CN103336912B - 基于ari算法的锂离子电池截止电压的预测方法 - Google Patents
基于ari算法的锂离子电池截止电压的预测方法 Download PDFInfo
- Publication number
- CN103336912B CN103336912B CN201310317217.0A CN201310317217A CN103336912B CN 103336912 B CN103336912 B CN 103336912B CN 201310317217 A CN201310317217 A CN 201310317217A CN 103336912 B CN103336912 B CN 103336912B
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- voltage
- ari
- cut
- 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.)
- Active
Links
Abstract
基于ARI算法的锂离子电池截止电压的预测方法,属于锂离子电池的截止电压预测领域。为了解决现有ARI模型为线性模型对锂离子电池后期出现截止电压加速变化时,预测准确性低的问题,首先,提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据;其次,将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定,获得ARI模型;然后,将预测步长的加速因子引入到步骤二获得的ARI模型中进行拟合,获得ND-ARI预测模型,通过采用ND-ARI预测模型实现锂离子电池截止电压的预测。本发明主要适用于对锂离子电池的截止电压预测。
Description
技术领域
本发明属于锂离子电池的截止电压预测领域。
背景技术
由于ARI仍是线性模型,锂离子电池截止电压预测的过程中是不断的利用前若干步的预测值对当前的状态进行估计,预测数据的前期部分与真实数据的吻合程度较好,到后期出现加速变化的时候,通过前期的预测数据无法预测出真实的退化趋势,ARI模型还是难以达到很好预测的效果,误差逐步扩大。
发明内容
本发明是为了解决现有ARI模型为线性模型对锂离子电池后期出现截止电压加速变化时,预测准确性低的问题,本发明提供了一种基于ARI算法的锂离子电池截止电压的预测方法。
基于ARI算法的锂离子电池截止电压的预测方法,它的具体步骤为:
步骤一:提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据;
步骤二:将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定,获得ARI模型;
步骤三:将预测步长的加速因子引入到步骤二获得的ARI模型中进行拟合,获得ND-ARI预测模型,通过采用ND-ARI预测模型实现锂离子电池截止电压的预测;
所述的ARI模型的具体形式为:
其中,为k的时刻ARI模型的锂离子电池截止电压预测值,为k-n时刻的ARI模型的锂离子电池截止电压真实值,其中n=0,1,...,10,其中φn为自回归系数,ak为模型残差;当建立的预测模型正确揭示系统特征时,为白噪声,服从均值为0,方差为W的高斯分布,即at~N(0,W);
所述的预测步长的加速因子的具体形式为,
KT=a·e(b·h)+c·e(d·h)(5-8);
其中,h为预测步长,h=1,2,...,NPRED,其中NPRED为预测序列长度,KT为预测步长的加速因子,a、c、b和d均为实数。
所述步骤一中提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据的具体步骤为:
步骤一一:多次测量锂离子电池每个充放电周期中的截止电压原始数据,并从锂离子电池截止电压原始数据中将锂离子电池每次循环结束时的截止电压提取出来,获得锂离子电池截止电压原始数据集{Vk′},其中,Vk′表示锂离子电池第k′次循环结束时的截止电压,k′=0,1,...,10413;
步骤一二:对锂离子电池截止电压原始数据集{Vk′}进行采样处理,即对锂离子电池每10次循环结束时的截止电压抽取出来,获得集合{xk},集合{xk}表示原始时间序列;xk为第k次抽取的锂离子电池的截止电压,k=0,1,...,1041;
步骤一三:对输入的集合{xk}使用matlab自带smooth函数进行三次不同步长的平滑处理,得到锂离子电池电压变化的趋势,即获得集合{xsmooth,k},集合{xsmooth,k}表示平滑后的电压序列;
步骤一四:对集合{xsmooth,k}进行一阶差分,得到序列所述序列为预处理后获得的数据,所述序列作为ARI预测模型参数训练的输入数据,即为序列为ARI预测模型的输入值,在此步骤中的变量k=0,1,...,1040。
本发明带来的有益效果是;解决了现有ARI模型为线性模型对锂离子电池后期出现截止电压加速变化时,预测效果差的问题,本发明所述的基于ARI算法的锂离子电池截止电压的预测方法使电池截止电压预测准确度提高了10%以上。
附图说明
图1为本发明所述的基于ARI算法的锂离子电池截止电压的预测方法的流程图。
具体实施方式
具体实施方式一:参见图1说明本实施方式,本实施方式所述的基于ARI算法的锂离子电池截止电压的预测方法,它的具体步骤为:
步骤一:提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据;
步骤二:将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定,获得ARI模型;
步骤三:将预测步长的加速因子引入到步骤二获得的ARI模型中进行拟合,获得ND-ARI预测模型,通过采用ND-ARI预测模型实现锂离子电池截止电压的预测;
所述的ARI模型的具体形式为:
其中,为k的时刻ARI模型的锂离子电池截止电压预测值,为k-n时刻的ARI模型的锂离子电池截止电压真实值,其中n=0,1,...,10,其中φn为自回归系数,ak为模型残差;当建立的预测模型正确揭示系统特征时,为白噪声,服从均值为0,方差为W的高斯分布,即at~N(0,W);
所述的预测步长的加速因子的具体形式为,
KT=a·e(b·h)+c·e(d·h)(5-8);
其中,h为预测步长,h=1,2,...,NPRED,其中NPRED为预测序列长度,KT为预测步长的加速因子,a、c、b和d均为实数。
具体实施方式二:参见图1说明本实施方式,本实施方式与具体实施方式一所述的基于ARI算法的锂离子电池截止电压的预测方法的区别在于,所述步骤一中提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据的具体步骤为:
步骤一一:多次测量锂离子电池每个充放电周期中的截止电压原始数据,并从锂离子电池截止电压原始数据中将锂离子电池每次循环结束时的截止电压提取出来,获得锂离子电池截止电压原始数据集{Vk′},其中,Vk′表示锂离子电池第k′次循环结束时的截止电压,k′=0,1,...,10413;
步骤一二:对锂离子电池截止电压原始数据集{Vk′}进行采样处理,即对锂离子电池每10次循环结束时的截止电压抽取出来,获得集合{xk},集合{xk}表示原始时间序列;xk为第k次抽取的锂离子电池的截止电压,k=0,1,...,1041;
步骤一三:对输入的集合{xk}使用matlab自带smooth函数进行三次不同步长的平滑处理,得到锂离子电池电压变化的趋势,即获得集合{xsmooth,k},集合{xsmooth,k}表示平滑后的电压序列;
步骤一四:对集合{xsmooth,k}进行一阶差分,得到序列所述序列为预处理后获得的数据,所述序列作为ARI预测模型参数训练的输入数据,即为序列为ARI预测模型的输入值。
具体实施方式三:参见图1说明本实施方式,本实施方式与具体实施方式一或二所述的基于ARI算法的锂离子电池截止电压的预测方法的区别在于,所述的ND-ARI预测模型的具体形式为:
xk={(1-B)[φ1xk-1+φ2xk-2+…+φnxk-n]+ak}/KT(5-9),
其中,xk为k时刻ND-ARI预测模型的锂离子电池截止电压预测值,B为后移算子,xk-n为k-n时刻的锂离子电池截止电压真实值。
具体实施方式四:参见图1说明本实施方式,本实施方式与具体实施方式一所述的基于ARI算法的锂离子电池截止电压的预测方法的区别在于,
所述步骤二中的将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定,获得ARI模型的具体步骤为:
步骤二一:分别选定序列总长度的30%,50%,70%作为ARI预测模型参数训练的输入数据,确定了训练数据的长度NEST以及预测起始点T;
步骤二二:使用sarmabat自定义函数,对训练数据依据AIC准则进行阶次的判断,即寻找使得的取值最小,最终得到AIC在N=9的时候是最小的,因此最佳的模型阶次为9,即ARI预测模型如下:
如公式(5-6)所示,k时刻为预测起始时刻,k时刻之前的9个截止电压值为真实值,通过公式(5-6)得到k时刻的ARI预测模型预测值然后再将k时刻的ARI预测模型预测值作为真实值带入到公式(5-6)即得到k+1时刻的ARI预测模型预测值如下式所示:
如此反复进行步骤二二,完成所有时刻的预测,该方法称为迭代法。
步骤二三:在sarmabat函数中完成ARI预测模型参数的识别,即φ1~φ9的确定,由于输入数据是去除趋势项之后的,所以可以使用matlab自带的参数辨识工具箱的idpoly以及自带函数armax等对ARI预测模型的参数进行识别,即完成确定的ARI模型。
具体实施方式五:参见图1说明本实施方式,采用本发明所述的基于ARI算法的锂离子电池截止电压的预测方法对锂离子电池进行截止电压预测,
分别选定序列总长度的30%,50%,70%作为ND-ARI模型的训练数据;
ND-ARI预测模型中30%训练建模、50%训练建模和70%训练建模获得的预测步长的加速因子的具体形式为,
30%训练建模:
KT=0.9924·e(-4.573e-005·h)+0.008881·e(0.002954·h)
50%训练建模:
KT=0.9383·e(0.0001691·h)+0.06419·e(-0.00377·h)
70%训练建模:
KT=0.9961·e(0.0001058·h)+0.004412·e(-0.04125·h)
虽然在不同的阶段参数会有略微的变化,但是变化的范围是非常小的,因此在理论上是可以寻找到一个比较通用的参数组合来适应不同的预测要求,同时适应同一类型的电池,我们还应当寻求更多的电池数据进行通用参数的寻找以及可行性的进一步验证。
分别将30%训练建模、50%训练建模和70%训练建模时获得的预测步长的加速因子KT带入公式(5-9)得到ND-ARI预测模型,预测结果如表1、2和3所示。
表1:30%数据训练建模ND-ARI预测结果
周期 | 4000 | 5000 | 6000 | 7000 | 8000 | 9000 | 10000 |
真实电压/V | 3.7463 | 3.7295 | 3.715 | 3.699 | 3.673 | 3.6057 | 3.5288 |
预测电压/V | 3.7444 | 3.7321 | 3.7139 | 3.6888 | 3.6548 | 3.6093 | 3.5492 |
误差/V | -0.0019 | 0.0026 | -0.0011 | -0.0102 | -0.0182 | 0.0036 | 0.0204 |
相对误差 | -0.05% | 0.07% | -0.03% | -0.28% | -0.50% | 0.10% | 0.58% |
表2:50%数据训练建模ND-ARI预测结果
周期 | 6000 | 7000 | 8000 | 9000 | 10000 |
真实电压/V | 3.715 | 3.699 | 3.673 | 3.6057 | 3.5288 |
预测电压/V | 3.7141 | 3.6939 | 3.6561 | 3.6063 | 3.5489 |
误差/V | -0.0009 | -0.0051 | -0.0169 | 0.0006 | 0.0201 |
相对误差 | -0.02% | -0.14% | -0.46% | 0.02% | 0.57% |
表3:70%数据训练建模ND-ARI预测结果
周期 | 8000 | 9000 | 10000 |
真实电压/V | 3.673 | 3.6057 | 3.5288 |
预测电压/V | 3.6582 | 3.6028 | 3.5497 |
误差/V | -0.0148 | -0.0029 | 0.0209 |
相对误差 | -0.40% | -0.08% | 0.59% |
从表1、2和3可知,ND-ARI预测模型预测的精度较高。
Claims (3)
1.基于ARI算法的锂离子电池截止电压的预测方法,其特征在于,它的具体步骤为:
步骤一:提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据;
步骤二:将处理后的数据作为ARI预测模型的输入值对ARI预测模型的参数进行确定,获得ARI预测模型;
步骤三:将预测步长的加速因子引入到步骤二获得的ARI预测模型中进行拟合,获得ND-ARI预测模型,通过采用ND-ARI预测模型实现锂离子电池截止电压的预测;
所述的ARI预测模型的具体形式为:
其中,为k的时刻ARI预测模型的锂离子电池截止电压预测值,为k-n时刻的ARI预测模型的锂离子电池截止电压真实值,其中n=0,1,...,10,其中φn为自回归系数,ak为模型残差;
所述的预测步长的加速因子的具体形式为,
KT=a·e(b·h)+c·e(d·h);
其中,h为预测步长,h=1,2,...,NPRED,其中NPRED为预测序列长度,KT为预测步长的加速因子,a、c、b和d均为实数。
2.根据权利要求1所述的基于ARI算法的锂离子电池截止电压的预测方法,其特征在于,所述步骤一中提取锂离子电池每个充放电周期中的截止电压原始数据,保存锂离子电池截止电压原始数据且对该锂离子电池截止电压原始数据进行预处理,获得处理后的数据的具体步骤为:
步骤一一:多次测量锂离子电池每个充放电周期中的截止电压原始数据,并从锂离子电池截止电压原始数据中将锂离子电池每次循环结束时的截止电压提取出来,获得锂离子电池截止电压原始数据集{Vk′},其中,Vk′表示锂离子电池第k′次循环结束时的截止电压,k′=0,1,...,10413;
步骤一二:对锂离子电池截止电压原始数据集{Vk′}进行采样处理,即对锂离子电池每10次循环结束时的截止电压抽取出来,获得集合{xk},集合{xk}表示原始时间序列;xk为第k次抽取的锂离子电池的截止电压,k=0,1,...,1041;
步骤一三:对输入的集合{xk}使用matlab自带smooth函数进行三次不同步长的平滑处理,得到锂离子电池电压变化的趋势,即获得集合{xsmooth,k},集合{xsmooth,k}表示平滑后的电压序列;
步骤一四:对集合{xsmooth,k}进行一阶差分,得到序列所述序列为预处理后获得的数据,所述序列作为ARI预测模型参数训练的输入数据,即为序列为ARI预测模型的输入值。
3.根据权利要求1或2所述的基于ARI算法的锂离子电池截止电压的预测方法,其特征在于,所述的ND-ARI预测模型的具体形式为:
xk={(1-B)[φ1xk-1+φ2xk-2+…+φnxk-n]+ak}/KT,
其中,xk为k时刻ND-ARI预测模型的锂离子电池截止电压预测值,B为后移算子,xk-n为k-n时刻的锂离子电池截止电压真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310317217.0A CN103336912B (zh) | 2013-07-25 | 2013-07-25 | 基于ari算法的锂离子电池截止电压的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310317217.0A CN103336912B (zh) | 2013-07-25 | 2013-07-25 | 基于ari算法的锂离子电池截止电压的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336912A CN103336912A (zh) | 2013-10-02 |
CN103336912B true CN103336912B (zh) | 2016-03-16 |
Family
ID=49245075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310317217.0A Active CN103336912B (zh) | 2013-07-25 | 2013-07-25 | 基于ari算法的锂离子电池截止电压的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336912B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109974B (zh) * | 2019-05-07 | 2020-12-29 | 重庆大学 | 一种基于功率信息的压铸机生产数据智能获取系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034137A (zh) * | 2006-03-07 | 2007-09-12 | 新德科技股份有限公司 | 电池截止放电电压测量及修正方法 |
CN101568846A (zh) * | 2006-12-22 | 2009-10-28 | 原子能委员会 | 用于确定可充电电池的放电终止阈值的方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
-
2013
- 2013-07-25 CN CN201310317217.0A patent/CN103336912B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034137A (zh) * | 2006-03-07 | 2007-09-12 | 新德科技股份有限公司 | 电池截止放电电压测量及修正方法 |
CN101568846A (zh) * | 2006-12-22 | 2009-10-28 | 原子能委员会 | 用于确定可充电电池的放电终止阈值的方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
《故障预测与健康管理技术综述》;彭宇,刘大同,彭喜元;《电子测量与仪器学报》;20101031;第24卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103336912A (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766175A (zh) | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 | |
CN111639808B (zh) | 一种考虑时空相关性的多风电场出力场景生成方法及系统 | |
CN103336913B (zh) | 一种适合于空间锂离子电池状态监测和截止电压预测的方法 | |
Majidpour et al. | Modified pattern sequence-based forecasting for electric vehicle charging stations | |
WO2011156799A2 (en) | Detecting state estimation network model data errors | |
CN109857804B (zh) | 一种分布式模型参数的搜索方法、装置和电子设备 | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
CN112491096B (zh) | 一种用于生成电网仿真分析算例的方法及系统 | |
CN103336912B (zh) | 基于ari算法的锂离子电池截止电压的预测方法 | |
CN104320144A (zh) | 稀疏度自适应信号重构方法 | |
CN116880397A (zh) | 工艺控制参数优化方法、装置、电子设备和存储介质 | |
CN103684349A (zh) | 一种基于递推协方差阵估计的卡尔曼滤波方法 | |
CN105404973A (zh) | 输变电设备状态预测方法和系统 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN104202019A (zh) | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 | |
Youn et al. | Information geometry for model reduction of dynamic loads in power systems | |
CN105608237B (zh) | 一种电路版图后仿真阶段的快速波形预测方法 | |
Jamadi et al. | New method for accurate parameter estimation of induction motors based on artificial bee colony algorithm | |
Rashidi et al. | Parameter identification of power plant characteristics based on PMU data using differential evolution-based improved shuffled frog leaping algorithm | |
CN104037756B (zh) | 一种含复杂电力设备模型的电力系统稳定评估方法 | |
Rosli et al. | Improving state estimation accuracy through incremental meter placement using new evolutionary strategy | |
Eidous | Additive histogram frequency estimator for wildlife abundance using line transect data without the shoulder condition | |
US20160188393A1 (en) | Automatic phase detection | |
Padmanabhan et al. | A novel termination criterion for optimization | |
Wang et al. | Mixture maximum correntropy criterion unscented Kalman filter for robust SOC estimation |
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 |