CN109061504B - 同类型不同锂离子电池剩余使用寿命预测方法和系统 - Google Patents

Abstract

本发明涉及一种同类型不同锂离子电池剩余使用寿命预测方法和系统。该方法包括：1)提取能够反映锂离子电池性能退化的健康因子；2)构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；3)构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；4)将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而计算出当前时刻该电池的剩余使用寿命值。本发明在同类型不同电池RUL的预测中精度较高且适应性较强。

Description

同类型不同锂离子电池剩余使用寿命预测方法和系统

技术领域

本发明属于锂离子电池技术、信息技术交叉领域，涉及锂离子电池剩余使用寿命预测方法，具体涉及一种同类型不同锂离子电池剩余使用寿命预测方法和系统。

背景技术

锂离子是目前多数主流系统装置的能量供应组件。但在实际应用中，由于受到温度变化、过充、过放等影响，电池往往不能达到预期的寿命值。由电池性能退化引发的安全问题对人们的人身、财产安全产生了极大威胁。准确预测出锂离子电池剩余使用寿命(Remaining UsefulLife,RUL)，对电池管理和维护、预防危险事故发生等具有重要价值。

锂离子电池RUL预测的现有方法主要有两类：基于模型预测和基于数据驱动预测。基于模型的方法需要构建一个能够描述电池内部电化学反应导致性能退化的机理模型。该方法难点在于电池机理模型结构复杂，难以完全包含环境和负载对电池寿命的影响，精确建模难度大。而基于数据驱动的预测方法，避开了对锂离子电池复杂内部机理和电化学反应过程的研究，直接从电池性能状态监测数据中挖掘潜在的电池退化信息，成为电池寿命研究热点。

目前多数基于数据驱动的间接预测方法是利用寿命前期电池变化趋势预测其寿命后期变化趋势。这种预测方式通过学习电池前期的历史数据，实现了单个电池的RUL预后预测，预测精度较高、可靠性较好。但存在以下两个问题：(1)预测结果会受预测起始点选择的影响。(2)针对某电池训练好的退化模型只能较好地适用于该电池的RUL预测，对其他同类型电池预测时往往需要重新训练模型。文献“Wu J,Zhang C,Chen Z.An online methodfor lithium-ion battery remaining useful life estimation using importancesampling and neural networks[J].Applied Energy,2016,173:134-140.”利用电池的全寿命周期退化数据，基于FFNN神经网络建立了健康因子与RUL的关系模型，并将此模型用于同类型不同电池的RUL预测。该方法虽然无需重新训练模型，但受预测模型所限，需设定电池寿命为固定值；这种方法适用于电池数据退化一致性较好的情况，对于退化一致性不强的同类型电池，由于寿命值不完全相同，该方法不适用。据我们所知，目前为止还没有一种基于数据驱动的预测方法能够很好地解决同类型不同电池RUL预测中的上述问题。

发明内容

本发明针对上述问题，提出一种基于神经网络的、适用于同类型不同电池的RUL间接预测方法和系统。

本发明的原理是：首先提取多个能反映电池性能退化的可测参数，并将PCA(PrincipleComponent Analysis,主成分分析)去除冗余后的特征作为预测健康因子；然后利用一组电池的全寿命数据构建基于神经网络的健康因子和容量预测模型，对同类型不同电池预测时将该电池寿命前期健康因子作为输入，即可间接预测出其RUL。该方法避免了选择预测起点及重新训练模型的问题，且不要求同类型电池寿命完全一致。此外，为构建合理的锂离子电池健康因子，将多个潜在健康因子进行PCA融合，融合后的健康因子充分保留了电池退化相关信息，且去除了冗余。最后利用神经网络实现该模型并进行仿真实验，结果证明所提方法在同类型不同电池RUL的预测中精度较高且适应性较强。其中神经网络优选采用NARX(Nonlinear AutoRegressive Network with Exogenous Inputs，非线性自回归)神经网络。

本发明采用的技术方案如下：

一种同类型不同锂离子电池剩余使用寿命预测方法，包括以下步骤：

1)提取能够反映锂离子电池性能退化的健康因子；

2)构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；

3)构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；

4)将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而通过电池容量预测值与电池循环次数对应关系计算出当前时刻该电池的剩余使用寿命值。

进一步地，步骤1)包括：

1.1)提取潜在健康因子；

1.2)对所述潜在健康因子之间的相关性进行评估；

1.3)使用PCA算法对有相关性冗余的潜在健康因子进行去噪、降维，得到最终的健康因子。

进一步地，所述潜在健康因子包括：放电电压初始骤降幅值、平台放电时长、平台期电压变化率、内电阻、平均温度、放电能量、放电深度、放电功率。

进一步地，步骤1.2)采用Spearman秩相关系数衡量所述潜在健康因子之间的相关性。

进一步地，步骤2)和步骤3)采用NARX神经网络构建所述健康因子预测模型和所述电池容量预测模型。

与上面方法对应地，本发明还提供一种同类型不同锂离子电池剩余使用寿命预测系统，其包括：

健康因子提取模块，负责提取能够反映锂离子电池性能退化的健康因子；

健康因子预测模型构建模块，负责构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；

电池容量预测模型构建模块，负责构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；

剩余使用寿命预测模块，负责将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而通过电池容量预测值与电池循环次数对应关系计算出当前时刻该电池的剩余使用寿命值。

本发明提出了一种基于神经网络的锂离子电池RUL间接预测框架，较好地解决了同类型不同锂离子电池的RUL预测问题。首先提取多个能反映电池性能退化的可测参数，并将PCA去除冗余后的特征作为预测健康因子；然后利用一组电池的全寿命数据构建基于神经网络的健康因子和容量预测模型，对同类型不同电池预测时将该电池寿命前期健康因子作为输入，即可间接预测出其RUL。最后利用神经网络(优选采用NARX神经网络)实现该模型并进行仿真实验，结果证明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强。

附图说明

图1是实施例中基于NARX神经网络的同类型不同电池RUL间接预测框架图。

图2是不同周期的锂离子电池放电电压曲线图。

图3是NARX神经网络的基本结构图。

图4是归一化的容量与融合健康因子退化曲线图。其中，(a)B5电池，(b)B6电池，(c)B7电池。

图5是容量与融合健康因子关系图。其中，(a)B5电池，(b)B6电池，(c)B7电池。

图6是健康因子预测结果图。其中，(a)B6电池，(b)B7电池。

图7是电池容量和RUL预测结果图。其中，(a)B6电池，(b)B7电池。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。

1.基于神经网络的同类型不同电池RUL间接预测框架

该框架主要包含四步，如图1所示：

步骤一：锂离子电池健康因子提取。包括潜在健康因子提取，健康因子之间相关性评估，使用PCA算法对有相关性冗余的潜在健康因子进行去噪、降维。

步骤二：构建健康因子预测模型。利用神经网络建立电池健康因子寿命前期和寿命后期的关系模型。对同类型不同电池健康因子预测时，仅使用寿命前期健康因子输入模型，得到该电池寿命后期健康因子预测值。其中的神经网络，本实施例中采用NARX神经网络。

步骤三：构建电池容量预测模型。利用神经网络建立健康因子和电池容量真实值的关系模型。使用同类型电池寿命后期健康因子预测值，得到对应的寿命后期该电池的容量预测值。其中的神经网络，本实施例中采用NARX神经网络。

步骤四：通过电池容量预测值与电池循环次数对应关系，得到容量达到阈值时的电池充放电循环次数，根据公式(1)所示的RUL计算方法得出当前时刻电池剩余使用寿命值。

N_RUL＝N_EOL-N_ECL (1)

其中N_RUL表示电池RUL，即电池剩余充放电循环次数；N_EOL为当电池实际容量退化到不可接受水平时对应的电池充放电循环次数；N_ECL表示当前电池的循环充放电次数。

2.特征提取与分析

2.1锂离子电池性能退化特征提取

以电池在不同周期下的放电电压响应曲线分析锂离子电池的退化特性，如图2所示。恒流放电初期，随着充放电次数增加，欧姆内阻不断增大，电压骤降幅值随之增大，因此选择放电电压初始骤降幅值作为反映电池退化的参数。经一段时间后，电池达到新的电化学平衡进入放电平台期，电压变化不明显。电池放电后期，极化阻抗增大、电压急剧下降，可以看出，电池容量越小，电压急剧下降越早，因此选择电池平台时期放电时长和平台期电压变化率作为反应电池性能退化的两个参数。第i个放电周期平台放电时长可表示为：

t_{dis_plat}(i)＝t_end(i)-t_start(i)i＝1,2…n,… (2)

式中t_{dis_plat}(i)为第i个放电周期平台期放电时长；t_end(i)为对应平台周期结束时刻，为方便计算，可选择该型号电池额定电压为平台期结束电压；t_start(i)为对应平台期起始时刻，取图2中电压骤降结束点。

第i个放电周期平台电压变化率可表示为：

R_v(i)＝V_de(i)/t_{dis_plat}(i)i＝1,2…n,… (3)

式中R_v(i)表示第i个周期平台电压变化率；V_de(i)是第i个平台期电压降。

锂离子电池在循环充放电过程中，电池内部的副反应逐渐增多，能自由移动的Li锂离子不断减少，同时电池电极上材料损失，正反应速率降低，从而电池充放电能力下降，电池内部阻抗增大，容量减小。从放电过程分析，这样的影响反应在电池温度不断升高，内电阻增大；放电量减少，放电能量、放电深度和放电功率随之不断减少，因此除上述三个可测指标外，本发明还选择了内电阻、平均温度、放电能量、放电深度、放电功率共同作为研究锂离子电池RUL预测的潜在健康因子。

2.2退化特征相关性分析

Spearman秩相关系数是衡量两个变量间相关性的非参数指标。它利用单调函数评价两个统计变量的相关性。如果数据中没有重复值，并且当两个变量完全单调相关时，Spearman秩相关系数为+1或-1。具体计算方法如公式(4)所示：

其中N表示样本中两个变量X、Y的元素个数；d_i表示X、Y同序排列后，X、Y中的元素x_i、y_i之差，1≤i≤N。r值介于-1到1之间；r值越接近1或-1，表明X和Y之间相关性越强；r值接近或等于0，表明X和Y之间具有小的或没有相关性。

令两变量总体Spearman秩相关系数为ρ，利用P值法进行显著性检验的四个步骤如下：

(1)在母体上作假设，如：

原假设H₀:ρ＝0即两变量不相关；

备择假设H₁:ρ≠0即两变量相关；

(2)找统计量，计算H₀可被拒绝的最小显著性水平，即P值；

(3)给定显著水平α，确定拒绝域；

(4)若P≤α，则在显著性水平α下，拒绝H₀；若P＞α，则在显著性水平α下接受H₀。

若显著性检验结果为拒绝原假设，表明两变量总体间显著相关，此时若样本中两变量间相关系数绝对值越接近于1，说明两变量总体间相关性越强。

2.3基于PCA算法的健康指标提取

健康因子之间信息重叠会增加计算量和分析问题的难度，因此，理想的健康因子不仅要充分包含退化信息，还应该具备冗余性小、维度较低的特点。

PCA算法的主要作用是对数据去噪和降维。其原理是通过对角化协方差矩阵去除数据之间的线性相关性，这里数据间的线性相关性被认为是冗余噪声；同时，舍弃对角阵中方差小的维度，只保留方差大的维度，实现数据的降维。因此本发明利用PCA算法对提取的八个潜在健康因子进行消除相关性处理，将PCA融合后的主成分作为锂离子电池RUL预测的健康指标。PCA算法的步骤如下：

(1)原始输入变量矩阵标准化。设样本的标准化输入变量矩阵X，如式(5)，其中n代表样本个数，k代表电池特征指标数：

(2)求X相关系数矩阵，即协方差矩阵Σ，如式(6)所示；

(3)求协方差矩阵Σ的特征值λ_i并按降序排列，再求出对应标准化特征向量；

(4)分别根据公式(7)和(8)计算每个特征根的贡献率C_i和累计贡献率C；

(5)确定主成分，p的取值依据通常是C达到85％以上。然后计算所选主成分的得分矩阵，这个新的矩阵作为神经网络的输入矩阵。

3.实验设计和分析

为了验证所提方案的有效性，实验设计中采用NARX神经网络，选择原因如下：

锂离子电池性能退化过程是一个复杂的动态、非线性电化学过程。在电池使用过程中，电池容量、寿命随时间呈不可逆趋势逐渐衰减，因此，电池容量退化数据是一种根据观测所得的时间序列数据。非线性自回归神经网络(Nonlinear Auto Regressive Networkwith Exogenous Inputs，NARX)是一种通过延时单元将输出反馈功能引入静态多层感知器的递归神经网络。由于该网络的输入包含了网络的输出反馈，因此能更好地反映出电池性能退化相关参数时间序列的动态特性。其模型结构可以表示为：

y(t)＝f(y(t-1),y(t-2),…,y(t-n_y),x(t-1),x(t-2),…,x(t-n_x)) (9)

图3是NARX神经网络的基本结构图。图中，x(t)和y(t)分别表示网络的输入和输出；x(t-n)和y(t-n)分别表示网络输入和外部反馈延时参数；w为连接权值。

隐层节点输出h_i为：

式中h_i(t)表示第i个隐层节点输出，f(·)为隐层节点激励函数；n_x为外部输入时延长度，w_is(t)为t时刻第i个隐层节点与输入x(t-s)间的权值；n_y为输出反馈时延长度，w_il(t)为t时刻第i个隐层节点和输出反馈量y(t-l)间的权值；a_i为第i个隐层节点阈值。

输出层节点输出y(t)为：

式中y(t)指NARX网络的输出，w_i(t)为t时刻第i个隐层节点到输出层节点权值，b为网络偏置，N为隐层节点个数。

该网络将可实现任意非线性映射的多层前向神经网络与可描述动态系统的回归网络相结合，能够有效模拟非线性过程，处理平稳、非平稳度的时间序列。因此，实验中利用NARX神经网络建立预测框架中的两个关系模型：

(1)电池健康因子寿命前期和寿命后期的关系模型；网络训练阶段：将一个电池寿命前期健康因子真实值作为NARX神经网络的输入，后期健康因子真实值作为输出，训练网络参数。网络预测阶段：将另一同类型电池寿命前期健康因子真实值输入网络，即得到对应寿命后期健康因子预测值。

(2)健康因子和电池容量真实值的关系模型。网络训练阶段：将一个电池全寿命健康因子真实值作为网络输入，电池容量真实值作为输出，训练网络参数。网络预测阶段：将另一同类型电池寿命后期健康因子预测值作为网络输入，即得到对应寿命后期容量预测值。

3.1实验数据

实验数据来自于NASA PCoE研究中心提供的Battery Data Set实验数据(Saha B,Goebel K,Battery data set:NASA ames prognostics data repository[EB/OL].NASAAmes,Moffett Field,CA.[2007].https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/#battery.)。包含一组四个同型号电池(B5、B6、B7、B18)在同等实验环境下采集的电池正常退化状态数据。本发明选择电池放电过程中的测量数据来分析电池的性能退化过程。在实验中，当电池容量到达额定容量的70％即1.38Ah时，认为电池失效。由于B18的数据量不足以进行分析，因此选取前三组数据进行实验。该组电池数据一致性不是很好，B7容量退化没有达到失效阈值1.38Ah，因此本发明按文献“周建宝.基于RVM的锂离子电池剩余寿命预测方法研究[D].哈尔滨：哈尔滨工业大学,2013.”中处理方法，将B7的失效阈值设定为1.42Ah。

3.2健康因子提取

以B5电池数据为例，计算放电过程中的放电能量、放电深度、平台期放电时长、放电功率、内电阻、平均温度、电压初始骤降幅值、平台电压变化率与容量的Spearman秩相关性系数，同时对每两个相关系数做显著性检验，结果如表1第一行所示，可以看出，所有相关系数绝对值均大于0.7，并且当显著性水平α为0.01时，双侧显著性检验P值都为0(P＜＜0.01),说明提取的8个退化特征与容量之间显著强相关，可以作为锂离子电池RUL预测的潜在健康因子；此外与容量相比，这些参数更容易测量计算，且包含的信息更丰富。表1其余行是8个特征两两之间的相关系数和显著性检验结果，可看出8个特征两两之间显著相关，说明这些特征间存在较高冗余。

表1.电池退化特征相关性分析表

为降低潜在健康因子的信息冗余，选择PCA算法对所有原始特征数据降维。在使用PCA算法对八个潜在健康因子融合前，利用KMO检验和Bartlett's球状检验判断八个潜在健康因子是否满足PCA算法使用标准。结果显示潜在健康因子KMO检验值0.835>0.8，Bartlett的球形度检验的显著性为0。证明8个潜在健康因子数据很适合使用PCA算法去噪和降维。

以电池组B5数据计算结果为例，如表2所示，得到各主成分的特征值和贡献率。第一个主成分贡献率已达到90％以上，基本包含了全部评价指标的信息。

表2.主成分及其贡献率

序号	特征值	贡献率/％	累计贡献率/％
				1	7.3421	91.77	91.77
2	0.3575	4.47	96.24
				3	0.2680	3.35	99.5
4	0.0198	0.25	99.84
				5	0.0097	0.12	99.96
6	0.0017	0.02	99.98
				7	0.0012	0.01	99.98
8	5.46e-06	6.82e-07	100

下面采用定性与定量的分析方法验证第一主成分作为电池健康因子对电池退化状态的表达能力。定性分析采用散点图分析。定量分析通过Spearman秩相关系数及显著性检验来说明融合健康因子与容量间显著线性相关。图4为B5、B6、B7电池归一化后的容量与健康因子随寿命周期的退化曲线，图中横坐标为循环次数。图5为容量与融合健康因子变化关系，横坐标是融合健康因子，纵坐标是容量。

从图4中可以看出三个电池的融合HI与容量变化趋势基本一致(除了早期充放电循环过程)。从图5中可看出容量与融合健康因子大致呈线性变换关系。为进一步验证这种线性关系，计算容量和健康因子的Spearman秩相关系数及显著性检验，结果如表3所示，可以看出融合HI与容量显著线性相关。

以上定性与定量分析说明，融合HI可以代替容量作为表征电池退化的健康因子。

表3.融合健康因子和容量的相关性分析表

3.3锂离子电池RUL预测实验设计

为验证本发明方法在同类型电池RUL预测中的效果，设计了三组实验，如表4所示。

以第一组实验为例，即B5数据用于训练，B6和B7数据用于预测，进行锂离子电池健康因子和容量的预测。

表4.寿命预测实验设计

实验组号	训练数据	预测数据
			一	B5	B6、B7
二	B6	B5、B7
			三	B7	B5、B6

健康因子预测：

(1)训练阶段：将B5电池健康因子的前84个寿命周期数据作为NARX网络的输入，健康因子的后84个寿命周期数据作为输出，训练网络，得到电池退化过程中寿命前期和寿命后期的健康因子关系模型。

(2)预测阶段：分别使用B6、B7寿命前期健康因子进行预测，得到对应寿命后期健康因子预测值。

容量和RUL预测：

(1)训练阶段：将B5电池健康因子全寿命数据作为NARX网络的输入，B5电池容量真实值作为输出，训练网络，得到健康因子与电池容量的关系模型。

(2)容量预测阶段：分别使用B6、B7寿命后期健康因子预测值作为网络输入，得到对应容量的预测值。

(3)RUL预测：通过容量的预测值，得到容量达到阈值时的电池寿命值，推算出电池具体的RUL值。

3.4锂离子电池RUL预测性能评价指标

评价预测性能时，本发明使用均方根误差(Root Mean Square Error，RMSE)，描述退化曲线逼近程度的决定系数(R²)、RUL预测绝对误差(Absolute Error，AE)和预测方法精度提升比η_AE四种指标。

RMSE定义如下，RMSE越接近0，预测结果越精确。

R²定义如下：

其中，n为样本数量；y_i是电池容量真实值，

是容量预测值，

是容量预测值的均值。R²结果越接近1，说明预测曲线和真实曲线越接近。

AE和η_AE定义如下：

其中，R是锂离子电池RUL实际值；

是RUL对应的预测值。η_AE用来对比两次不同预测的结果。

3.5电池健康因子预测结果分析

图6的(a)、(b)分别为第一组实验中B6、B7电池的健康因子预测结果，可以看出两组健康因子的预测值与真实值趋势十分接近。表5给出了三组实验中健康因子的预测性能评价结果，三组实验预测均方根误差(Root Mean Square Error，RMSE)值较接近，保持在0.21～0.31范围内。所有预测R²都大于0.96，说明预测拟合度很高。结合图6和表5可知，该方法获得了精度较高的健康因子预测结果。

表5.基于PCA-NARX的健康因子预测模型性能评价

3.6电池剩余使用寿命预测结果分析

图7的(a)、(b)分别为第一组实验中B6和B7的容量预测结果，可以看出，预测值与真实值十分接近。根据容量预测曲线，找到B6(B7)电池容量达到阈值1.38Ah(1.42Ah)时的循环次数，该次数为预测出的电池终止寿命。根据公式(1)，计算出电池当前RUL预测值。

表6是三组实验的RUL预测性能评价结果，可以看出，训练RMSE在0.0107～0.0171之间，预测RMSE在0.0183～0.0387之间，R²均大于0.94。说明网络训练稳定，预测结果理想。B5数据训练时，B6电池RUL预测误差仅为1；B6数据训练时，B5电池RUL预测误差为1；由于B7电池数据一致性较弱，导致预测结果有偏差。使用B7数据训练时，B5、B6电池RUL预测误差同样较小。实验结果证明，所提同类型电池的RUL预测方法预测结果精度较高。

三组实验中，B5、B6、B7的RUL都进行了两次预测，有两个RUL预测结果。为比较三组实验结果的一致性，分别对比B5、B6和B7两次预测结果的精度提升比η_AE。η_AE越接近0，说明预测结果越一致，所提方法稳定性越好，结果如表7所示。三组电池的η_AE结果都小于0.1，实验结果显示两次相同电池预测结果波动较小，证明所提方案设计合理、预测结果可信度较高，可以将该方法用在同类型不同电池的RUL预测问题中。

表6.基于PCA-NARX锂离子电池RUL预测模型性能评价

表7.同一电池两次预测结果比较

两次B5预测η<sub>AE</sub>	两次B6预测η<sub>AE</sub>	两次B7预测η<sub>AE</sub>
			0.0227	0.0714	0.0267

本实施例针对现有预测方法对同类型不同锂离子电池RUL预测适应性不强的问题，提出了一种适用于同类型不同电池的RUL间接预测框架。该框架基于神经网络分别建立锂离子电池健康因子和容量预测模型，通过一组全寿命电池数据对模型进行离线训练，实现了用同类型不同电池寿命前期的健康因子对该电池RUL的间接预测。该方法避免了选择预测起点及重新训练模型的问题，同时不要求同类型电池终止寿命完全一致。此外为构建合理的锂电池健康因子，本实施例提取了八个潜在健康因子，使用PCA算法去噪、降维后得到一个融合健康因子。最后实验结果说明，本发明的方法对同类型不同电池RUL的预测精度较高且适应性较强。

本发明另一实施例提供一种同类型不同锂离子电池剩余使用寿命预测系统，其包括：健康因子提取模块，负责提取能够反映锂离子电池性能退化的健康因子；健康因子预测模型构建模块，负责构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；电池容量预测模型构建模块，负责构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；剩余使用寿命预测模块，负责将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而通过电池容量预测值与电池循环次数对应关系计算出当前时刻该电池的剩余使用寿命值。

其中各模块按照上面所述的方法中的步骤来具体实施，比如健康因子提取模块首先提取潜在健康因子，然后对潜在健康因子之间的相关性进行评估；然后使用PCA算法对有相关性冗余的潜在健康因子进行去噪、降维，得到最终的健康因子；健康因子预测模型构建模块和电池容量预测模型构建模块采用NARX神经网络构建所述健康因子预测模型和所述电池容量预测模型。

需要说明的是，虽然上述实施例采用了NARX神经网络构建健康因子预测模型和电池容量预测模型，但本发明并不限于该类型的神经网络，也可以采用其它适用的神经网络结构。另外，本发明方法也不限于上述八个健康因子，也可以采用其它合适的健康因子。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (6)

1.一种同类型不同锂离子电池剩余使用寿命预测方法，其特征在于，包括以下步骤：

1)提取能够反映锂离子电池性能退化的健康因子；

2)利用一组电池的全寿命数据构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；

3)利用一组电池的全寿命数据构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；

4)将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型得到该电池寿命后期的健康因子预测值，将其输入所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而通过电池容量预测值与电池循环次数对应关系计算出当前时刻该电池的剩余使用寿命值；

其中，步骤1)包括：

1.1)提取潜在健康因子；所述潜在健康因子包括：放电电压初始骤降幅值、平台放电时长、平台电压变化率、内电阻、平均温度、放电能量、放电深度、放电功率；

1.2)对所述潜在健康因子之间的相关性进行评估；

1.3)使用PCA算法对有相关性冗余的潜在健康因子进行去噪、降维，得到最终的健康因子；

其中，平台放电时长、平台电压变化率的计算方式如下：

第i个放电周期平台放电时长表示为：

t_{dis_plat}(i)＝t_end(i)-t_start(i)i＝1,2…n,…

式中t_{dis_plat}(i)为第i个放电周期平台期放电时长；t_end(i)为对应平台周期结束时刻，为方便计算，可选择该类型 电池额定电压为平台期结束电压；t_start(i)为对应平台期起始时刻；

第i个放电周期平台电压变化率表示为：

R_v(i)＝V_de(i)/t_{dis_plat}(i)i＝1,2…n,…

式中R_v(i)表示第i个周期平台电压变化率；V_de(i)是第i个平台期电压降。

2.根据权利要求1所述的方法，其特征在于，步骤1.2)采用Spearman秩相关系数衡量所述潜在健康因子之间的相关性。

3.根据权利要求1所述的方法，其特征在于，步骤2)和步骤3)采用NARX神经网络构建所述健康因子预测模型和所述电池容量预测模型。

4.一种采用权利要求1～3中任一权利要求所述方法的同类型不同锂离子电池剩余使用寿命预测系统，其特征在于，包括：

健康因子提取模块，负责提取能够反映锂离子电池性能退化的健康因子；

健康因子预测模型构建模块，负责构建健康因子预测模型，所述健康因子预测模型是利用神经网络建立的电池健康因子寿命前期和寿命后期的关系模型；

电池容量预测模型构建模块，负责构建电池容量预测模型，所述电池容量预测模型是利用神经网络建立的健康因子和电池容量真实值的关系模型；

剩余使用寿命预测模块，负责将待预测的同类型不同电池的寿命前期的健康因子作为输入，利用所述健康因子预测模型和所述电池容量预测模型得到该电池的寿命后期的电池容量预测值，进而通过电池容量预测值与电池循环次数对应关系计算出当前时刻该电池的剩余使用寿命值。

5.根据权利要求4所述的系统，其特征在于，所述健康因子提取模块采用Spearman秩相关系数衡量所述潜在健康因子之间的相关性。

6.根据权利要求4所述的系统，其特征在于，所述健康因子预测模型构建模块和所述电池容量预测模型构建模块采用NARX神经网络构建健康因子预测模型和电池容量预测模型。

Images