CN107918103B - 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 - Google Patents
一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN107918103B CN107918103B CN201810009299.5A CN201810009299A CN107918103B CN 107918103 B CN107918103 B CN 107918103B CN 201810009299 A CN201810009299 A CN 201810009299A CN 107918103 B CN107918103 B CN 107918103B
- Authority
- CN
- China
- Prior art keywords
- particle
- gray
- lithium ion
- capacity
- battery
- 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
Images
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法,能够利用较少数据量进行老化建模,准确估计电池容量状态,提高电池寿命预测的准确度。包括步骤:首先提取预测所需的电池容量数据为样本数据输入到灰色预测模型,计算锂离子电池容量衰减的灰色发展系数a,并以此建立锂离子电池容量在老化过程中的状态转移方程和观测方程;然后利用粒子滤波算法跟踪并更新电池容量状态变化;最后在预测开始时,根据灰色发展系数,外推每个粒子容量随循环次数的变化值,根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。
Description
技术领域:
本发明属于锂离子电池技术领域,更为具体地讲,是涉及一种锂离子电池的剩余寿命预测方法。
背景技术:
在全球面临能源和环境危机情况下,锂离子电池作为主要储能设备已被广泛应用于汽车工业,航天航空,电网储能等。锂离子电池正常运行及状态监控是系统稳定的保障,而电池剩余寿命正确预测是实现电池健康管理的一个关键因素,可大大降低系统故障发生几率。锂离子电池剩余寿命也称为循环寿命,是指电池从额定容量退化到无法维持设备工作或者退化到低于额定容量的70%或80%,即到达电池失效阈值时所经历的充放电循环数。
目前,在锂离子电池剩余寿命预测中,建立一个精度高、适应性强的电池寿命预测方法框架存在三个问题:(1)数据量少:表征电池寿命数据量(如锂离子电池的容量)随着电池老化而增加,因此在预测初期时较少。(2)老化建模复杂:由于锂离子电池退化过程是电池内部复杂电化学反应导致,锂离子电池模型通常呈现出时变、非线性特征,难以用准确数学模型表示,同时在退化过程易受到放电工况、环境温度等其它因素的影响。(3)预测的不确定性:在实际应用中,锂离子电池由于受到环境和负载工况影响,锂离子电池在退化过程中会存在局部波动的特性,而且在剩余寿命预测中单点预测结果信息量少,可信度底,不利于维修决策,因此预测结果具备有不确定表达式,带有置信区间等能包含更多锂离子电池退化过程的信息才能为锂离子电池监控、维护提供更为全面和合理的参考。
发明内容:
本发明的目的是针对上述背景技术的不足,提出一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法,预测精度高。
本发明所提出的一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法,包含如下步骤:
步骤1,建立锂离子电池循环寿命退化模型:
步骤1-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;
步骤1-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a;
步骤1-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤2,利用粒子滤波算法跟踪电池容量变化:
步骤2-1,初始化粒子滤波算法,设定相关参数;
步骤2-2,初始化粒子集,k=0时,由初始概率分布随机产生粒子集;
步骤2-3,选取重要分布函数,计算当前时刻粒子权重,更新并归一化当前时刻粒子权重。由归一化的当前时刻粒子权重得到有效粒子数,当有效粒子数小于粒子数目阀值时,执行重采样,得到重采样后的粒子集及权重。输出当前时刻电池容量更新值;
步骤2-4,进入下一采样时刻,重复步骤2-2至步骤2-3。根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态;
步骤3,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量到达设定的阈值,最后根据每个粒子的权重计算预测循环数并给出电池预测剩余寿命的PDF(Probability density function)分布。
上述步骤1-2中锂离子电池容量衰减的灰色发展系数a利用灰色模型获得,计算方法如下:
其中B和YN表达式为:
上述步骤1-2中灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
本发明采用上述技术方案,具有如下有益效果:
1、本发明采用灰色预测模型建模,能解决离子电池容量退化过程中可用数据量少、老化模型建立复杂问题。
2、本发明将灰色老化模型融合到粒子滤波算法中,构建一种灰色粒子滤波框架,能够准确预测电池剩余寿命。
3、本发明所提方法对不同电池,在不同老化阶段都取得良好的预测性能,能够满足实际应用中预测需求。
附图说明
附图1为一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法流程图。
具体实施方式:
下面结合附图对本发明的实施方式进作详细说明。
本发明基于灰色粒子滤波的锂离子电池剩余寿命预测方法,如图1所示包含如下步骤:
步骤1,建立锂离子电池循环寿命退化模型:
步骤1-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;步骤1-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a,计算方法如下:
其中B和YN表达式为:
步骤1-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤2,利用粒子滤波算法跟踪电池容量变化:
步骤2-1,初始化粒子滤波算法,设定相关参数(包含但不限于):
(1)粒子数目;
(2)状态方程中系统噪声和观测噪声;
(3)电池循环寿命截止容量阈值;
步骤2-3,选取重要分布函数计算当前时刻粒子权重更新并归一化当前时刻粒子权重/>由归一化的当前时刻粒子权重计算有效粒子数/>当/>Nthres为设定的粒子数目阀值,执行重采样,得到重采样后的粒子集及权重。输出当前时刻电池容量更新值/>
步骤2-4,进入下一采样时刻k=k+1,重复步骤2-2至步骤2-3。根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态。
步骤3,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量到达设定的阈值,最后根据每个粒子的权重预测电池剩余寿命并给出概率密度分布。
最后说明的是以上所述实施例仅表达本发明的一种实施方式,其描述较为具体和详细。所述内容仅为本专利较佳实施例,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干均等变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法,其特征在于,包括以下步骤:
步骤1,建立锂离子电池循环寿命退化模型:
步骤1-1,提取预测所需的电池容量数据,进行预处理并剔除离群数据后作为样本数据S;
步骤1-2,将样本数据S作为灰色预测模型的输入数据序列,计算锂离子电池容量衰减的灰色发展系数a;
步骤1-3,建立锂离子电池容量在老化过程中的状态转移方程和观测方程:
状态转移方程:xk=xk-1exp(-a)+υk
观测方程:yk=xk+ωk
其中,xk为第k次充放电循环周期所对应的电池估算容量值;yk为第k次充放电循环周期所对应的电池真实容量值;υk为系统噪声;ωk为观测噪声;
步骤2,利用粒子滤波算法跟踪电池容量变化:
步骤2-1,初始化粒子滤波算法,设定相关参数;
步骤2-2,初始化粒子集,k=0时,由初始概率分布随机产生粒子集;
步骤2-3,选取重要分布函数,计算当前时刻粒子权重,更新并归一化当前时刻粒子权重;由归一化的当前时刻粒子权重得到有效粒子数,当有效粒子数小于粒子数目阈值时,执行重采样,得到重采样后的粒子集及权重;输出当前时刻电池容量更新值;
步骤2-4,进入下一采样时刻,重复步骤2-2至步骤2-3,根据状态空间模型对容量状态进行迭代更新,同时粒子分布不断更新,使得粒子分布不断趋近电池老化真实状态;
步骤3,在预测开始时,根据灰色发展系数a进行递推预测,直到每个粒子容量到达设定的阈值,最后根据每个粒子的权重计算预测循环数并给出电池预测剩余寿命的概率密度分布。
3.根据权利要求2所述的一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法,其特征在于,所述灰色预测模型可为GM(1,1)模型、Verhulst GM(1,1)模型、新陈代谢灰色模型中的任意一种灰色预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009299.5A CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810009299.5A CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107918103A CN107918103A (zh) | 2018-04-17 |
CN107918103B true CN107918103B (zh) | 2023-06-09 |
Family
ID=61894577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810009299.5A Active CN107918103B (zh) | 2018-01-05 | 2018-01-05 | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918103B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
CN109633474B (zh) * | 2018-11-14 | 2021-09-10 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
CN110310714A (zh) * | 2019-06-14 | 2019-10-08 | 中北大学 | 一种燃煤电站脱硝催化剂剩余寿命预测方法 |
CN110187290B (zh) * | 2019-06-27 | 2021-02-09 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN111044926A (zh) * | 2019-12-16 | 2020-04-21 | 北京航天智造科技发展有限公司 | 质子交换膜燃料电池寿命预测方法 |
CN111160666B (zh) * | 2020-01-02 | 2023-06-23 | 西北工业大学 | 强噪声与非周期状态监测的健康状态与可靠性评估方法 |
CN111413621A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于迭代学习的锂电池老化速率估计方法 |
CN111707957B (zh) * | 2020-04-23 | 2021-04-13 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
CN112485675A (zh) * | 2020-11-23 | 2021-03-12 | 郑州轨道交通信息技术研究院 | 一种锂电池soc估计方法和系统 |
CN113465953B (zh) * | 2021-07-26 | 2022-09-13 | 北京交通大学 | 动车组传动系统故障预测与健康管理装置及其使用方法 |
CN114236414B (zh) * | 2021-12-16 | 2023-02-10 | 上海交通大学 | 基于kcc-pf算法的卫星锂电池寿命预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608510A (zh) * | 2012-01-19 | 2012-07-25 | 上海交通大学 | 晶体硅太阳电池少子寿命的快速测定方法 |
CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm(1,n)灰色模型的电池寿命预测方法 |
CN104753135A (zh) * | 2015-03-27 | 2015-07-01 | 广西大学 | 基于能量在线估计的蓄电池充电控制器及其控制方法 |
CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
-
2018
- 2018-01-05 CN CN201810009299.5A patent/CN107918103B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608510A (zh) * | 2012-01-19 | 2012-07-25 | 上海交通大学 | 晶体硅太阳电池少子寿命的快速测定方法 |
EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
CN102624065A (zh) * | 2012-04-27 | 2012-08-01 | 广西大学 | 一种车用动力电池组充放电控制电路 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
CN103336248A (zh) * | 2013-07-25 | 2013-10-02 | 哈尔滨工业大学 | 基于电池退化状态模型的锂离子电池循环寿命预测方法 |
CN103983919A (zh) * | 2014-05-28 | 2014-08-13 | 山东大学 | 一种基于gm(1,n)灰色模型的电池寿命预测方法 |
CN104753135A (zh) * | 2015-03-27 | 2015-07-01 | 广西大学 | 基于能量在线估计的蓄电池充电控制器及其控制方法 |
CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
Cycle life prediction for lithium-ion battery based on GM(1, N) grey model;Wang Tong 等;《2015 34th Chinese Control Conference》;20150914;第4010-4014页 * |
On-Line Remaining Useful Life Prediction of Lithium-Ion Batteries Based on the Optimized Gray Model GM(1,1);Dong Zhou 等;《Batteries》;20170708;第3卷(第3期);第1-17页 * |
锂离子电池健康状态评估及剩余使用寿命预测技术研究;邹峰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170315(第03期);第C042-3368页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107918103A (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
CN115114878B (zh) | 一种储能电站电池寿命在线预测方法、装置及存储介质 | |
CN105629175A (zh) | 一种基于无迹卡尔曼滤波的锂离子电池寿命预测方法 | |
CN112949060A (zh) | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 | |
Guo et al. | An adaptive approach for battery state of charge and state of power co-estimation with a fractional-order multi-model system considering temperatures | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN116485049A (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
Chen et al. | A multi-time-scale framework for state of energy and maximum available energy of lithium-ion battery under a wide operating temperature range | |
CN114547969A (zh) | 一种基于emd-mrvr的多应力下电池寿命预测方法 | |
Xiao et al. | Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm | |
CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
CN106022594B (zh) | 基于极值理论的电力系统在线运行安全风险评估方法 | |
CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及系统 | |
CN111597663A (zh) | 融合剩余寿命经验数据的动量轮剩余寿命预测方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN109242304A (zh) | 一种电力系统小概率事件可靠性评估的方法 | |
Pan et al. | A comparative study of particle filters and its variants in lithium-ion battery SOH estimation | |
An | New energy vehicle lithium battery life prediction method based on improved deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |