CN110187280A - 一种基于灰色模型的锂电池剩余寿命概率预测的方法 - Google Patents

一种基于灰色模型的锂电池剩余寿命概率预测的方法 Download PDF

Info

Publication number
CN110187280A
CN110187280A CN201910420526.8A CN201910420526A CN110187280A CN 110187280 A CN110187280 A CN 110187280A CN 201910420526 A CN201910420526 A CN 201910420526A CN 110187280 A CN110187280 A CN 110187280A
Authority
CN
China
Prior art keywords
model
capacity
prediction
gray
rvm
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.)
Pending
Application number
CN201910420526.8A
Other languages
English (en)
Inventor
程泽
郭佩瑶
程思璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910420526.8A priority Critical patent/CN110187280A/zh
Publication of CN110187280A publication Critical patent/CN110187280A/zh
Pending legal-status Critical Current

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于灰色模型的锂电池剩余寿命概率预测的方法。这种方法用灰色模型模拟容量整体衰减趋势，用马尔科夫链模拟容量再生现象造成的波动，两者输出之和作为初始预测结果，输入RVM模型，其输出即为最终预测结果。RVM模型可以减小预测偏差，还可以提供一个置信区间，即提供一个概率较高的RUL取值范围，为预防电池失效故障的发生提供重要依据。本发明的有益效果为，一是用马尔科夫链对灰色模型预测的整体趋势进行误差修正，模拟了容量再生现象；二是RVM模型进一步减小了预测误差，并提供了概率预测结果。

Description

一种基于灰色模型的锂电池剩余寿命概率预测的方法
技术领域
本发明涉及锂电池测量技术领域，特别是涉及一种基于灰色模型的锂电池剩余寿命概率预测的方法。
背景技术
锂电池以其高工作电压、高能量密度、低自放电率、环保等优点，在航空航天、电动汽车、光伏电网等工业领域得到了广泛的应用。但是，电池的老化故障会影响整个系统的正常运行，甚至导致严重的安全事故。剩余使用寿命(RUL)作为故障预测与健康管理(PHM)管理的核心和主要挑战，是衡量电池在其生命周期中可靠性的指标。一般认为，电池容量衰退至额定容量的80％时，电池的寿命终止(End of Life,EOL)。RUL是指电池在电池的充放电循环过程中，在达到EOL前所需要的循环周期数，定义如式(1)所示，NEOL表示达到失效阈值时电池的充放电循环次数，Nnow表示电池现在的循环次数。根据RUL，可以及时维修或更换锂电池，以保证系统的安全稳定运行。
RUL＝NEOL-Nnow (1)
目前，建立锂电池容量衰退模型是一种常见的锂电池剩余寿命预测方法，所建立的模型还可分为机理模型和经验模型。机理模型涉及电池内部的物理化学反应，较为复杂，并且参数辨识工作量大，实际应用有一定的难度。经验模型包括指数模型，自回归模型，灰色模型等。单一的经验模型很难描述电池真实的衰退过程，因此在长期RUL预测中精度受到了限制。
容量再生(Capacity Regeneration)现象是指在锂电池的容量衰退不是一个单调递减的过程，而是会突然出现短暂的容量回升现象，引起容量波动并改变退化曲线趋势。因此，模拟容量再生现象的影响对电池退化模型具有重要意义。
发明内容
针对单一模型不能反映容量再生现象，长期预测精度有限的问题，本申请提供了一种基于灰色模型的锂电池剩余寿命概率预测的方法。
为实现本申请的目的，本申请将灰色模型与马尔可夫链和相关向量机(relevancevector machine,RVM)两种概率工具结合，提供了一种基于灰色模型的概率预测方法。这种方法用灰色模型模拟容量整体衰减趋势，用马尔科夫链模拟容量再生现象造成的波动，两者输出之和作为初始预测结果，输入RVM模型，其输出即为最终预测结果。RVM模型可以减小预测偏差，还可以提供一个置信区间，即提供一个概率较高的RUL取值范围，为预防电池失效故障的发生提供重要依据。
基于灰色模型的概率预测方法可以分为建模和预测两个阶段：
建模阶段：(1)用电池生命前期的容量衰退序列建立灰色模型。(2)对灰色模型的相对误差，用马尔可夫链建模。(3)根据马尔可夫模型输出的相对误差，对灰色模型输出进行修正，得到初始预测值序列。(4)将初始预测值作为输入和容量序列作为输出训练RVM，建立RVM模型。
预测阶段：(1)用灰色模型进行容量衰减趋势预测。(2)用马尔可夫链预测进行相对误差预测。(3)用相对误差预测结果修正灰色模型输出，得到初始预测值。(4)将初始预测值输入RVM模型，得到最终预测的容量序列及其概率分布。(5)比较失效阈值和最终容量预测结果，得到RUL预测值及其概率分布。
与现有技术相比，本发明的有益效果为，一是用马尔科夫链对灰色模型预测的整体趋势进行误差修正，模拟了容量再生现象；二是RVM模型进一步减小了预测误差，并提供了概率预测结果。
附图说明
图1所示为本申请基于灰色模型的概率预测方法建模示意图；
图2所示为本申请基于灰色模型的概率预测方法预测示意图；
图3所示为本申请灰色模型和灰色马尔科夫模型的建模效果示意图；
图4所示为本申请基于灰色模型的概率预测方法的预测结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
应当说明的是，本申请中所述的“连接”和用于表达“连接”的词语，如“相连接”、“相连”等，既包括某一部件与另一部件直接连接，也包括某一部件通过其他部件与另一部件相连接。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个部件或者模块或特征与其他部件或者模块或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了部件或者模块在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的部件或者模块被倒置，则描述为“在其他部件或者模块或构造上方”或“在其他部件或者模块或构造之上”的部件或者模块之后将被定位为“在其他部件或者模块或构造下方”或“在其他部件或者模块或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该部件或者模块也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
离散灰色模型DGM(1,1)相比传统的GM(1,1)模型，避免了在离散的参数估计方程和连续的预测方程之间转换的误差，提高了模型精度。而在实际应用中，传感器采集到的容量序列是离散的，因此DGM(1,1)可以更好地模拟容量的衰减趋势。
马尔可夫链可以通过构造状态转移矩阵，通过过去的误差状态判断后面时刻概率最大的误差状态，实现对误差的预测。容量再生现象可能会持续多个循环周期，仅用前1个周期的误差判断，不能很好地模拟容量波动，所以采用叠加马尔可夫链，构造多步状态转移概率矩阵，并将其相加，根据概率之和预测接下来的误差状态。
基于上述理论，如图1-图2所示，本申请提供了一种离散灰色模型与叠加马尔可夫链结合的概率RUL预测方法。一种基于灰色模型的锂电池剩余寿命概率预测的方法，所述方法分为建模和预测两个阶段：
建模阶段：(1)用电池生命前期的容量衰退序列建立灰色模型；(2)对灰色模型的相对误差，用马尔可夫链建模；(3)根据马尔可夫模型输出的相对误差，对灰色模型输出进行修正，得到初始预测值序列；(4)将初始预测值作为输入和容量序列作为输出训练RVM，建立RVM模型；
预测阶段：(1)用灰色模型进行容量衰减趋势预测；(2)用马尔可夫链预测进行相对误差预测；(3)用相对误差预测结果修正灰色模型输出，得到初始预测值；(4)将初始预测值输入RVM模型，得到最终预测的容量序列及其概率分布；(5)比较失效阈值和最终容量预测结果，得到RUL预测值及其概率分布。
其中，
所述建模阶段具体包括如下步骤：
步骤1.1：对容量序列进行一阶累加，然后进行参数估计，建立DGM(1,1)；
步骤1.2：建立叠加马尔可夫模型；
步骤1.2.1：对DGM(1,1)的相对误差状态进行分类；
步骤1.2.2：计算1-10步的误差状态转移概率矩阵；
步骤1.2.3：选择容量模拟误差最小的步数，作为建模步数，建立不同步数的概率矩阵之和构成的叠加马尔可夫模型；
步骤1.3：将步骤1.1建立的DGM(1,1)和步骤1.2建立的叠加马尔可夫模型输出结果相加，得到灰色马尔可夫模型的输出结果；
步骤1.4：将灰色马尔可夫模型的结果作为模型输入，将实际容量值作为模型输出，训练RVM模型。
其中，
一次RUL概率预测的流程如下：
步骤2.1：将预测起始点的容量初值输入DGM(1,1)；
步骤2.2：根据灰色模型DGM(1,1)输出相对误差，进行叠加马尔可夫链的相对误差预测；
步骤2.3：将步骤2.1和2.2的模型输出结果相加，得到初始容量预测值；
步骤2.4：初始预测值输入步骤1.4建立的RVM模型得到最终容量预测值。
步骤2.5：判断是否达到容量失效阈值(1.3Ah)？若是，输出达到失效阈值时的电池循环次数Nnow，并根据当前的循环次数Nnow计算剩余寿命RUL＝NEOL-Nnow；若不是，回转执行步骤2.1。
本实施例将利用DGM(1,1)对电池容量衰减趋势进行建模，用叠加马尔可夫链对DGM(1,1)与实际容量的相对误差建模，将DGM(1,1)和叠加马尔可夫链的输出结果相加，建立灰色马尔可夫模型，建模效果如图3，并利用灰色马尔可夫模型结果训练RVM模型。在预测阶段，运用DGM(1,1)和马尔可夫链对容量衰减趋势和相对误差分别进行预测，将预测结果相加并输入RVM模型，得到如图4所示的预测结果和置信区间。然后，将容量预测值与失效阈值作比较，从预测起始到达失效阈值的充放电次数即为剩余寿命。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于灰色模型的锂电池剩余寿命概率预测的方法，其特征在于，所述方法分为建模和预测两个阶段：
建模阶段：(1)用电池生命前期的容量衰退序列建立灰色模型；(2)对灰色模型的相对误差，用马尔可夫链建模；(3)根据马尔可夫模型输出的相对误差，对灰色模型输出进行修正，得到初始预测值序列；(4)将初始预测值作为输入和容量序列作为输出训练RVM，建立RVM模型；
预测阶段：(1)用灰色模型进行容量衰减趋势预测；(2)用马尔可夫链预测进行相对误差预测；(3)用相对误差预测结果修正灰色模型输出，得到初始预测值；(4)将初始预测值输入RVM模型，得到最终预测的容量序列及其概率分布；(5)比较失效阈值和最终容量预测结果，得到RUL预测值及其概率分布。
2.根据权利要求1所述的一种基于灰色模型的锂电池剩余寿命概率预测的方法，其特征在于，
所述建模阶段具体包括如下步骤：
步骤1.1：对容量序列进行一阶累加，然后进行参数估计，建立DGM(1,1)；
步骤1.2：建立叠加马尔可夫模型；
步骤1.2.1：对DGM(1,1)的相对误差状态进行分类；
步骤1.2.2：计算1-10步的误差状态转移概率矩阵；
步骤1.2.3：选择容量模拟误差最小的步数，作为建模步数，建立不同步数的概率矩阵之和构成的叠加马尔可夫模型；
步骤1.3：将步骤1.1建立的DGM(1,1)和步骤1.2建立的叠加马尔可夫模型输出结果相加，得到灰色马尔可夫模型的输出结果；
步骤1.4：将灰色马尔可夫模型的结果作为模型输入，将实际容量值作为模型输出，训练RVM模型。
3.根据权利要求2所述的一种基于灰色模型的锂电池剩余寿命概率预测的方法，其特征在于，
一次RUL概率预测的流程如下：
步骤2.1：将预测起始点的容量初值输入DGM(1,1)；
步骤2.2：根据灰色模型DGM(1,1)输出相对误差，进行叠加马尔可夫链的相对误差预测；
步骤2.3：将步骤2.1和2.2的模型输出结果相加，得到初始容量预测值；
步骤2.4：初始预测值输入步骤1.4建立的RVM模型得到最终容量预测值；
步骤2.5：判断是否达到容量失效阈值？若是，输出达到失效阈值时的电池循环次数Nnow，并根据当前的循环次数Nnow计算剩余寿命RUL＝NEOL-Nnow；若不是，回转执行步骤2.1。
CN201910420526.8A 2019-05-20 2019-05-20 一种基于灰色模型的锂电池剩余寿命概率预测的方法 Pending CN110187280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910420526.8A CN110187280A (zh) 2019-05-20 2019-05-20 一种基于灰色模型的锂电池剩余寿命概率预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910420526.8A CN110187280A (zh) 2019-05-20 2019-05-20 一种基于灰色模型的锂电池剩余寿命概率预测的方法

Publications (1)

Publication Number Publication Date
CN110187280A true CN110187280A (zh) 2019-08-30

Family

ID=67716863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910420526.8A Pending CN110187280A (zh) 2019-05-20 2019-05-20 一种基于灰色模型的锂电池剩余寿命概率预测的方法

Country Status (1)

Country Link
CN (1) CN110187280A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111071073A (zh) * 2019-12-30 2020-04-28 武汉理工大学 基于随机负载的燃料电池混合动力系统及其控制方法
CN111104989A (zh) * 2019-12-31 2020-05-05 北京讯腾智慧科技股份有限公司 燃气管道腐蚀预测方法和装置
CN111695248A (zh) * 2020-05-27 2020-09-22 淮阴工学院 一种抽水蓄能机组劣化状态趋势快速预警方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105160423A (zh) * 2015-09-14 2015-12-16 河海大学常州校区 一种基于马尔科夫残差修正的光伏发电预测方法
CN108052387A (zh) * 2017-11-15 2018-05-18 青海大学 一种移动云计算中的资源分配预测方法及系统
CN109447843A (zh) * 2018-10-22 2019-03-08 北京中电普华信息技术有限公司 一种光伏出力预测方法及装置
CN109567783A (zh) * 2018-11-30 2019-04-05 合肥工业大学 一种基于加权马尔可夫模型预测空间位置心磁信号的方法
CN109633449A (zh) * 2018-11-22 2019-04-16 中国矿业大学 基于灰色向量机的矿用锂电池寿命预测方法及管理系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105160423A (zh) * 2015-09-14 2015-12-16 河海大学常州校区 一种基于马尔科夫残差修正的光伏发电预测方法
CN108052387A (zh) * 2017-11-15 2018-05-18 青海大学 一种移动云计算中的资源分配预测方法及系统
CN109447843A (zh) * 2018-10-22 2019-03-08 北京中电普华信息技术有限公司 一种光伏出力预测方法及装置
CN109633449A (zh) * 2018-11-22 2019-04-16 中国矿业大学 基于灰色向量机的矿用锂电池寿命预测方法及管理系统
CN109567783A (zh) * 2018-11-30 2019-04-05 合肥工业大学 一种基于加权马尔可夫模型预测空间位置心磁信号的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程泽等: "光伏发电功率的智能预测算法", 《电力建设》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111071073A (zh) * 2019-12-30 2020-04-28 武汉理工大学 基于随机负载的燃料电池混合动力系统及其控制方法
CN111104989A (zh) * 2019-12-31 2020-05-05 北京讯腾智慧科技股份有限公司 燃气管道腐蚀预测方法和装置
CN111695248A (zh) * 2020-05-27 2020-09-22 淮阴工学院 一种抽水蓄能机组劣化状态趋势快速预警方法
CN111695248B (zh) * 2020-05-27 2024-01-05 淮阴工学院 一种抽水蓄能机组劣化状态趋势快速预警方法

Similar Documents

Publication Publication Date Title
CN110222431B (zh) 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法
CN111027165B (zh) 一种基于数字孪生的动力电池组管理系统及方法
CN108983103B (zh) 一种动力电池的数据处理方法和装置
CN110187280A (zh) 一种基于灰色模型的锂电池剩余寿命概率预测的方法
AU2021102629A4 (en) Lithium battery thermal runaway multi-level detection and early warning system and judgment method
KR20200140093A (ko) 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
CN107870306A (zh) 一种基于深度神经网络下的锂电池荷电状态预测算法
CN104239687B (zh) 一种基于航天产品信号传递路径的可靠性建模与评估方法
CN104914775B (zh) 基于vine copula相关性描述的多模态过程故障检测方法及系统
CN103698627B (zh) 基于灰模糊萤火虫算法优化的变压器故障诊断方法
CN107918103A (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
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN114861527A (zh) 一种基于时间序列特征的锂电池寿命预测方法
CN104680024A (zh) 基于ga和arma模型的锂离子电池剩余使用寿命预测方法
CN106021838B (zh) 一种复杂电子系统剩余寿命预测方法
CN117031310A (zh) 一种电动汽车动力电池剩余使用寿命预测方法
Zhang et al. Lithium battery SOC prediction based on mproved BP eural etwork algorithm
CN109711612A (zh) 一种优化回声状态网络的风力发电功率预测方法及装置
CN105932762A (zh) 一种基于太阳能发电的电池组的应用系统
CN116466242A (zh) 一种锂离子电池剩余寿命预测方法、装置、设备及介质
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN116061690A (zh) 一种电动汽车充电过程中的安全预警方法及装置
CN106339357A (zh) 寻优参数化的网络信息安全检测系统和方法
CN115621573A (zh) 一种储能电站锂电池健康状态预测系统及方法
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830