数量。几种衰退模式,就有几种状态数量,即具有几种步骤2)中曲线聚类的个数。
(3)状态转移矩阵A
在步骤1)中,动力电池每一次放电过程中的衰退模式都会被记录并归类。然后数次状态转移之后,通过状态转移矩阵来表征每个状态之后下一个状态的概率。
其中:
在采用本方法预测中,有N为状态数量,即动力电池的衰退模式数量,上式表示在t时刻,状态为si的条件下,在t+1时刻状态时sj概率。
针对本实施例试验数据,本发明在前文已经对其前150次进行了聚类分析,总共有6种衰退模式。在这里我们对这6种衰退模式出现的情况进行统计分析,我们发现其规律如下:
第一种衰退模式总共出现15次,这15次衰退模式的后面分别出现第一种衰退模式2次,第二种衰退模式2次,第三种衰退模式5次,第四种衰退模式3次,第五种衰退模式1次,第六种衰退模式2次。
第二种衰退模式总共出现21次,这15次衰退模式的后面分别出现第一种衰退模式0次,第二种衰退模式4次,第三种衰退模式4次,第四种衰退模式4次,第五种衰退模式4次,第六种衰退模式5次。
第三种衰退模式总共出现26次,这15次衰退模式的后面分别出现第一种衰退模式2次,第二种衰退模式4次,第三种衰退模式1次,第四种衰退模式7次,第五种衰退模式6次,第六种衰退模式6次。
第四种衰退模式总共出现27次,这15次衰退模式的后面分别出现第一种衰退模式4次,第二种衰退模式5次,第三种衰退模式4次,第四种衰退模式5次,第五种衰退模式6次,第六种衰退模式3次。
第五种衰退模式总共出现29次,这15次衰退模式的后面分别出现第一种衰退模式4次,第二种衰退模式5次,第三种衰退模式8次,第四种衰退模式2次,第五种衰退模式7次,第六种衰退模式3次。
第六种衰退模式总共出现31次,这15次衰退模式的后面分别出现第一种衰退模式2次,第二种衰退模式4次,第三种衰退模式6次,第四种衰退模式4次,第五种衰退模式8次,第六种衰退模式7次。
用矩阵表示出现的次数,如下:
计算出状态转移矩阵,如下:
至此,状态转移矩阵A的计算过程结束。
(4)观察概率分布矩阵B
每一个衰退点对应使用模式的概率分布。也就是每一个衰退点的出现,可能由于电池寿命的衰退,同一类别的衰退点出现在了不同类别的区间内。因此我们需要计算每一个衰退点对应使用模式的概率分布情况。
上式表示在t时刻、状态是si条件下,观察值为xj的概率。
对于同一种衰退模式下,衰退点的出现时逐渐左移的,所以当某一个衰退点出现的时候,它只可能是它右侧所有衰退模式下某一时刻的特征表现,不可能是它左侧的任意一种使用模式。至于该衰退点属于右侧哪一种,经过数据计算与验证,我们给予该衰退点一个加权系数,我们认为该衰退点属于它所处曲线聚类类别处的概率为1/t,属于该类别右侧类别的概率为1/t2,以此类推。
其中n为衰退点所处曲线类别及其右侧所有类别之和。
本实施例得到的观察概率分布矩阵如下:
(5)初始向量π
可采用Viterbi计算π:
其中,
也可用以下公式计算π:
π=[πi=p(s(1)=i)]
至此,针对动力电池衰退模型就已经建立完成,本发明可以通过该模型掌握电动汽车在过去使用过程中的规律,从而依据现在的衰退模式,预测未来的衰退模式。
通过这种预测模式可以掌握不同人使用汽车的规律,让驾驶员知道自己这样使用汽车对电池造成损耗的程度如何,从而调整自己的使用方法,让电池的寿命得以延长。
通过公式:
s(t+n)=π(t)AnB
即可得到所预测的未来电池使用模式。
本发明通过预测动力电池的衰退模式,可以更加准确地预测动力电池的剩余寿命。例如可通过对于电池在标准的充放电使用模式下的衰退模式建立模型,然后用不同衰退模式与标准模式进行对比,根据不同的使用模式设立不同的参数来对模型进行修正,从而获得不同使用模式下的寿命衰退。再依据本专利进行的模式预测,可以累加从而获得累积的寿命衰退,进而预测动力电池剩余寿命。
现有技术中对动力电池寿命的预测,往往都是依据固定的电池模型来进行预测,并不能依据实际情况进行诊断与预测。本发明可以更方便快捷准确地评价电池的健康状况,并且能根据不同人的驾车习惯针对个人更准确地预测出电动汽车动力电池的剩余寿命,从而可以更好地管理和规划使用电池。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种电动汽车动力电池衰退模式预测方法,其特征在于:包括以下步骤:
1)、对动力电池放电过程中的电压曲线进行数据采集,采集并记录动力电池在电动汽车使用过程中放电的电压曲线;
2)、对采集到的动力电池的电压曲线的衰退模式进行分类;
3)、采用隐马尔科夫模型对动力电池的衰退模式进行预测。
2.根据权利要求1所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤2)将采集到的电压曲线进行曲线聚类,所述曲线聚类进一步包括以下步骤:
A)、确定一个相似精度作为阈值;
B)、在所采集的电压曲线中挑选出距离最大的2条电压曲线,以其中的1条电压曲线作为聚核开始进行曲线聚类,直到这一类电压曲线的相似精度超过所设定的阈值为止;
C)、然后再在剩余的电压曲线中重复步骤B),直到所有的电压曲线都被归类为止。
3.根据权利要求2所述电动汽车动力电池衰退模式预测方法,其特征在于:所述阈值满足以下公式:
式中T为阈值(s);
C为容量(Ah);
A为额定电流(A)。
4.根据权利要求1所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)满足以下公式,
s(t+n)=π(t)AnB
其中:状态s即为在t+n时刻,动力电池所处衰退模式,π(t)为初始向量,A为状态转移矩阵,B为观察概率分布矩阵,t即第t次放电,n为t后的第n次放电。
5.根据权利要求4所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)中,包括以下步骤:
定义所述电压曲线的衰退点,将所述动力电池的衰退点出现的电压设定为U,将所述动力电池的额定电压设定为U0,定义所述设定衰退点与额定电压满足如下关系:
U=0.82U0
采集并记录该衰退点出现的时间t。
6.根据权利要求5所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)中,隐马尔科夫模型中设有观察值M,所述隐马尔科夫模型中的观察值M为动力电池放电过程中衰退点出现的时间。
7.根据权利要求5所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)中,隐马尔科夫模型中设有状态数量N,所述状态数量N为步骤2)中得到的曲线聚类的个数。
8.根据权利要求5所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)中,隐马尔科夫模型中设有状态转移矩阵A,所述状态转移矩阵A,
其中:
在采用本方法预测中,有N为状态数量,即动力电池的衰退模式数量,上式表示在t时刻,状态为si的条件下,在t+1时刻状态时sj概率。
9.根据权利要求5所述电动汽车动力电池衰退模式预测方法,其特征在于:所述步骤3)中,隐马尔科夫模型中设有观察概率分布矩阵B,
其中:
1≤j≤M,1≤i≤N
上式表示在t时刻、状态是si条件下,观察值为xj的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210243286.7A CN102749589B (zh) | 2012-07-13 | 2012-07-13 | 电动汽车动力电池衰退模式预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210243286.7A CN102749589B (zh) | 2012-07-13 | 2012-07-13 | 电动汽车动力电池衰退模式预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102749589A CN102749589A (zh) | 2012-10-24 |
CN102749589B true CN102749589B (zh) | 2014-11-26 |
Family
ID=47029938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210243286.7A Expired - Fee Related CN102749589B (zh) | 2012-07-13 | 2012-07-13 | 电动汽车动力电池衰退模式预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102749589B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122502B (zh) * | 2013-04-24 | 2017-07-07 | 中国科学院深圳先进技术研究院 | 储能设备健康状态的检测方法 |
CN103308864B (zh) * | 2013-07-09 | 2015-06-24 | 中国人民解放军国防科学技术大学 | 二次电池soh值估算和剩余寿命测试方法 |
CN103817091A (zh) * | 2014-02-28 | 2014-05-28 | 清华大学 | 电池分选方法及系统 |
CN103954913B (zh) * | 2014-05-05 | 2017-06-30 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池寿命预测方法 |
CN103995236B (zh) * | 2014-05-30 | 2017-07-28 | 长城汽车股份有限公司 | 电池系统的容量损失测试方法及电池系统 |
CN104459553B (zh) * | 2014-11-28 | 2017-10-03 | 上海交通大学 | 一种预测电动汽车电池效率和健康状况的方法和系统 |
CN104393647B (zh) * | 2014-11-28 | 2017-06-13 | 上海交通大学 | 一种用于电动汽车的充电桩系统 |
KR20160090140A (ko) * | 2015-01-21 | 2016-07-29 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
CN106154163B (zh) * | 2015-03-12 | 2019-03-26 | 重庆邮电大学 | 一种电池寿命状态识别方法 |
CN104778337B (zh) * | 2015-04-30 | 2017-03-22 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN104777433B (zh) * | 2015-05-04 | 2018-04-27 | 中颖电子股份有限公司 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
CN105738828B (zh) * | 2016-04-04 | 2018-07-17 | 北京航空航天大学 | 一种电池容量精准测量方法 |
CN106021923A (zh) * | 2016-05-19 | 2016-10-12 | 江苏理工学院 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
CN106199443B (zh) * | 2016-07-05 | 2018-12-04 | 常州工学院 | 一种锂电池退化鉴别方法及退化报警系统 |
CN107064800B (zh) * | 2016-11-29 | 2019-10-18 | 北京交通大学 | 锂离子电池剩余使用寿命的实时预测方法 |
CN106772111A (zh) * | 2017-03-24 | 2017-05-31 | 合肥悦兰信息技术有限公司 | 一种汽车蓄电池使用寿命衰减程度的检测方法 |
CN108931729B (zh) * | 2017-05-08 | 2019-05-07 | 北京航空航天大学 | 一种锂离子电池容量循环退化动态识别方法 |
CN107765186B (zh) * | 2017-10-20 | 2019-09-17 | 清华大学 | 燃料电池剩余寿命在线预报方法及装置 |
CN107729678A (zh) * | 2017-11-02 | 2018-02-23 | 中国科学院数学与系统科学研究院 | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 |
CN107765190B (zh) * | 2017-12-11 | 2020-02-11 | 太原理工大学 | 一种长寿命快充型磷酸铁锂电池的寿命预测方法 |
CN109241133A (zh) * | 2018-08-14 | 2019-01-18 | 北京粉笔未来科技有限公司 | 数据监测方法、装置、计算设备及存储介质 |
CN110893794B (zh) * | 2018-08-24 | 2023-01-24 | 上海汽车集团股份有限公司 | 一种车用电池衰减系数确定方法及装置 |
US11555858B2 (en) * | 2019-02-25 | 2023-01-17 | Toyota Research Institute, Inc. | Systems, methods, and storage media for predicting a discharge profile of a battery pack |
CN109946612B (zh) * | 2019-04-01 | 2020-10-20 | 北京交通大学 | 一种三元锂离子电池容量加速衰退转折点识别方法 |
CN110045288B (zh) * | 2019-05-23 | 2021-08-17 | 中山大学 | 一种基于支持向量回归的锂离子电池容量在线估计方法 |
CN110441706A (zh) * | 2019-08-23 | 2019-11-12 | 优必爱信息技术(北京)有限公司 | 一种电池soh估计方法及设备 |
CN111289909B (zh) * | 2020-03-10 | 2022-06-24 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种锂电池电量测量方法及系统 |
CN111257755B (zh) * | 2020-03-31 | 2022-06-10 | 上海玫克生储能科技有限公司 | 一种预防性检测诊断电池包方法 |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN111983475B (zh) * | 2020-08-24 | 2022-12-30 | 哈尔滨理工大学 | 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置 |
CN112051506B (zh) * | 2020-08-28 | 2021-07-27 | 北京航空航天大学 | 一种相似产品可迁移样本筛选方法、系统及用途 |
CN112034355B (zh) * | 2020-09-04 | 2023-09-05 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 蓄电池状态的评估方法及评估装置 |
CN112257348B (zh) * | 2020-12-22 | 2021-03-16 | 北京航空航天大学 | 一种锂电池长期退化趋势预测方法 |
CN114910794A (zh) * | 2022-05-14 | 2022-08-16 | 哈尔滨理工大学 | 一种基于马尔科夫的锂离子电池状态预测方法和预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488954A (zh) * | 2002-10-07 | 2004-04-14 | 陈清泉 | 电动车蓄电池剩余容量的估计方法 |
CN1601295A (zh) * | 2004-10-25 | 2005-03-30 | 清华大学 | 电动车用蓄电池荷电状态的估计及实现方法 |
CN102119338A (zh) * | 2008-08-08 | 2011-07-06 | 株式会社Lg化学 | 基于电池电压变化模式估计电池健康状态的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11194157A (ja) * | 1998-01-05 | 1999-07-21 | Nikon Corp | 電池種類識別装置 |
-
2012
- 2012-07-13 CN CN201210243286.7A patent/CN102749589B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488954A (zh) * | 2002-10-07 | 2004-04-14 | 陈清泉 | 电动车蓄电池剩余容量的估计方法 |
CN1601295A (zh) * | 2004-10-25 | 2005-03-30 | 清华大学 | 电动车用蓄电池荷电状态的估计及实现方法 |
CN102119338A (zh) * | 2008-08-08 | 2011-07-06 | 株式会社Lg化学 | 基于电池电压变化模式估计电池健康状态的方法及装置 |
Non-Patent Citations (3)
Title |
---|
JP特开2007-199075A 2007.08.09 * |
基于动态最近邻聚类算法的RBF神经网络及其在MH-Ni电池容量预测中的应用;张秀玲 等;《电工技术学报》;20051130;第20卷(第11期);第84-87页 * |
张秀玲 等.基于动态最近邻聚类算法的RBF神经网络及其在MH-Ni电池容量预测中的应用.《电工技术学报》.2005,第20卷(第11期), * |
Also Published As
Publication number | Publication date |
---|---|
CN102749589A (zh) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102749589B (zh) | 电动汽车动力电池衰退模式预测方法 | |
Hong et al. | Online accurate state of health estimation for battery systems on real-world electric vehicles with variable driving conditions considered | |
Wang et al. | Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression | |
CN103954913B (zh) | 电动汽车动力电池寿命预测方法 | |
Chen et al. | State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network | |
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
Chen et al. | A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms | |
Mishra et al. | Bayesian hierarchical model-based prognostics for lithium-ion batteries | |
Oji et al. | Data-driven methods for battery soh estimation: Survey and a critical analysis | |
Shi et al. | Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction | |
Feng et al. | Remaining useful lifetime prediction based on the damage-marker bivariate degradation model: A case study on lithium-ion batteries used in electric vehicles | |
Zhang et al. | Multi-objective decision analysis for data-driven based estimation of battery states: A case study of remaining useful life estimation | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
Elmahallawy et al. | A comprehensive review of lithium-ion batteries modeling, and state of health and remaining useful lifetime prediction | |
Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
Bonfitto et al. | State of health estimation of lithium batteries for automotive applications with artificial neural networks | |
CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
Donato et al. | Machine learning systems based on xgBoost and MLP neural network applied in satellite lithium-ion battery sets impedance estimation | |
CN115684936A (zh) | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 | |
Zhao et al. | A state of health estimation framework based on real-world electric vehicles operating data | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141126 Termination date: 20180713 |