CN111707956A - 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 - Google Patents

Abstract

本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。

Description

多类型锂离子电池组管理系统的健康状态和剩余寿命预测 方法

技术领域

本发明属于锂离子电池健康管理技术领域，具体涉及多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。

背景技术

锂离子电池已被广泛应用于工业生产和日常生活中。从手机、笔记本电脑等电子产品，到电动汽车、人造卫星和电网储能等大型应用场景，锂离子电池都发挥着极其重要的作用。然而，随着锂离子电池的大规模生产，不同生产商所制造出来的电池存在着巨大差异。并且同一生产商的不同批次，甚至是同一批次生产的锂离子电池同样存在着差异。因此，锂离子电池在多类型混用时的管理已成为限制其发展的难点之一。

多类型锂离子电池组管理系统的提出是提升各类电池使用效能的有效方式，并且维修难度远远小于传统的串并联结构。区别于传统的电池管理系统，多类型锂离子电池组管理系统对于电池的挑选并不严苛，即使差异较大的不同类型的锂离子电池也不影响其管理能力。健康状态和剩余寿命预测是电池管理系统的重要功能之一，同时也是均衡管理、损坏预警等功能实现的前提。但是锂离子电池是典型动态、非线性的电化学系统，实际应用场景下无法测量其阻抗等内部状态，因此根据电流或电压曲线计算得到的容量变化曲线成为目前电池健康状态和剩余寿命预测的主要依据。

不同类型的锂离子电池的容量退化状态存在差异难以用同一预测模型进行预测。并且传统健康状态预测和剩余寿命预测的起始点普遍为其寿命后期，对于使用前期的均衡管理或者异常退化难以有效进行。当前电池管理系统的剩余寿命预测与健康状态预测为两个部分，忽略了两者之间的联系，产生大量工作重复和计算资源浪费。

发明内容

本发明是为了解决多类型锂离子电池混用时的电池管理系统使用中，健康状态预测和剩余寿命预测起始点为使用后期，在前期预测精度差，难以为电池均衡管理提供依据的问题。同时，提供了独立成分分析法为前期数据处理，以解决多类型锂离子电池混用的难题。现提供应用于多类型锂离子电池组管理系统中锂离子电池使用前期开始的健康状态预测和剩余寿命预测方法。所述方法包括以下步骤：

步骤一、利用独立成分分析法ICA将锂离子电池组原始数据分解为不同类型的电池退化数据。

步骤二、将步骤一中单体数据与数据库中容量退化曲线进行对比，判断是否前期训练完成该类型电池多尺度预测模型，若不存在则建立该类预测模型；

步骤三、通过步骤二确认已训练好该种锂离子电池多尺度预测模型后，将步骤一中获得的单体容量退化数据带入对应多尺度组合模型中，得到长期剩余寿命预测值和短期实时健康状况预测值；

步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据，预测数据和模型参数存入数据库。

所述步骤一中，将锂离子电池组数据使用独立主成分分析法将退化数据分离，得到不同类型电池容量退化数据；然后将单体电池的容量退化数据与各个类型数据进行比对，从而使各个单体电池划分到不同类型电池型号中。

所述步骤二中，判断是否存在该类型的预测模型采用差值判断，即将其带入数据库中与各种类型锂离子电池平均退化曲线进行减法计算，差值过大时认为不存在其预测模型。

建立新种类锂离子电池预测模型步骤如下：

步骤一、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分；

步骤二、将同类型电池经过步骤一得到的高频波动部分及低频趋势部分分别带入残差小波神经网络进行训练；

步骤三、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合，完成长短期剩余寿命预测模型；

步骤四、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合形成实时健康状态预测模型。

建立新种类锂离子电池预测模型的步骤一中，离散小波变换函数为：

式中，连续变换的尺度参数A和平移参数B离散化为：

分解后的高频波动部分为

低频趋势部分为

n为同类型下单体电池编号，m为单体电池循环次数。

建立新种类锂离子电池预测模型步骤二中，以两组同类电池数据为例，低频趋势部分训练数据Ltrain为：

高频波动部分训练数据Htrain为：

建立新种类锂离子电池预测模型步骤三中，长、短期剩余寿命预测模型为：

RUL(Lstrain)＝αexp(β*k)+χexp(δ*k)+υ 公式4，

式中，α,β,χ和δ为固定参数，k为循环次数，υ为高斯白噪声。将第三组数据

作为测试数据Ltest，将其带入长短期剩余寿命预测模型，从而得到短期剩余寿命预测值RUL_stort和长期寿命预测值RUL_long。

建立新种类锂离子电池预测模型的步骤四中，将第三组数据

作为测试数据Htest，将其带入高频残差小波网络模型，从而得到预测值H_soh；实时健康状态预测模型为：

SOH(k)＝RUL_stort(k)+H_soh(k) 公式5，

式中，k为循环次数。

附图说明

图1为多类型锂离子电池组管理系统使用方式示意图；

图2为多类型锂离子电池组管理系统模块图；

图3为本发明锂离子电池健康状态预测和剩余寿命预测整体框图；

图4为单体电池多尺度组合模型流程图；

图5为带残差层的残差小波网络模型；

图6为残差小波网络与无迹粒子滤波组合模型流程图；

图7为锂离子电池(V5)容量退化曲线图

图8为电池V5离散小波分解示意图；

图9为电池V5的剩余寿命预测曲线图；

图10为电池V5的健康状态(SOH)预测曲线图。

具体实施方式

具体实施方式一：图1为本实施方式在实际应用场景中多类型锂离子电池组管理系统结构简图。该系统由多个独立锂离子电池管理系统组成，并且每个系统可使用不同类型的锂离子电池。每个独立系统独立负责完成各自的均衡管理、温度预警和SOH预测等功能，这样的管理结构可以保证当某一部分出现故障时，不会影响整体运行。

图2为锂离子电池管理系统组成示意图。每个管理系统由三个模块(不包括电池)组成，分别是控制器模块、传感器模块和存储器与信息传输模块。

控制器模块由STM32芯片、充放电功率控制器以及散热风扇组成，以传感器模块的信息作为输入数据，根据电流与时间的乘积在STM32芯片中计算得到该电池容量数据，并将其保存在内部存储器中，并提供充放电管理、健康状态预测和剩余寿命预测等功能的控制信号。

传感器模块包括电压传感器、电流传感器和温度传感器，用于实时采集锂电池充放电过程的电压、电流和温度信号，与控制器模块中的STM32芯片相连，将采集信息传入内部存储器以及STM32芯片电路。

存储器与信息传输模块由内部存储器和与传感器、控制器连接的数据线构成，内部存储器用于STM32芯片控制信号和传感器模块采集的数据存取，通过数据线完成各模块间的信息传输。

图3具体说明本实施方式健康状态和剩余寿命预测方法流程。本实施方式所述的多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法，所述方法包括以下步骤：

步骤一、利用独立成分分析法将锂离子电池组数据分解为不同类型电池容量退化数据；

步骤二、将步骤一中不同类型电池数据与数据库中容量退化数据进行对比，判断是否前期训练完成了该类型单体电池多尺度预测模型，若不存在则建立该类预测模型；

步骤三、通过步骤二确认已训练好该类型锂离子电池多尺度预测模型后，将步骤一中的单体容量退化数据输入对应多尺度组合模型中，获得长期剩余寿命预测值和短期实时健康状态预测值；

步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据及预测结果存入数据库。

本实施方式中，本发明首先将原始多类型锂离子电池混合容量信号进行分离，采用单类型锂离子电池逐个对应其多次组合预测模型的方式，解决了实际应用中多类型电池混用的健康状态预测难题。通过离散小波分解实现低频趋势和高频波动数据分解，建立残差小波网络与无迹粒子滤波组合的多尺度组合模型，利用同类型锂离子电池历史退化数据，完成电池使用前期的健康状态预测和剩余寿命预测。

具体实施方式二：本实施方式是对具体实施方式一所述的基于可重构锂离子电池管理系统的健康状态和剩余寿命预测方法作进一步说明，步骤一中所述独立主成分分析的步骤如下：

将锂离子电池组容量退化数据记为:

(简记为C)，其中n为同类型下单体电池编号，m为单体电池循环次数。

步骤一、将C减去其均值

步骤二、计算R＝EDE^T,其中R是C的协方差矩阵，E是特征向量的正交矩阵，D是其特征值的对角矩阵；

步骤三、计算白化数据C_v＝ED^-1/2E^Tx；

步骤四、设置迭代次数p，随机初始化向量W_p,使得每行之和为1。然后根据公式

求出第i时刻的W_i。其中g'(.)为sigmoid函数。

步骤五、根据上一步求得的W，并利用公式

解得所有时刻

所得向量便是独立主成分分析后的不同类型电池容量退化数据。

步骤六、将各个单体电池容量退化数据与步骤五中的各个类型电池数据进行对比，根据相似程度将各个单体电池划分到不同类型中。

具体实施方式三：本实施方式是对具体实施方式一所述的多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法作进一步说明。图4为本发明建立单体电池多尺度组合模型流程图。步骤二和步骤三所述的建立多尺度组合模型实现锂离子前期健康状态预测和剩余寿命预测具体过程如下：

步骤一、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分；

步骤二、将同类电池(除了测试数据外)经过步骤一得到的高频波动部分及低频趋势部分分别带入残差小波神经网络进行训练；

步骤三、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合，形成长短期剩余寿命预测模型；

步骤四、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合形成实时健康状态预测模型；

步骤五、将测试数据实时输入多尺度组合模型，得到短期实时健康状态预测结果和长期剩余寿命预测结果。

实施例1

三组锂离子电池的容量退化曲线如图7所示。以其中一组数据(V5)为测试集,另外两组数据(V6和V7)为历史数据，得到剩余寿命预测结果如图9所示，健康状态预测结果如图10所示。其具体评价指标主要有均方根误差RMSE以及R-square：

式中，

为预测值，θ_i为真实值。

长期剩余寿命预测结果的评价指标为：

短期(四步)实时健康状态预测结果的评价指标为：

步骤一、采用NASA公开数据集中的5#、6#和7#进行测试，抽取其中的1到160次循环的容量退化数据记作V5、V6和V7；

步骤二、将V5、V6和V7进行离散小波分解，分解结果如图8所示；

连续变换的尺度参数a和平移参数b离散化为：

其中a₀≠1，k为比例系数。对应的离散小波变换函数为：

式中，ψ_j,k(t)为随时间域变化的的变换结果。

步骤三、训练残差小波网络。其具体构成如图5所示；

将V6和V7容量退化数据进行重构，得到训练集。低频趋势部分训练数据Ltrain为：

高频波动部分训练数据Htrain为：

本发明中的残差小波网络其小波函数选择：

残差层计算公式为：

E_i＝O_i-I_i 公式8，

式中，O_i为上一层网络输出值，I_i为上一层网络输入值。

网络输出层计算公式为：

式中，Δ_ik是从隐藏层到输出层的权重，H(i)是隐藏层节点的输出，l是隐藏层节点的个数，m是输出层节点的个数。

残差小波网络训练步骤如下：

步骤1、随机确定初始小波尺度因子a和平移因子b，并将网络学习速率设置为2；

步骤2、数据集分为训练数据部分和测试数据部分，i值是根据网络训练情况和样本数自由确定的；

步骤3、将训练数据输入网络，计算小波神经网络预测输出与实际值的误差e；

步骤4、根据给定的误差条件(e＝0.001)，对小波神经网络和小波基函数的参数进行了修正。如果满足错误条件，则操作结束，否则返回步骤3；

步骤5、通过残差小波网络与无迹粒子滤波结合，建立长期剩余寿命预测模型。残差小波网络与无迹粒子滤波结合的流程图如图6所示。

残差小波网络与无迹粒子滤波的组合模型，步骤如下：

步骤1、滤波器参数初始化：从先验分布p(N₀)得到初始化状态

步骤2、重要性采样阶段:

首先，利用UKF算法得到Sigma点的集合

和Sigma点集的预测值

计算公式：

式中，

为均值。

然后，重新计算每个粒子的权重：

式中，

是参考分布。该参考分布选择为先验密度

最后，对权重进行归一化：

步骤3、重采样阶段：由近似分布

产生N个随机样本集合

根据步骤2得到的权重，对粒子集合进行复制和淘汰；

步骤4、计算粒子集合均值，得到无迹粒子滤波的预测值；

步骤5、利用步骤四一到步骤四四完成以下参数预测。容量衰减函数选择为双指数函数：

RUL(Lstrain)＝αexp(β*k)+χexp(δ*k)+υ 公式13，

式中，α,β,χ和δ为固定参数，k为循环次数。

容量退化状态方程为：

容量退化观测方程为：

Q(k)＝α(k)exp(β(k)*k)+χ(k)exp(δ(k)*k)+υ(k) 公式15，

式中，噪声υ(k)为均值为0，方差为1的高斯白噪声。

步骤6、将步骤四五得到的超前四步容量输出值依次带入步骤三，将其作为真实输入得到输出值；

步骤7、得到剩余寿命预测短期超前四步预测值，长期预测值由短期预测值作为真实值重复步骤1到5得到；

步骤8、利用高频波动部分训练数据Htrain得到高频残差小波网络模型短期预测值h_i,h_i+1,h_i+2,h_i+3。实时健康状态预测计算公式为：

SOH(k)＝RUL_stort(k)+H_soh(k) 公式16，

式中，RUL_stort(k)为第k次循环时低频趋势预测值，H_soh(k)为第k次循环时高频波动预测值。

Claims (8)

1.多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法，其特征在于，所述方法包括以下步骤：

步骤一、利用独立主成分分析法将具有多类型锂离子电池的电池组原始数据分解为不同类型电池的退化数据，并根据分解结果进行分类；

步骤二、将步骤一中退化数据与数据库中容量退化曲线进行对比，判断是否前期训练完成该种单体电池多尺度预测模型，若不存在则建立该类预测模型；

步骤三、通过步骤二确认已训练好该种锂离子电池多尺度预测模型后，将步骤一中的单体容量退化数据带入对应多尺度组合模型中，获得长期剩余寿命预测值和短期实时健康状况预测值；

步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据，预测容量数据和预测模型参数存入数据库。

2.根据权利要求1所述多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法，其特征在于，所述步骤一中，将锂离子电池组数据使用独立主成分分析法将退化数据分离，得到不同类型电池容量退化数据；然后将单体电池的容量退化数据与各个类型数据进行比对，从而使各个单体电池划分到不同类型电池型号中。

3.根据权利要求1所述多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法，其特征在于，所述步骤二中，判断是否存在该类型的预测模型采用差值判断，即将其带入数据库中与各种类型锂离子电池平均退化曲线进行减法计算，差值过大时认为不存在其预测模型。

4.根据权利要求3所述多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法，其特征在于建立新种类锂离子电池预测模型步骤如下：

步骤一、利用离散小波分解将单体容量退化数据分解为高频波动和低频趋势两部分；

步骤二、将同类型电池经过步骤一得到的高频波动部分及低频趋势部分分别带入残差小波神经网络进行训练；

步骤三、将训练好的低频趋势部分的残差小波网络与无迹粒子滤波进行结合，形成长短期剩余寿命预测模型；

步骤四、将训练好的高频波动部分的残差小波网络与短期剩余寿命预测模型进行结合，形成实时健康状态预测模型。

5.根据权利要求4所述多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法，其特征在于，步骤一中，离散小波变换函数为：

式中，连续变换的尺度参数A和平移参数B离散化为：

分解后的高频波动部分为

低频趋势部分为

n为同类型下单体电池编号，m为单体电池循环次数。

6.根据权利要求4所述多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法，其特征在于，锂离子电池预测模型步骤二中，以两组同类电池数据为例，低频趋势部分训练数据Ltrain为：

高频波动部分训练数据Htrain为：

7.根据权利要求4所述多类型锂离子电池组管理系统的健康状态预测和剩余寿命预测方法，其特征在于，锂离子电池预测模型步骤三中，长、短期剩余寿命预测模型为：

RUL(Lstrain)＝αexp(β*k)+χexp(δ*k)+υ 公式4，

式中，α,β,χ和δ为固定参数，k为循环次数，υ为高斯白噪声；将第三组数据

作为测试数据Ltest，将其带入长短期剩余寿命预测模型，从而得到短期剩余寿命预测值RUL_stort和长期寿命预测值RUL_long。

8.根据权利要求4所述多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法，其特征在于，锂离子电池预测模型的步骤四中，将第三组数据

作为测试数据Htest，将其带入高频残差小波网络模型，从而得到预测值H_soh；实时健康状态预测模型为：

SOH(k)＝RUL_stort(k)+H_soh(k) 公式5，

式中，k为循环次数。

Images