CN106226699B - 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 - Google Patents
一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 Download PDFInfo
- Publication number
- CN106226699B CN106226699B CN201610543223.1A CN201610543223A CN106226699B CN 106226699 B CN106226699 B CN 106226699B CN 201610543223 A CN201610543223 A CN 201610543223A CN 106226699 B CN106226699 B CN 106226699B
- Authority
- CN
- China
- Prior art keywords
- sample
- lithium ion
- ion battery
- optimum matching
- weight
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本发明提出一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法,首先,利用电池历史全寿命样本构建退化样本集;然后,将待预测样本与历史各样本进行相似性匹配;接着,使用正态分布拟合方法获得待估计样本寿命的概率分布;最后,得到寿命的点估计和区间估计。作为电子、电器设备的动力源,锂离子电池的性能对系统可靠性有重要影响。准确估计锂离子电池的剩余寿命可以提高系统可靠性和安全性,为及时的维护和更换提供决策支持。本发明可在较少的全寿命参考样本的条件下保证较高的准确性,实施过程不需要训练模型,算法耗时少效率高,可为锂离子电池寿命预测技术研究提供新的思路。
Description
技术领域
本发明涉及电池寿命预测的技术领域,具体涉及一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法。
背景技术
锂离子电池因输出电压高、循环寿命、能量密度、自放电率低、工作温度范围广等优点广泛应用于消费电子、电动汽车等领域,如新一代的丰田Prius、雪弗莱Vol和比亚迪E6均采用锂离子电池。同时,锂离子电池已扩展到航空、航天、航海和军事通信等领域,尤其是在空间应用中,其已成为替代目前镍氢、镍镉电池的第三代卫星储能电池,部分空间项目已进入工程化应用阶段,如NASA的勇气号和机遇号火星探测器、凤凰号火星着陆器,欧空局的火星快车项、ROSETTA平台及日本的隼鸟号小行星控测器等都采用了锂离子电池作为储能电源。
随着锂离子电池应用的日益广泛,由其寿命引发的一系列问题开始显露出来。寿命问题指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘结强度、隔膜的质量等在循环充放电过程中的逐渐劣化。意外的电池寿命终结往往导致系统整体功能失效,从应用的角度对电池健康状况进行科学的估计和预测,进一步指导电池运行和维护,构建电池的状态监测和健康管理系统,防止电池过充、过放、估计电池性能状态、预测电池状态演变,也是实现电池长时间可靠工作的重要方面,对于系统任务决策、防止灾难性事故的发生具有重要意义。
发明内容
本发明提出一种新的锂离子电池寿命预测方法,其可在较少的全寿命参考样本的条件下保证较高的准确性,实施过程不需要训练模型,算法耗时少效率高,可为锂离子电池寿命预测研究提供新的思路。
本发明采用的技术方案为:一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法,其特征在于:
(1)按照待预测电池样本数据的退化量截取各历史样本集的数据;
(2)通过时变权重最优匹配相似性实现样本集与待预测样本的最优匹配,获得最优匹配因子和最优匹配距离,在量化序列相似性时,距离当前状态近的状态获得大的权重,远的状态获得小的权重;
(3)依据最优匹配距离和最优匹配因子生成集成权重;
(4)将各历史样本权重与对应的样本寿命密度对应,通过正态分布函数拟合得到待预测样本的寿命分布,然后获得寿命的点估计及区间估计;
(5)通过时变权重最优匹配相似性的定义,结合权重生成策略和不确定性管理技术构建一种基于相似性的、具备不确定性管理能力的锂离子电池寿命预测框架。
本发明具体方案包括如下步骤:
第一步,构建锂电池衰退样本集:构建锂电池衰退样本集具体包括电池衰退数据归一化、删除无明显衰退趋势的样本、剔除序列中的离群值及衰退序列平滑等步骤;
第二步,截取样本集样本:按照待预测样本的退化量截取同等程度退化的各模型样本,得到的数据用于后续的相似性测度;
第三步,计算TVWBMS:利用时变权重时间尺度伸缩相似性(TVWTECS)原理,得到截取的历史库中各样本与待预测样本的最优匹配因子及最优匹配相似度;
第四步,获取寿命概率密度分布:利用最优匹配因子、最优匹配距离生成权重,将其作为对应样本转换寿命的密度,然后通过正态分布函数拟合,得到待预测锂电池的寿命分布;
第五步,寿命估计:通过寿命分布得到点估计和区间估计,比对待预测锂离子电池的真实寿命与预测寿命,评价算法的性能。
其中,第三步的计算TVWBMS具体包括:伸缩时间尺度后使用数值方法插值和转换后序列与待比较序列的相似性(距离)度量。
本发明与现有技术相比的优点在于:
(1)、在量化相似性时考虑时间的影响,距离当前较近的状态获得高的权重,因而可以提高预测准确性;
(2)、生成权重时考虑最优匹配因子,可以在一定程度上减小失误预测出现的风险;
(3)、可给出预测寿命的概率分布及一定置信度下的区间估计,便于不确定性管理;
(4)、可在较少的全寿命参考样本的条件下保证高准确性,实施过程不需要训练模型,算法耗时少效率高。
附图说明
图1为锂离子电池寿命预测流程图;
图2为TVWTECS方法原理示意图;
图3为时变权重最优匹配相似方法(TVWBMS)原理示意图;
图4为锂离子电池衰退数据示意图;
图5为样本1在已知退化指数[1,0.9]的数据时的预测分布示意图;
图6为样本2在已知退化指数[1,0.9]的数据时的预测分布示意图;
图7为样本3在已知退化指数[1,0.9]的数据时的预测分布示意图;
图8为已知数据量对预测结果的影响(样本1)示意图;
图9为已知数据量对预测结果的影响(样本2)示意图;
图10为已知数据量对预测结果的影响(样本3)示意图。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
1.基于时变权重最优匹配相似性的锂离子电池寿命预测方法流程介绍
本方法提出的锂离子电池寿命预测流程如图1所示,主要包含构建锂离子电池衰退样本集、截取样本集各样本、计算TVWBMS、获取寿命概率分布、寿命估计五个部分,具体如下:
第一步,构建锂电池衰退样本集。主要内容有电池衰退数据归一化、删除无明显衰退趋势的样本、剔除序列中的离群值及衰退序列平滑。
第二步,截取样本集各样本。按照待预测样本的退化量截取同等程度退化的各模型样本,得到的数据用于后续的相似性测度。
第三步,计算TVWBMS。利用时变权重时间尺度伸缩相似性(TVWTECS)原理,得到截取的历史库中各个样本与待预测样本的最优匹配因子及最优匹配相似度。
第四步,获取寿命概率密度分布。利用最优匹配因子、最优匹配距离生成权重,将其作为对应转换寿命的密度,然后通过正态分布函数拟合,得到待预测锂电池的寿命分布。
第五步,寿命估计。通过寿命分布得到点估计和区间估计,比对待预测锂离子电池的真实寿命与预测寿命,评价算法的性能。
2.时变权重时间尺度伸缩相似性(TVWTECS)原理
时变权重时间尺度伸缩相似性(time-varying weight tme-scale expansion-compression similarity,TVWTECS)——两个等量退化、同采样率的时间序列在某个时间伸缩尺度作用下,转换后时间序列与待比较时间序列最大公共长度的时变加权欧氏距离。图2给出了TVWTECS的图示。
TVWTECS方法包含两个主要步骤,即伸缩时间尺度后使用数值方法插值和转换后序列与待比较序列的相似性(距离)度量。下面结合图2,介绍TVWTECS方法的具体实施过程。
记序列1为x(t),t=1,2,...,M,序列2为y(t),t=1,2,...,N,在序列1的时间上附加一个时间伸缩尺度λ,序列1则变为x(t),t=λ,2λ,...,Mλ;λ∈R+。
由于转换后数据采样不规则,亦不在整数单位时刻点,需要使用插值方法得到需求时刻的状态值。分段三次Hermite多项式插值(Piecewise Cubic HermiteInterpolating Polynomial,PCHIP)保证各点连续相切的同时也保证了多项式导数在各点的连续性和平滑性,与线性插值(linear)、立方插值(cubic)、三次样条插值(spline)相比具有优良的保形性,因而也称其为立方保形插值;与此同时PCHIP保证了2个相邻点之间插值曲线的单调性。下面简要介绍PCHIP的基本定义:
设区间[a,b]上有节点序列xi(i=0,1,2,...,n),a=x0<x1<...<xn=b,其对应的函数值为yi,f'(xi)=mi,hk=xk+1-xk,h=max(hk),分段三次插值函数Ih(x)满足:
(1)Ih(x)∈[a,b];
(2)在任一小区间[xk,xk+1](k=0,1,...,n-1)上,Ih(x)为三次样条多项式Ik(x);
(3)满足插值条件,Ih(xi)=fi,I'h(xi)=mi;(i=0,1,2,...,n)。
在区间x∈[xk,xk+1],PCHIP函数表达式为:
Ik(x)=yi+ck,1(x-xk)+ck,2(x-xk)2+ck,3(x-xk)3 (1)
式中:
应用PCHIP插值方法结合序列外推策略得到转换后序列为x'(t),t=1,2,...,[λM]。
至此,在伸缩尺度λ下序列x(t)与y(t)的均匀权重相似性定义为:
考虑到状态的不同时刻对系统未来趋势的影响具有较大的差异,距离当前状态较近的状态对系统未来具有更大的影响,因而定义时变权重时间尺度伸缩相似性如下:
3.时变权重最优匹配相似性(TVWBMS)原理
图3展示了随着伸缩尺度变化,两个序列TVWTECS相似性的变化过程。
为有效匹配两个待比较的时间序列,在其中之一的序列的时间上增加一个伸缩尺度,使其在这种伸缩的作用下,实现两个序列由不相似到相似的转换。如图3所示,随着伸缩尺度的变化,两序列的相似性先由小及大,再由大及小,存在某个临界的伸缩尺度,使两序列在这个伸缩尺度下的相似性最高,至此可得到使两序列实现伸缩最优匹配的匹配因子和最优匹配距离(time-varying weight best matching similarity,TVWBMS),即:
4.寿命概率分布及分布参数估计
记已有的退化样本集为G*,样本集的寿命序列为{lR},l=1,2,...,L。截取后退化样本集为G=(x1(t),x2(t),...,xL(t)),每个退化模型表示为lG=xl(t),l=1,2,...,L,最优匹配得到的最优匹配因子为{λl},l=1,2,...,L和最优匹配相似度距离{lTVWBMS},l=1,2,...,L。因而每个模型在当前的待预测样本模式下的模型寿命为:
{lr}=λl{lR},l=1,2,...,L (6)
因为最优匹配因子决定了两个序列的原始相似性,匹配因子与1越不同,造成误差的可能性越大,因而通过定义最优匹配因子λl与1的差别生成一个权重参数:
由最优匹配距离直接生成另一个权重参数:
lCTBMS=lTVWBMS (8)
定义待预测样本与每个退化模型的相似性得分为:
式中,a,b为两个因子,它们的值需要通过设定初值后训练调优得到,取为a=5,b=1。
所有的模型寿命估计结果及相应的形成一个二维序列Η={(lr,lS)|l=1,2,...,L}。模型集成的目的是集成在Η中的多个估计结果最终获得待预测样本的寿命估计。最简单的集成方法是使用基于相似性得分的加权平均和,待估计样本寿命的点估计为:
在实际预测应用中,点估计往往不利于不确定性管理,并且难于指导决策。得到锂离子电池寿命概率分布或者某置信度下的置信区间有时是非常必要的。因此,密度估计方法也常用来基于Η={(lr,lS)|l=1,2,...,L}估计寿命的概率分布。在此假设寿命服从正态分布,正态分布密度函数为:
式中,μ为寿命的数学期望,σ2为方差。通过Η获得他们对应的估计值
寿命分布的点估计为:
在1-α置信度下的置信区间为:
式中,u1-α/2为标准正态分布的双侧分位数,当α=0.05时,u1-α/2=1.96。
5.应用案例
本研究验证数据由宁德时代新能源科技股份有限公司提供。数据由锂电池循环寿命测试试验台采集(注:试验中所用电池是一种专门用于产品设计阶段的软包电池,与公司真实产品中使用的电池有所不同)。
本研究以电池放电容量衰退数据作为反映系统退化的性能指标,首先将容量序列进行归一化处理,失效阈值定义为0.82,图4展示了本案例使用的36条样本数据数据。
(1)多组单次预测结果
在本案例中,取所有46条样本中的1条样本作为待预测样本,剔除该待预测样本后的45条样本作为参考样本,待预测样本已知的数据量为性能从1退化到0.9的所有序列点([1,0.9]);依次交替待预测样本共进行46次预测,结果列于表1中,表中进行了对应单次预测绝对误差、相对误差,多次预测的准确性、精度的计算。
表1已知退化指数[1,0.9]的数据时的预测结果(46组)
从表1可以得出,本发明提出的预测方法可以实现相当数量样本5%以下,平均10%以下的相对误差,预测准确性非常理想。
样本1、样本2和样本3的概率分布密度函数分别如图5、图6和图7所示。
(2)单组多次预测结果
为了验证算法的收敛性,进行待预测样本数据量逐渐增加过程中的预测试验,样本1、样本2和样本3的预测结果分别列于表2、表3和表4中,对应的图形展示于图5、图6和图7中。
表2已知数据量对预测结果的影响(样本1)
表3已知数据量对预测结果的影响(样本2)
表4已知数据量对预测结果的影响(样本3)
从以上表格及图形结果分析可知,预测寿命以较快的速度收敛到真实寿命,所提出方法具有很好的收敛性。
Claims (1)
1.一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法,其特征在于:
(1)按照待预测电池样本数据的退化量截取各历史样本集的数据;
(2)通过时变权重最优匹配相似性实现样本集与待预测样本的最优匹配,获得最优匹配因子和最优匹配距离,在量化序列相似性时,距离当前状态近的状态获得大的权重,远的状态获得小的权重;
(3)依据最优匹配距离和最优匹配因子生成集成权重;
(4)将各历史样本权重与对应的寿命分布密度对应,通过正态分布函数拟合得到待预测样本的寿命分布,然后获得寿命的点估计及区间估计;
(5)通过时变权重最优匹配相似性的定义,结合权重生成策略和不确定性管理技术构建一种基于相似性的、具备不确定性管理能力的锂离子电池寿命预测框架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543223.1A CN106226699B (zh) | 2016-07-11 | 2016-07-11 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543223.1A CN106226699B (zh) | 2016-07-11 | 2016-07-11 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106226699A CN106226699A (zh) | 2016-12-14 |
CN106226699B true CN106226699B (zh) | 2019-01-22 |
Family
ID=57520518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610543223.1A Expired - Fee Related CN106226699B (zh) | 2016-07-11 | 2016-07-11 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106226699B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102296993B1 (ko) | 2017-11-17 | 2021-09-01 | 주식회사 엘지에너지솔루션 | 배터리 저항 추정 장치 및 방법 |
CN108959594B (zh) * | 2018-07-12 | 2022-03-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于时变加权的能力水平评估方法及装置 |
CN110119948B (zh) * | 2019-04-22 | 2020-12-08 | 山东大学 | 基于时变权重动态组合的电力用户信用评价方法及系统 |
CN110414117B (zh) * | 2019-07-23 | 2020-11-06 | 北京航空航天大学 | 一种软包锂离子电池密封可靠度预测方法 |
CN111337833B (zh) * | 2020-02-25 | 2020-12-25 | 北京航空航天大学 | 一种基于动态时变权重的锂电池容量集成预测方法 |
CN111650527B (zh) * | 2020-06-03 | 2023-08-01 | 东莞新能源科技有限公司 | 电池寿命预测方法、电子装置以及存储介质 |
CN112036084B (zh) * | 2020-08-28 | 2022-08-02 | 北京航空航天大学 | 一种相似产品寿命迁移筛选方法和系统 |
CN113447875B (zh) * | 2021-05-27 | 2022-09-20 | 国网山东省电力公司营销服务中心(计量中心) | 一种拆回智能电能表剩余寿命评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389971A (zh) * | 2006-02-28 | 2009-03-18 | 松下电器产业株式会社 | 电池寿命判断装置及电池寿命判断方法 |
CN103389472A (zh) * | 2013-08-01 | 2013-11-13 | 哈尔滨工业大学 | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 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 |
CN105223487A (zh) * | 2015-09-23 | 2016-01-06 | 同济大学 | 一种锂离子电池的多状态解耦估计方法 |
-
2016
- 2016-07-11 CN CN201610543223.1A patent/CN106226699B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389971A (zh) * | 2006-02-28 | 2009-03-18 | 松下电器产业株式会社 | 电池寿命判断装置及电池寿命判断方法 |
CN103389472A (zh) * | 2013-08-01 | 2013-11-13 | 哈尔滨工业大学 | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 |
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 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 |
CN105223487A (zh) * | 2015-09-23 | 2016-01-06 | 同济大学 | 一种锂离子电池的多状态解耦估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106226699A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106226699B (zh) | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN107797067B (zh) | 一种基于深度学习的锂离子电池寿命迁移预测方法 | |
Sun et al. | Adaptive unscented Kalman filtering for state of charge estimation of a lithium-ion battery for electric vehicles | |
Hashemi et al. | Online estimation of battery model parameters and state of health in electric and hybrid aircraft application | |
CN107015158B (zh) | 基于恒流放电片段的锂电池剩余寿命在线快速检测法 | |
CN103439666A (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
CN106372272B (zh) | 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法 | |
Zhang et al. | Evolving Elman neural networks based state-of-health estimation for satellite lithium-ion batteries | |
He et al. | Short-term prediction of remaining life for lithium-ion battery based on adaptive hybrid model with long short-term memory neural network and optimized particle filter | |
Li et al. | An indirect state-of-health estimation method based on improved genetic and back propagation for online lithium-ion battery used in electric vehicles | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
Wu et al. | Online prognostication of remaining useful life for random discharge lithium-ion batteries using a gamma process model | |
CN104777433B (zh) | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
Wang et al. | Novel estimation solution on lithium‐ion battery state of charge with current‐free detection algorithm | |
Wang et al. | A novel weight coefficient calculation method for the real‐time state monitoring of the lithium‐ion battery packs under the complex current variation working conditions | |
CN114896865A (zh) | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 | |
Bandong et al. | Chaotic Behavior of Battery State of Health | |
Junhuathon et al. | Li-ion battery aging estimation using particle swarm optimization based feedforward neural network | |
Kong et al. | A health management system for marine cell group |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190122 |
|
CF01 | Termination of patent right due to non-payment of annual fee |