CN103336912B - 基于ari算法的锂离子电池截止电压的预测方法 - Google Patents

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

基于ARI算法的锂离子电池截止电压的预测方法

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：

${\▿x}_{\mathrm{smooth},k}={\mathrm{\φ}}_1{\▿x}_{\mathrm{smooth},k-1}+{\mathrm{\φ}}_2{\▿x}_{\mathrm{smooth},k-2}+\·\·\·+{\mathrm{\φ}}_n{\▿x}_{\mathrm{smooth},k-n}+a_k---(5-10)$

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φ_n为自回归系数，a_k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a_t～N(0,W)；

所述的预测步长的加速因子的具体形式为，

K_T=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，K_T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{V_k′}，其中，V_k′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{V_k′}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{x_k}，集合{x_k}表示原始时间序列；x_k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{x_k}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{x_smooth,k}，集合{x_smooth,k}表示平滑后的电压序列；

步骤一四：对集合{x_smooth,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：

${\▿x}_{\mathrm{smooth},k}={\mathrm{\φ}}_1{\▿x}_{\mathrm{smooth},k-1}+{\mathrm{\φ}}_2{\▿x}_{\mathrm{smooth},k-2}+\·\·\·+{\mathrm{\φ}}_n{\▿x}_{\mathrm{smooth},k-n}+a_k---(5-10)$

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φ_n为自回归系数，a_k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a_t～N(0,W)；

所述的预测步长的加速因子的具体形式为，

K_T=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，K_T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{V_k′}，其中，V_k′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{V_k′}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{x_k}，集合{x_k}表示原始时间序列；x_k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{x_k}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{x_smooth,k}，集合{x_smooth,k}表示平滑后的电压序列；

步骤一四：对集合{x_smooth,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：

x_k={(1-B)[φ₁x_k-1+φ₂x_k-2+…+φ_nx_k-n]+a_k}/K_T（5-9），

其中，x_k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，x_k-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：

${\▿x}_{\mathrm{smooth},k}={\mathrm{\φ}}_1{\▿x}_{\mathrm{smooth},k-1}+{\mathrm{\φ}}_2{\▿x}_{\mathrm{smooth},k-2}+\·\·\·+{\mathrm{\φ}}_9{\▿x}_{\mathrm{smooth},k-9}+a_k---(5-6)$

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：

${\▿x}_{\mathrm{smooth},k+1}={\mathrm{\φ}}_1{\▿x}_{\mathrm{smooth},k}+{\mathrm{\φ}}_2{\▿x}_{\mathrm{smooth},k-1}+\·\·\·+{\mathrm{\φ}}_9{\▿x}_{\mathrm{smooth},k-8}+a_{k+1}---(5-7)$

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：

K_T=0.9924·e^{(-4.573e-005·h)}+0.008881·e^{(0.002954·h)}

50%训练建模：

K_T=0.9383·e^{(0.0001691·h)}+0.06419·e^{(-0.00377·h)}

70%训练建模：

K_T=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K_T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φ_n为自回归系数，a_k为模型残差；

所述的预测步长的加速因子的具体形式为，

K_T＝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，K_T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{V_k′}，其中，V_k′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{V_k′}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{x_k}，集合{x_k}表示原始时间序列；x_k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{x_k}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{x_smooth,k}，集合{x_smooth,k}表示平滑后的电压序列；

步骤一四：对集合{x_smooth,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：

x_k＝{(1-B)[φ₁x_k-1+φ₂x_k-2+…+φ_nx_k-n]+a_k}/K_T，

其中，x_k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，x_k-n为k-n时刻的锂离子电池截止电压真实值。