CN110187290B - 一种基于融合型算法的锂离子电池剩余寿命预测方法 - Google Patents

Abstract

本发明涉及一种基于融合型算法的锂离子电池剩余寿命预测方法，属于电池管理技术领域。该方法包括以下步骤：S1：获取电池容量衰减数据，并确定基于最优控制算法RUL预测的模型参数。S2：对训练集数据拟合，迭代输出最优控制算法模型参数滤波估计值和电池容量衰减数据滤波估计值，通过模型参数滤波估计值，得到初始RUL预测值。S3：基于最优控制算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法的输入，对误差序列不断迭代训练，输出误差序列的预测结果。S4：在训练集数据使用完毕后，综合最优控制算法的初始预测值和神经网络算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。

Description

一种基于融合型算法的锂离子电池剩余寿命预测方法

技术领域

本发明属于电池管理技术领域，涉及一种基于融合型算法的锂离子电池剩余寿命预测方法。

背景技术

近年来，由于在新能源汽车等科技领域的广泛应用，锂离子电池以其能量密度高、循环使用寿命长等特点逐渐成为新能源汽车动力电池领域的研究热点。然而由于电池容量随循环数的增长而逐步衰减，进而导致电池性能恶化，严重甚至造成经济损失和人身伤害。因此以锂离子电池容量衰减为指标的电池健康状态监测已成为亟待解决的问题。电池剩余寿命可定义为在特定的充放电系统中，电池的衰减性能指标达到规定的失效阈值前所历经的充放电循环数,旨在利用过往与当前的信息预测系统的未来状态。电池剩余寿命(RUL)预测作为电池健康状态监测的重要指标，可为电池系统的可靠性和安全性提供十分重要的参考意义；同时考虑到动力电池剩余电池容量达到失效阈值时，虽不再适合在新能源汽车中使用，但是在锂离子电池没有出现破损且各部分功能元件完好的情况下，依然可以在其他的供能或储能设备(如新能源发电储能装置等)中发挥作用，以实现能量的可持续利用，减少资源浪费及环境污染。因此，锂离子电池的RUL预测可为动力电池提供了重要的退役参考信息。

锂离子电池RUL预测方法可分为基于经验和基于性能两类方法。基于经验的方法是一种直接预测的方法，利用电池使用中的经验知识，依据某些统计规律给出电池寿命的粗略估计，主要包括循环周期数法、安时法与加权安时法及面向事件的老化累计法，该类方法是在电池使用经验较为充分的情况下的基于数理统计的方法，可对一类产品的寿命分布进行预测，但对于单体电池的适应性较差。基于性能的RUL预测方法是一种间接预测方法，也是目前应用最多的方法，综合国内外现有的电池RUL预测方法，该方法主要可分为基于模型的预测方法、数据驱动的预测方法以及融合预测算法。

目前，电池的RUL预测主要采用的是基于性能的方法，而其中基于模型的方法需要进行复杂的机理建模，对于电池这类复杂电化学系统建立高精度的模型难度较大，而基于数据驱动的方法避免了建模的过程，其预测效果取决于历史观测数据，具有较好的可行性，但是，该方法需要大量的数据支持，计算度复杂度较高。因而融合算法提出将两种或两种以上的基于模型或数据驱动的方法结合起来，克服单一算法的局限性，从而提高预测性能。

当前，融合算法有两类，一类是包含基于模型的方法和数据驱动的方法融合算法，另一类是集成不同的数据驱动方法。而在第一类中又包括使用数据驱动方法推断或补偿物理模型、使用数据驱动的方法来估计基于模型方法的预测测量结果、采用数据驱动方法对物理方法的参数进行估计或调整、采用滤波方法对数据驱动方法的参数进行估计/调整这四种方法；但都没有提及利用数据驱动算法对滤波模型进行误差补偿，来实现锂离子电池RUL预测。

发明内容

有鉴于此，本发明的目的在于提供一种基于融合型算法的锂离子电池剩余寿命预测方法，该方法利用数据驱动的神经网络算法对滤波模型进行误差补偿，基于最优控制算法的初始RUL预测和神经网络算法对误差序列的预测，得到最终的锂离子电池RUL预测结果。

为达到上述目的，本发明提供如下技术方案：

一种基于融合型算法的锂离子电池剩余寿命预测方法，该方法利用最优控制算法对锂离子电池容量非线性降解过程进行拟合滤波，得到容量衰减的滤波估计值及初始RUL预测值；再通过神经网络算法获取容量衰减滤波估计值与实验数据的原始误差，输出预测的误差序列；最后联合最优控制算法得到的初始RUL预测值和神经网络算法输出的预测误差序列，得到最终的RUL预测结果。

进一步，该方法具体包括以下步骤：

步骤S1：获取电池容量衰减数据，选用容量降解模型(CDM)，并确定基于最优控制算法RUL预测的模型参数；选用的容量降解模型(CDM)，等效电路模型(ECM)及单粒子模型(SP)分别需要考虑阻抗、电压及电流等因素，为降低算法的运算复杂度，选用只考虑容量随循环数变化的CDM模型进行RUL预测；

步骤S2：利用最优控制在非线性、非高斯容量降解过程中表现出的优越性，对训练集数据拟合，迭代输出最优控制算法模型参数滤波估计值和电池容量衰减滤波估计值，通过模型参数滤波估计值，得到初始RUL预测值；

步骤S3：基于最优控制算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法的输入，对误差序列不断迭代训练，输出误差序列的预测结果；

步骤S4：在训练数据使用完毕后，综合最优控制算法的初始RUL预测值和神经网络算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。

进一步，在步骤S2中，具体包括：

步骤S21：选定锂离子电池容量衰减的失效阈值点；

步骤S22：选定RUL预测起点的循环数，将数据集划分为训练集和测试集，利用最优控制算法对训练集数据进行拟合，迭代输出模型参数更新值和容量衰减滤波估计值；

步骤S23：利用容量衰减滤波估计值与步骤S1得到的电池实验数据，构建初始误差序列；

步骤S24：当训练集数据使用完毕后，利用更新的模型参数，不断迭代循环数，直到电池容量衰减至步骤S21中的失效阈值点。

进一步，在步骤S3中，具体包括：

步骤S31：获取步骤S2中得到的初始误差序列，并将其作为神经网络算法的输入；

步骤S32：对输入的初始误差序列进行前处理，并明确算法迭代终点、样本数、步长及特征数等参数；

步骤S33：确定模型的学习率及超参数，利用输入的初始误差序列对神经网络模型进行训练；

步骤S34：输入初始误差序列中一定时序长度的误差序列，得到神经网络模型的预测误差序列。

进一步，其中步骤S32中的迭代终点，考虑到最终预测的误差序列是与最优控制算法初始RUL预测值相结合，因此选定在最优控制算法初始RUL预测值的循环数附近；其中步骤S34中作为输入的误差序列的时序长度的选定，由预测起点与迭代终点两者之间的循环数之差决定。

进一步，在步骤S4中，具体包括：

步骤S41：联合步骤S2获得初始RUL预测值和步骤S3获得的预测误差序列，得到最终的融合算法的RUL预测结果；

步骤S42：利用统计学工具，统计达到失效阈值点时，融合算法中各个粒子的循环数，得到RUL预测的概率分布直方图和概率密度分布图。

本发明的有益效果在于：

本发明联合最优控制算法和神经网络算法，使用数据驱动方法补偿物理模型，可实现精确度更高、稳定性更好的RUL预测，有效的平衡了预测精度和算法复杂度；采用的最优控制算法，对处理电池容量的非线性降解过程有很好的适用性，并且可以引入置信度生成概率分布的不确定表达形式；神经网络构建的算法结构，以其在长时间序列预测上的优势，能够有效对输入的初始误差序列进行预测，并输出误差的预测序列；本发明提出的基于融合型算法的锂离子电池RUL的预测，提高预测精度的同时又兼顾计算复杂度，同时还生成了概率分布的不确定性表达，是一种精确且科学合理的锂离子电池RUL预测方法。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述方法的整体流程图；

图2为本发明采用的PF算法结构图；

图3为本发明采用的LSTM算法结构图；

图4为本发明采用的融合算法流程图；

图5为本发明融合算法生成的概率密度分布图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式。

图1为本发明所述方法的整体流程图，如图所示，在本实施例中，采用如下方法步骤：

步骤S1：获取美国马里兰大学先进寿命周期工程中心的开源电池容量衰减数据，选用容量降解模型(CDM)，并确定基于最优控制算法中的一种——粒子滤波算法(PF)的RUL预测模型参数；

步骤S2：利用PF在非线性、非高斯容量降解过程中表现出的优越性，对训练集数据(循环数k＜160)拟合，迭代输出PF算法模型参数滤波估计值和电池容量衰减滤波估计值，通过模型参数滤波估计值，得到k≥160的初始RUL预测值；

步骤S3：基于PF算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法中的一种——长短期记忆神经网络算法(LSTM)的输入，对误差序列不断迭代训练，输出误差序列的预测结果；

步骤S4：在循环数k≥160时，综合PF算法的初始RUL预测值和LSTM算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。

其中，步骤S1具体包括步骤S11～S12：

步骤S11：基于算法及模型参数复杂度等方面考虑，在容量降解模型(CDM)、等效电路模型(ECM)和单粒子模型(SP)中，选用CDM模型；

步骤S12：基于CDM模型，根据PF算法，建立了锂离子电池容量衰减的状态转移矩阵，循环数与容量衰减的关系可描述为：

θ＝a*exp(b*k)+c*exp(d*k)

式中，θ为电池容量，k为循环次数；含有噪声，噪声均值为0的高斯白噪声；系统预测模型的状态为：

X(k)＝[a(k),b(k),c(k),d(k)]^T

状态方程为：

观测方程为：

θ(k)＝a(k)*exp(b(k)*k)+c(k)*exp(d(k)*k)+v(k)

式中，测量噪声为均值为0，方差为σ_v的高斯白噪声，即v(k)～N(0,σ_v)。

其中，步骤S2具体包括S21～S24。

步骤S21：选定锂离子电池容量衰减的失效阈值点(通常选定为额定容量的80％为失效阈值点)，本实施例中选定失效阈值为0.7Ah；

步骤S22：选定RUL预测起点为循环数k＝160，将数据集划分为训练集(k＜160)和测试集(k≥160)，利用PF算法对训练集数据进行拟合，迭代输出模型参数更新值和容量衰减滤波估计值；步骤S22包括S221～S225，具体地，可参阅图2本发明采用的PF算法结构图。

步骤S221：初始化粒子集：(k＝0),得到粒子

及权重

步骤S222：更新权重

归一化权重

步骤S223：重采样获取新的粒子集

步骤S224：输出电池容量

步骤S225：重复上述步骤，替换为k＝k+1；当k＝160时，迭代停止，所有训练数据使用完成。

步骤S23：利用容量衰减滤波估计值与步骤S1得到的电池实验数据，构建初始误差序列；步骤S23包括S231～S232，具体地，

步骤S231：PF算法得到的滤波估计值与实验测得的电池容量衰减数据比较可得到误差。其定义式为：

式中，y_k是实验测得数据，y′_k是PF算法输出的滤波估计值，

是作为LSTM算法的输入，并预测误差的趋势；

步骤S232：将S231得到的初始误差序列作为LSTM算法的输入，根据LSTM算法的样本数，步长，特征数，将初始误差序列变换成为LSTM输入的数组矩阵。

步骤S24：当k≥160时，利用更新的模型参数，不断迭代循环数，直到电池容量衰减至步骤S21中的失效阈值点0.7Ah；步骤S24包括S241～S242，具体地，

步骤S241：当k≥160时，根据状态转移方程，当未达到失效阈值0.7Ah时每个粒子重复迭代，直到所有的粒子都达到失效阈值；

步骤S242：计算每个粒子的剩余寿命RUL，获取初始RUL预测值和概率分布。

其中，步骤S3具体包括S31～S34。

步骤S31：获取步骤S2中得到的初始误差序列，并将其作为LSTM算法的输入数组矩阵；

步骤S32：对输入的初始误差序列进行前处理，并明确算法迭代终点、样本数、步长及特征数等参数；

需要说明的是，步骤S32中的迭代终点，考虑到最终预测的误差序列是与PF算法初始RUL预测值相结合，因此选定在PF算法初始RUL预测值的循环数附近；

步骤S33：确定模型的学习率及超参数，利用输入的初始误差序列对LSTM模型进行训练，具体可参阅图3本发明采用的LSTM算法结构图；

步骤S34：输入初始误差序列中一定时序长度的误差序列，得到LSTM模型的预测误差序列；

需要说明的是，步骤S34中作为输入的误差序列的时序长度的选定，是由预测起点与迭代终点两者之间的循环数之差决定的。

步骤S4,具体请参阅图4本发明采用的融合算法流程图，在循环数k≥160时，综合PF算法的初始RUL预测值和LSTM算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。

具体地，步骤S4包括步骤S41～S42。

步骤S41：联合步骤S2获得初始RUL预测值和步骤S3获得的预测误差序列，得到最终的融合算法的RUL预测结果，具体可参阅图4；

步骤S42：利用统计学工具，统计达到失效阈值点0.7Ah时，融合算法中各个粒子的循环数，得到RUL预测的概率分布直方图和概率密度分布图，具体可参阅图5本发明融合算法生成的概率密度分布图。

需要说明的是，步骤S42包括步骤S421～S422，具体地，

步骤S421：为了量化表述，假设预测服从均值为μ，标准差为σ的正太分布即N(μ,σ²)，置信区间可由下式给出：

其中，式中的两个参数由

和

(分母取B-1是无偏估计)给出，本发明中α＝0.05，z_α/2＝1.96。

步骤S422：由步骤S421求出其均值和标准差，用相同均值和标准差的正太分布便可生成一系列的随机数，从而得到RUL预测结果的概率分布密度图，本发明中预测结果的置信度是95％(α＝0.05)。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：该方法利用最优控制算法对锂离子电池容量非线性降解过程进行拟合滤波，得到容量衰减的滤波估计值及初始RUL预测值；再通过神经网络算法获取容量衰减滤波估计值与实验数据的原始误差，输出预测的误差序列；最后联合最优控制算法得到的初始RUL预测值和神经网络算法输出的预测误差序列，得到最终的RUL预测结果。

2.根据权利要求1所述的基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：该方法具体包括以下步骤：

步骤S1：获取电池容量衰减数据，选用容量降解模型，并确定基于最优控制算法RUL预测的模型参数；

步骤S2：利用最优控制算法在非线性、非高斯容量降解过程中表现出的优越性，对训练集数据拟合，迭代输出最优控制算法模型参数滤波估计值和电池容量衰减滤波估计值，通过模型参数滤波估计值，得到初始RUL预测值；

步骤S3：基于最优控制算法的滤波估计值与实验数据差值，建立原始误差序列，并将其作为神经网络算法的输入，对误差序列不断迭代训练，输出误差序列的预测结果；

步骤S4：在训练数据使用完毕后，综合最优控制算法的初始RUL预测值和神经网络算法误差序列预测结果，得到最终的锂离子电池RUL预测结果。

3.根据权利要求2所述的基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：在步骤S2中，具体包括：

步骤S21：选定锂离子电池容量衰减的失效阈值点；

步骤S22：选定RUL预测起点的循环数，将数据集划分为训练集和测试集，利用最优控制算法对训练集数据进行拟合，迭代输出模型参数更新值和容量衰减滤波估计值；

步骤S23：利用容量衰减滤波估计值与步骤S1得到的电池实验数据，构建初始误差序列；

步骤S24：当训练集数据使用完毕后，利用更新的模型参数，不断迭代循环数，直到电池容量衰减至步骤S21中的失效阈值点。

4.根据权利要求3所述的基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：在步骤S3中，具体包括：

步骤S31：获取步骤S2中得到的初始误差序列，并将其作为神经网络算法的输入；

步骤S32：对输入的初始误差序列进行前处理，并明确算法迭代终点、样本数、步长及特征数参数；

步骤S33：确定模型的学习率及超参数，利用输入的初始误差序列对神经网络模型进行训练；

步骤S34：输入初始误差序列中一定时序长度的误差序列，得到神经网络模型的预测误差序列。

5.根据权利要求4所述的基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：其中步骤S32中的迭代终点，选定在最优控制算法初始RUL预测值的循环数附近；其中步骤S34中作为输入的误差序列的时序长度的选定，由预测起点与迭代终点两者之间的循环数之差决定。

6.根据权利要求4所述的基于融合型算法的锂离子电池剩余寿命预测方法，其特征在于：在步骤S4中，具体包括：

步骤S41：联合步骤S2获得初始RUL预测值和步骤S3获得的预测误差序列，得到最终的融合算法的RUL预测结果；

步骤S42：利用统计学工具，统计达到失效阈值点时，融合算法中各个粒子的循环数，得到RUL预测的概率分布直方图和概率密度分布图。

Images