CN112327188A - 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 - Google Patents

一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 Download PDF

Info

Publication number
CN112327188A
CN112327188A CN202011056790.7A CN202011056790A CN112327188A CN 112327188 A CN112327188 A CN 112327188A CN 202011056790 A CN202011056790 A CN 202011056790A CN 112327188 A CN112327188 A CN 112327188A
Authority
CN
China
Prior art keywords
lithium ion
ion battery
model
initial
data
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
CN202011056790.7A
Other languages
English (en)
Inventor
张彩萍
丛炘玮
张琳静
张维戈
姜久春
张言茹
周兴振
黄彧
孙丙香
王占国
吴健
龚敏明
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202011056790.7A priority Critical patent/CN112327188A/zh
Publication of CN112327188A publication Critical patent/CN112327188A/zh
Pending legal-status Critical Current

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

本发明涉及一种模型‑数据混合驱动的锂离子电池剩余寿命预测方法，首先，初始化经验模型的四个独立模型参数；其次，基于差分阈值方法，利用锂离子电池容量数据识别拐点；再次，使用无迹粒子滤波方法获得初始估计结果；复次，建立初始误差序列，使用完全集成经验模态分解方法处理初始误差序列；又次，根据相关性方法使用本征模函数重构误差序列；从次，对重构误差序列使用高斯过程回归方法训练，得到带有置信区间的误差预测结果；最后，将初始估计结果使用带有置信区间的误差预测结果叠加，得到最终预测结果。本发明，利用少量历史数据，即可在短时内获得相应征兆并进行锂离子电池健康状态的诊断，进而实现后续锂离子电池剩余寿命预测。

Description

一种模型-数据混合驱动的锂离子电池剩余寿命预测方法
技术领域
本发明涉及锂离子电池健康状态管理领域，具体说是一种模型-数据混合驱动的锂离子电池剩余寿命预测方法。
背景技术
锂离子电池由于能量密度高以及循环寿命长而被广泛应用，对锂离子电池的健康状态管理和研究，需要采取系统的理论和方法，确保锂离子电池在实际使用中的安全、稳定、可靠运行。
在锂离子电池的健康状态管理和研究中，锂离子电池容量估计和故障诊断技术是研究的热点之一。
随着锂离子电池的充放电循环，会发生活性物质损失与内阻增大，导致容量衰减与功率衰退，对锂离子电池健康状态进行精准诊断，对锂离子电池剩余寿命(剩余使用寿命)的评估有重要作用。
此外，锂离子电池还可能出现系统突然失效或性能明显下降的故障，如内短路、热失控、容量跳水等，需要一种可靠的故障诊断和健康状态估计方法，该问题具有重要的研究意义。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种模型-数据混合驱动的锂离子电池剩余寿命预测方法，利用少量历史数据，即可在短时内获得相应征兆并进行锂离子电池健康状态的诊断，进而实现后续锂离子电池剩余寿命预测。
为达到以上目的，本发明采取的技术方案是：
1.一种模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，包括如下步骤：
首先，使用同型号电池老化实验数据，或者使用待预测电池少量历史循环数据，初始化经验模型的四个独立模型参数；
所述经验模型的四个独立模型参数a、b、c、d，即无迹粒子滤波方法的变量；
其次，基于差分阈值方法，利用锂离子电池容量数据识别拐点，所述拐点非跳水点；
再次，使用无迹粒子滤波方法获得初始估计结果；
复次，基于初始估计结果建立初始误差序列，使用完全集成经验模态分解方法处理初始误差序列；
又次，根据相关性方法使用本征模函数重构误差序列；
从次，对重构误差序列使用高斯过程回归方法训练，得到带有置信区间的误差预测结果；
最后，将初始估计结果使用带有置信区间的误差预测结果叠加，得到最终预测结果。
在上述技术方案的基础上，所述经验模型是指：锂离子电池容量衰退经验模型；
锂离子电池容量衰退经验模型的解析式为
Figure BDA0002711071590000031
其中，
x为充放电的循环次数，取值为正整数；
yx为x个充放电循环后的锂离子电池最大可用容量；
a,b,c,d分别为独立模型参数；
ec+d·x代表容量衰退前期阶段，具有减速单调递减特征；
Figure BDA0002711071590000032
代表容量衰退后期阶段，具有加速单调递减特征。
在上述技术方案的基础上，所述同型号电池老化实验数据，为早期同型号健康锂离子电池的老化实验数据，该老化实验数据，在各恒定循环老化工况下获取，使用最小二乘法拟合容量衰退曲线。
在上述技术方案的基础上，所述差分阈值方法，阈值范围选取截至当前循环次数的容量差分数据的均值加减其3倍标准差内，若相应数据记录在此范围外，即视当前次循环为容量数据拐点；
定义所述跳水点是整条电池容量衰退曲线与连结其初始点、设定寿命终点线段平行的最远切线交点。
在上述技术方案的基础上，识别拐点后，从拐点后继续选取训练信息，用于无迹粒子滤波训练模型参数，所述训练信息选取过程的终止时刻为：使无迹粒子滤波迭代过程后期阶段，模型各参数变化明显减缓的时刻。
在上述技术方案的基础上，所述使用无迹粒子滤波方法获得初始估计结果具体步骤如下：
步骤3.1，产生N个初始粒子
Figure BDA0002711071590000041
并初始化均值
Figure BDA0002711071590000042
和协方差矩阵P0：
Figure BDA0002711071590000043
Figure BDA0002711071590000044
步骤3.2，计算初始化状态矩阵和协方差矩阵，包括：
Figure BDA0002711071590000045
Figure BDA0002711071590000046
其中，
Figure BDA0002711071590000047
为状态矩阵初值，
Figure BDA0002711071590000048
为协方差矩阵初值，Q0为状态噪声协方差矩阵初值，R0为观测噪声协方差矩阵初值；
步骤3.3，进行UT变换，包括：
Figure BDA0002711071590000049
Figure BDA00027110715900000410
Figure BDA0002711071590000051
Figure BDA0002711071590000052
Figure BDA0002711071590000053
λ＝α2(n+k)-n (12)
Figure BDA0002711071590000054
Figure BDA0002711071590000055
Figure BDA0002711071590000056
Figure BDA0002711071590000057
其中，
Figure BDA0002711071590000058
为状态矩阵k时刻值，
Figure BDA0002711071590000059
为协方差矩阵k时刻值，Qk为状态噪声协方差矩阵k时刻值，Rk为观测噪声协方差矩阵k时刻值,η为无迹变换常数，n表示参数的维数，Wi表示第i个变换点的平均值或方差的权重；
步骤3.4，从k-1时刻更新至k时刻，包括：
Figure BDA00027110715900000510
Figure BDA00027110715900000511
Figure BDA00027110715900000512
Figure BDA00027110715900000513
Figure BDA0002711071590000061
Figure BDA0002711071590000062
Figure BDA0002711071590000063
Figure BDA0002711071590000064
其中，Kk表示卡尔曼增益系数，f(·)为状态转移方程，h(·)为观测方程，Zi,k|k-1为第i个粒子从k-1时刻至k时刻过渡态实际观测值，
Figure BDA0002711071590000065
则为过渡态权重计算后的估计值，
Figure BDA0002711071590000066
为第i个粒子从k-1时刻至k时刻各维度的状态值；
Figure BDA0002711071590000067
Figure BDA0002711071590000068
其中，
Figure BDA0002711071590000069
为无迹滤波后k时刻估计值，
Figure BDA00027110715900000610
为协方差矩阵估计值；
步骤3.5，粒子滤波采样，包括：
Figure BDA00027110715900000611
其中，q(·)表示粒子状态更新后的概率密度函数；
步骤3.6，权重计算与归一化，包括：
Figure BDA00027110715900000612
Figure BDA00027110715900000613
其中，p(·)表示粒子先验分布的概率密度函数，
Figure BDA00027110715900000614
表示第i个粒子在k时刻的归一化权重；
步骤3.7，重采样并平均权重；
步骤3.8，状态更新，包括：
Figure BDA0002711071590000071
Figure BDA0002711071590000072
其中，
Figure BDA0002711071590000073
为系统k时刻状态估计结果，
Figure BDA0002711071590000074
为粒子滤波在k时刻的协方差矩阵；
步骤3.9，若该时刻k不是选取训练信息过程的终止时刻，返回步骤3.4进行下一次迭代；否则输出经验模型参数结果，画出预测的容量衰退曲线，计算剩余寿命。
在上述技术方案的基础上，所述根据相关性方法使用本征模函数重构误差序列，是指：当使用完全集成经验模态分解方法处理初始误差序列，得到本征模函数后，从分解所得本征模函数中，使用皮尔逊相关系数选取与原误差序列相关性高的本征模函数重构误差序列；
使用皮尔逊相关系数将分解所得本征模函数和所述初始误差序列的相关性量化，包括：
Figure BDA0002711071590000075
其中，X,Y分别为待检测相关性的序列。
在上述技术方案的基础上，使用容量衰退曲线预测与相应训练容量数据相减得到相应初始误差序列；
所述使用完全集成经验模态分解方法处理初始误差序列，具体步骤如下：
步骤4.1，将相同长度的白噪声信号与待分解信号叠加，并找到一系列最大极点和最小极点；
步骤4.2，做最大极点和最小极点的包络线；
步骤4.3，求所述两条包络线的平均值；
步骤4.4，用原始信号与所述包络线平均值相减，处理得到的疑似IMF分量，包括：若该分量不是最高频率分量则将其作为待处理信号返回步骤4.1，若该分量为最高频率分量则将其视为当前次本征模函数继续步骤4.5；
步骤4.5，用待处理信号与所述分量相减，判定算法是否结束，包括：若相减所得信号是单调的则分解算法结束，否则返回步骤4.1。
在上述技术方案的基础上，将所述完全集成经验模态分解结果相关性高的本征模函数进行叠加，获得重构误差序列；
选取两项皮尔逊相关系数最高的本征模函数。
在上述技术方案的基础上，使用高斯过程回归时训练的核函数为常用的径向基和函数：
Figure BDA0002711071590000091
其中，
Figure BDA0002711071590000092
为控制协方差矩阵幅值的超参数，
Figure BDA0002711071590000093
为反映核函数尺度的超参数；
所述核函数中
Figure BDA0002711071590000094
的值取决于锂离子电池额定容量值，以确保方法对于不同型号锂离子电池的适应性，
Figure BDA0002711071590000095
的值可在高斯过程回归的训练过程取得。
本发明所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，具有以下有益效果：
在不需要使用跳水点之后的测试数据的情况下，实现了锂离子电池跳水预测、容量估计等基础功能；
使用预测的95％置信区间描述了训练信息中各种误差信息的主要演化趋势对后续预测的影响，从而矫正了包括但不限于初始活化效应误差、容量恢复效应误差、测量噪声误差、日历容量损失误差和滤波迭代时末端终止误差。
附图说明
本发明有如下附图：
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1本发明的流程框图；
图2.a本发明实施例中基于差分阈值方法识别锂离子电池容量循环数据拐点图；
图2.b本发明实施例中对应锂离子电池容量循环数据拐点的容量衰退曲线图；
图3.a本发明实施例中模型参数a的容量衰退曲线迭代和模型参数迭代图；
图3.b本发明实施例中模型参数b的容量衰退曲线迭代和模型参数迭代图；
图3.c本发明实施例中模型参数c的容量衰退曲线迭代和模型参数迭代图；
图3.d本发明实施例中模型参数d的容量衰退曲线迭代和模型参数迭代图；
图3.e本发明实施例中容量衰退曲线随迭代次数变化图；
图4本发明实施例中初始误差序列分解所得本征模函数图；
图5本发明实施例中重构误差序列对比图；
图6本发明实施例中高斯过程回归误差预测结果图；
图7本发明实施例中最终预测结果图。
具体实施方式
以下结合附图对本发明作进一步详细说明。所述详细说明，为结合本发明的示范性实施例做出的说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
如图1所示，本发明所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，包括如下步骤：
首先，使用同型号电池老化实验数据，或者使用待预测电池少量历史循环数据，初始化经验模型的四个独立模型参数；
所述初始化经验模型的四个独立模型参数，目的是把无迹粒子滤波方法的变量，也就是经验模型的四个独立模型参数a、b、c、d，赋予一个大概的初值，不需要很准确；
作为可选择的实施方案之一，所述同型号电池老化实验数据，为早期同型号健康锂离子电池的老化实验数据，该老化实验数据，在各恒定循环老化工况下获取，使用最小二乘法拟合容量衰退曲线。
其次，基于差分阈值方法，利用锂离子电池容量数据识别拐点，所述拐点非跳水点；
再次，使用无迹粒子滤波方法获得初始估计结果；
所述初始估计结果即初步预测结果；
所述初始估计结果，是指：初始容量估计结果；
复次，基于初始估计结果建立初始误差序列，使用完全集成经验模态分解方法处理初始误差序列；
所述初始误差序列即原始误差序列；
又次，根据相关性方法使用本征模函数重构误差序列；
从次，对重构误差序列使用高斯过程回归方法训练，得到带有置信区间的误差预测结果；
最后，将初始估计结果使用带有置信区间的误差预测结果叠加，得到最终预测结果。
在上述技术方案的基础上，所述经验模型是指：锂离子电池容量衰退经验模型；
锂离子电池容量衰退经验模型的解析式为
Figure BDA0002711071590000131
其中，
x为充放电的循环次数，取值为正整数；
yx为x个充放电循环后的锂离子电池最大可用容量；
a,b,c,d分别为独立模型参数；
ec+d·x代表容量衰退前期阶段，具有减速单调递减特征；
Figure BDA0002711071590000132
代表容量衰退后期阶段，具有加速单调递减特征。
在上述技术方案的基础上，所述差分阈值方法，阈值范围选取截至当前循环次数的容量差分数据的均值加减其3倍标准差内，若相应数据记录在此范围外，即视当前次循环为容量数据拐点；
优选地，定义所述跳水点是整条电池容量衰退曲线与连结其初始点、设定寿命终点线段平行的最远切线交点。
在上述技术方案的基础上，识别拐点后，从拐点后继续选取训练信息，用于无迹粒子滤波训练模型参数，所述训练信息选取过程的终止时刻为：使无迹粒子滤波迭代过程后期阶段，模型各参数变化明显减缓的时刻。
在上述技术方案的基础上，所述使用无迹粒子滤波方法获得初始估计结果具体步骤如下：
步骤3.1，产生N个初始粒子
Figure BDA0002711071590000141
并初始化均值
Figure BDA0002711071590000142
和协方差矩阵P0：
Figure BDA0002711071590000143
Figure BDA0002711071590000144
优选地，参数取值N＝200；
步骤3.2，计算初始化状态矩阵和协方差矩阵，包括：
Figure BDA0002711071590000145
Figure BDA0002711071590000146
其中，
Figure BDA0002711071590000147
为状态矩阵初值，
Figure BDA0002711071590000148
为协方差矩阵初值，Q0为状态噪声协方差矩阵初值，R0为观测噪声协方差矩阵初值；
步骤3.3，进行UT变换，包括：
Figure BDA0002711071590000149
Figure BDA00027110715900001410
Figure BDA00027110715900001411
Figure BDA00027110715900001412
Figure BDA00027110715900001413
λ＝α2(n+k)-n (12)
Figure BDA00027110715900001414
Figure BDA0002711071590000151
Figure BDA0002711071590000152
Figure BDA0002711071590000153
其中，
Figure BDA0002711071590000154
为状态矩阵k时刻值，
Figure BDA0002711071590000155
为协方差矩阵k时刻值，Qk为状态噪声协方差矩阵k时刻值，Rk为观测噪声协方差矩阵k时刻值,η为无迹变换常数，n表示参数的维数，Wi表示第i个变换点的平均值(用(m)表示)或方差(用(c)表示)的权重；
优选地，各常数取值α＝1,β＝0,λ＝2；
步骤3.4，从k-1时刻更新至k时刻，包括：
Figure BDA0002711071590000156
Figure BDA0002711071590000157
Figure BDA0002711071590000158
Figure BDA0002711071590000159
Figure BDA00027110715900001510
Figure BDA00027110715900001511
Figure BDA0002711071590000161
Figure BDA0002711071590000162
其中，Kk表示卡尔曼增益系数，f(·)为状态转移方程，h(·)为观测方程，Zi,k|k-1为第i个粒子从k-1时刻至k时刻过渡态实际观测值(
Figure BDA0002711071590000163
则为过渡态权重计算后的估计值)，
Figure BDA0002711071590000164
为第i个粒子从k-1时刻至k时刻各维度的状态值；
Figure BDA0002711071590000165
Figure BDA0002711071590000166
其中，
Figure BDA0002711071590000167
为无迹滤波后k时刻估计值，
Figure BDA0002711071590000168
为协方差矩阵估计值；
步骤3.5，粒子滤波采样，包括：
Figure BDA0002711071590000169
其中，q(·)表示粒子状态更新后的概率密度函数；
步骤3.6，权重计算与归一化，包括：
Figure BDA00027110715900001610
Figure BDA00027110715900001611
其中，p(·)表示粒子先验分布的概率密度函数，
Figure BDA00027110715900001612
表示第i个粒子在k时刻的归一化权重；
步骤3.7，重采样并平均权重；
步骤3.8，状态更新，包括：
Figure BDA0002711071590000171
Figure BDA0002711071590000172
其中，
Figure BDA0002711071590000173
为系统k时刻状态估计结果，
Figure BDA0002711071590000174
为粒子滤波在k时刻的协方差矩阵；
步骤3.9，若该时刻k不是选取训练信息过程的终止时刻，返回步骤3.4进行下一次迭代；否则输出经验模型参数结果，画出预测的容量衰退曲线，计算剩余寿命。
在上述技术方案的基础上，所述根据相关性方法使用本征模函数重构误差序列，是指：当使用完全集成经验模态分解方法处理初始误差序列，得到本征模函数后，从分解所得本征模函数中，使用皮尔逊相关系数选取与原误差序列相关性高的本征模函数重构误差序列。
作为可选择的实施方案之一，使用容量衰退曲线预测与相应训练容量数据相减得到相应初始误差序列。
作为可选择的实施方案之一，所述使用完全集成经验模态分解方法处理初始误差序列，具体步骤如下：
步骤4.1，将相同长度的白噪声信号与待分解信号叠加，并找到一系列最大极点和最小极点；优选地，白噪声信号的方差与待分解信号相同或略小，幅值远小于待分解信号的最大极点和最小极点；
步骤4.2，做最大极点和最小极点的包络线；优选地，使用线性插值法补全；
步骤4.3，求所述两条包络线的平均值；
步骤4.4，用原始信号与所述包络线平均值相减，处理得到的疑似IMF分量，包括：若该分量不是最高频率分量则将其作为待处理信号返回步骤4.1，若该分量为最高频率分量则将其视为当前次本征模函数继续步骤4.5；
步骤4.5，用待处理信号与所述分量相减，判定算法是否结束，包括：若相减所得信号是单调的则分解算法结束，否则返回步骤4.1。
作为可选择的实施方案之一，使用皮尔逊相关系数将分解所得本征模函数和所述初始误差序列的相关性量化，包括：
Figure BDA0002711071590000181
其中，X,Y分别为待检测相关性的序列。
在上述技术方案的基础上，将所述完全集成经验模态分解结果相关性高的本征模函数进行叠加，获得重构误差序列；
优选地，选取两项皮尔逊相关系数最高的本征模函数；若部分相关系数之间差距过大，如超过一个数量级，也可选取一项皮尔逊相关系数最高的本征模函数或三项皮尔逊相关系数最高的本征模函数。
在上述技术方案的基础上，使用高斯过程回归时训练的核函数为常用的径向基和函数：
Figure BDA0002711071590000191
其中，
Figure BDA0002711071590000192
为控制协方差矩阵幅值的超参数，
Figure BDA0002711071590000193
为反映核函数尺度的超参数；
进一步地，所述核函数中
Figure BDA0002711071590000194
的值取决于锂离子电池额定容量值，以确保方法对于不同型号锂离子电池的适应性，
Figure BDA0002711071590000195
的值可在高斯过程回归的训练过程取得。
下面结合实验对本发明进行详细说明，实施例中以LG正极为NiMnCo三元材料的锂离子动力电池为例，其额定电压为3.7V，标称容量为36Ah，能量密度为180Wh/kg。
选取恒温45℃，1C恒流充电至额定电压后转为恒压至充电截止阈值充电结束，静置后1C恒流放电至放电截止电压的工况下循环老化测试数据作为数据集。
步骤一，选取早期预处理后的前两百次循环的健康锂离子电池容量数据，根据公式(1)最小二乘法拟合锂离子电池容量衰退经验模型得：
a＝18.1,b＝-9612,c＝3.623,d＝-0.0001476；
步骤二，基于差分阈值方法识别锂离子电池容量循环数据拐点为478次如图2.a差分容量曲线，对应容量衰退数据拐点如图2.b，所述跳水点为499次；
步骤三，拐点后选取适量训练信息用于无迹粒子滤波，为了证明所述方法收敛性，将初始经验模型b，c参数加入10％误差，根据公式(3)到公式(31)每次迭代后的模型参数a、b、c、d分别如图3.a、图3.b、图3.c、图3.d，每次迭代后的容量衰退曲线如图3.e，选取最终的训练数据为484次，说明该发明实施过程中不需要使用锂离子电池跳水之后的训练信息，可以认为至少提前了15个循环预测了锂离子电池容量跳水现象；
步骤四，对所得初始误差序列使用完全集成经验模态分解如图4；
步骤五，分解所得本征模函数与原误差序列皮尔逊相关系数如表1，从分解所得本征模函数中选取与原误差序列相关性高的重构误差序列如图5；
表1本征模函数方差与相关系数表
序列 方差(×10<sup>-3</sup>) r
IMF 1 0.4396 -0.0737
IMF 2 0.4590 0.1311
IMF 3 0.4552 0.1350
IMF 4 0.6581 0.0850
IMF 5 1.3528 0.2163
IMF 6 0.9131 0.2570
IMF 7 3.6820 0.8104
剩余项 3.6995 0.8205
初始误差序列 14.6715 -
步骤六，使用高斯过程回归训练重构的误差序列，预测后续误差如图6；
步骤七，将所述初始容量估计结果与误差预测结果叠加，得到带有95％置信区间用来描述各种误差对后续预测影响的最终结果如图7，计算在45℃1C1C工况下的各项误差指标如表2。
表2预测误差表
Figure BDA0002711071590000211
本发明实施例充分体现了所述方法的有效性、实用性，在实现锂离子电池跳水预测、容量估计等功能而不需要使用跳水点之后实验数据量，使用预测的置信区间针对性地描述了训练信息中误差信息的主要演化趋势对后续预测的影响。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (10)

1.一种模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，包括如下步骤：
首先，使用同型号电池老化实验数据，或者使用待预测电池少量历史循环数据，初始化经验模型的四个独立模型参数；
所述经验模型的四个独立模型参数a、b、c、d，即无迹粒子滤波方法的变量；
其次，基于差分阈值方法，利用锂离子电池容量数据识别拐点，所述拐点非跳水点；
再次，使用无迹粒子滤波方法获得初始估计结果；
复次，基于初始估计结果建立初始误差序列，使用完全集成经验模态分解方法处理初始误差序列；
又次，根据相关性方法使用本征模函数重构误差序列；
从次，对重构误差序列使用高斯过程回归方法训练，得到带有置信区间的误差预测结果；
最后，将初始估计结果使用带有置信区间的误差预测结果叠加，得到最终预测结果。
2.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，所述经验模型是指：锂离子电池容量衰退经验模型；
锂离子电池容量衰退经验模型的解析式为
Figure FDA0002711071580000011
其中，
x为充放电的循环次数，取值为正整数；
yx为x个充放电循环后的锂离子电池最大可用容量；
a,b,c,d分别为独立模型参数；
ec+d·x代表容量衰退前期阶段，具有减速单调递减特征；
Figure FDA0002711071580000021
代表容量衰退后期阶段，具有加速单调递减特征。
3.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，所述同型号电池老化实验数据，为早期同型号健康锂离子电池的老化实验数据，该老化实验数据，在各恒定循环老化工况下获取，使用最小二乘法拟合容量衰退曲线。
4.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，所述差分阈值方法，阈值范围选取截至当前循环次数的容量差分数据的均值加减其3倍标准差内，若相应数据记录在此范围外，即视当前次循环为容量数据拐点；
定义所述跳水点是整条电池容量衰退曲线与连结其初始点、设定寿命终点线段平行的最远切线交点。
5.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，识别拐点后，从拐点后继续选取训练信息，用于无迹粒子滤波训练模型参数，所述训练信息选取过程的终止时刻为：使无迹粒子滤波迭代过程后期阶段，模型各参数变化明显减缓的时刻。
6.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，所述使用无迹粒子滤波方法获得初始估计结果具体步骤如下：
步骤3.1，产生N个初始粒子
Figure FDA0002711071580000031
并初始化均值
Figure FDA0002711071580000032
和协方差矩阵P0：
Figure FDA0002711071580000033
Figure FDA0002711071580000034
步骤3.2，计算初始化状态矩阵和协方差矩阵，包括：
Figure FDA0002711071580000035
Figure FDA0002711071580000036
其中，
Figure FDA0002711071580000037
为状态矩阵初值，
Figure FDA0002711071580000038
为协方差矩阵初值，Q0为状态噪声协方差矩阵初值，R0为观测噪声协方差矩阵初值；
步骤3.3，进行UT变换，包括：
Figure FDA0002711071580000039
Figure FDA00027110715800000310
Figure FDA00027110715800000311
Figure FDA00027110715800000312
Figure FDA0002711071580000041
λ＝α2(n+k)-n (12)
Figure FDA0002711071580000042
Figure FDA0002711071580000043
Figure FDA0002711071580000044
Figure FDA0002711071580000045
其中，
Figure FDA0002711071580000046
为状态矩阵k时刻值，
Figure FDA0002711071580000047
为协方差矩阵k时刻值，Qk为状态噪声协方差矩阵k时刻值，Rk为观测噪声协方差矩阵k时刻值,η为无迹变换常数，n表示参数的维数，Wi表示第i个变换点的平均值或方差的权重；
步骤3.4，从k-1时刻更新至k时刻，包括：
Figure FDA0002711071580000048
Figure FDA0002711071580000049
Figure FDA00027110715800000410
Figure FDA00027110715800000411
Figure FDA00027110715800000412
Figure FDA0002711071580000051
Figure FDA0002711071580000052
Figure FDA0002711071580000053
其中，Kk表示卡尔曼增益系数，f(·)为状态转移方程，h(·)为观测方程，Zi,k|k-1为第i个粒子从k-1时刻至k时刻过渡态实际观测值，
Figure FDA0002711071580000054
则为过渡态权重计算后的估计值，
Figure FDA0002711071580000055
为第i个粒子从k-1时刻至k时刻各维度的状态值；
Figure FDA0002711071580000056
Figure FDA0002711071580000057
其中，
Figure FDA0002711071580000058
为无迹滤波后k时刻估计值，
Figure FDA0002711071580000059
为协方差矩阵估计值；
步骤3.5，粒子滤波采样，包括：
Figure FDA00027110715800000510
其中，q(·)表示粒子状态更新后的概率密度函数；
步骤3.6，权重计算与归一化，包括：
Figure FDA00027110715800000511
Figure FDA00027110715800000512
其中，p(·)表示粒子先验分布的概率密度函数，
Figure FDA00027110715800000513
表示第i个粒子在k时刻的归一化权重；
步骤3.7，重采样并平均权重；
步骤3.8，状态更新，包括：
Figure FDA0002711071580000061
Figure FDA0002711071580000062
其中，
Figure FDA0002711071580000063
为系统k时刻状态估计结果，
Figure FDA0002711071580000064
为粒子滤波在k时刻的协方差矩阵；
步骤3.9，若该时刻k不是选取训练信息过程的终止时刻，返回步骤3.4进行下一次迭代；否则输出经验模型参数结果，画出预测的容量衰退曲线，计算剩余寿命。
7.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，所述根据相关性方法使用本征模函数重构误差序列，是指：当使用完全集成经验模态分解方法处理初始误差序列，得到本征模函数后，从分解所得本征模函数中，使用皮尔逊相关系数选取与原误差序列相关性高的本征模函数重构误差序列；
使用皮尔逊相关系数将分解所得本征模函数和所述初始误差序列的相关性量化，包括：
Figure FDA0002711071580000065
其中，X,Y分别为待检测相关性的序列。
8.如权利要求7所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，使用容量衰退曲线预测与相应训练容量数据相减得到相应初始误差序列；
所述使用完全集成经验模态分解方法处理初始误差序列，具体步骤如下：
步骤4.1，将相同长度的白噪声信号与待分解信号叠加，并找到一系列最大极点和最小极点；
步骤4.2，做最大极点和最小极点的包络线；
步骤4.3，求所述两条包络线的平均值；
步骤4.4，用原始信号与所述包络线平均值相减，处理得到的疑似IMF分量，包括：若该分量不是最高频率分量则将其作为待处理信号返回步骤4.1，若该分量为最高频率分量则将其视为当前次本征模函数继续步骤4.5；
步骤4.5，用待处理信号与所述分量相减，判定算法是否结束，包括：若相减所得信号是单调的则分解算法结束，否则返回步骤4.1。
9.如权利要求7所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，将所述完全集成经验模态分解结果相关性高的本征模函数进行叠加，获得重构误差序列；
选取两项皮尔逊相关系数最高的本征模函数。
10.如权利要求1所述的模型-数据混合驱动的锂离子电池剩余寿命预测方法，其特征在于，使用高斯过程回归时训练的核函数为常用的径向基和函数：
Figure FDA0002711071580000081
其中，
Figure FDA0002711071580000082
为控制协方差矩阵幅值的超参数，
Figure FDA0002711071580000083
为反映核函数尺度的超参数；
所述核函数中
Figure FDA0002711071580000084
的值取决于锂离子电池额定容量值，以确保方法对于不同型号锂离子电池的适应性，
Figure FDA0002711071580000085
的值可在高斯过程回归的训练过程取得。
CN202011056790.7A 2020-09-30 2020-09-30 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 Pending CN112327188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056790.7A CN112327188A (zh) 2020-09-30 2020-09-30 一种模型-数据混合驱动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
CN202011056790.7A CN112327188A (zh) 2020-09-30 2020-09-30 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN112327188A true CN112327188A (zh) 2021-02-05

Family

ID=74314472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056790.7A Pending CN112327188A (zh) 2020-09-30 2020-09-30 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN112327188A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
CN113391621A (zh) * 2021-06-23 2021-09-14 哈尔滨工业大学 一种电动仿真测试转台的健康状态评估方法
CN113406525A (zh) * 2021-06-15 2021-09-17 安庆师范大学 一种基于优化变分模态分解的锂电池组剩余寿命预测方法
CN113406521A (zh) * 2021-06-11 2021-09-17 上海电力大学 一种基于特征分析的锂电池健康状态在线估计方法
CN113504473A (zh) * 2021-09-10 2021-10-15 四川大学 一种适用动力锂电池非线性衰退过程的rul预测方法
CN113608137A (zh) * 2021-07-30 2021-11-05 骆驼集团武汉光谷研发中心有限公司 一种质子交换膜燃料电池电堆寿命预测方法
CN113705114A (zh) * 2021-10-28 2021-11-26 中南大学 一种数据预测方法及装置
CN113761025A (zh) * 2021-08-30 2021-12-07 上海电气国轩新能源科技有限公司 储能电站电池数据异常的检测方法、系统、设备及介质
CN114089204A (zh) * 2021-11-30 2022-02-25 蜂巢能源科技(无锡)有限公司 一种电池容量跳水拐点预测方法及装置
CN116736141A (zh) * 2023-08-10 2023-09-12 锦浪科技股份有限公司 一种锂电池储能安全管理系统及方法
CN117330963A (zh) * 2023-11-30 2024-01-02 国网浙江省电力有限公司宁波供电公司 储能电站故障检测方法、系统及设备
CN117930028A (zh) * 2024-03-21 2024-04-26 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932656A (zh) * 2019-04-17 2019-06-25 合肥工业大学 一种基于imm-upf的锂电池寿命估计方法
CN109946612A (zh) * 2019-04-01 2019-06-28 北京交通大学 一种三元锂离子电池容量加速衰退转折点识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109946612A (zh) * 2019-04-01 2019-06-28 北京交通大学 一种三元锂离子电池容量加速衰退转折点识别方法
CN109932656A (zh) * 2019-04-17 2019-06-25 合肥工业大学 一种基于imm-upf的锂电池寿命估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINWEI CONG，ET AL.: "A Hybrid Method for the Prediction of the Remaining Useful Life of Lithium-Ion Batteries With Accelerated Capacity Degradation", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
XINWEI CONG，ET AL.: "An Improved Unscented Particle Filter Method for Remaining Useful Life Prognostic of Lithium-ion Batteries With Li(NiMnCo)O2 Cathode With Capacity Diving", 《IEEE ACCESS》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156325B (zh) * 2021-03-18 2024-04-19 吉林大学 一种对电池的健康状态进行估计的方法
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
CN113406521A (zh) * 2021-06-11 2021-09-17 上海电力大学 一种基于特征分析的锂电池健康状态在线估计方法
CN113406521B (zh) * 2021-06-11 2023-04-28 上海电力大学 一种基于特征分析的锂电池健康状态在线估计方法
CN113406525A (zh) * 2021-06-15 2021-09-17 安庆师范大学 一种基于优化变分模态分解的锂电池组剩余寿命预测方法
CN113406525B (zh) * 2021-06-15 2023-06-02 金陵科技学院 一种基于优化变分模态分解的锂电池组剩余寿命预测方法
CN113391621A (zh) * 2021-06-23 2021-09-14 哈尔滨工业大学 一种电动仿真测试转台的健康状态评估方法
CN113391621B (zh) * 2021-06-23 2022-03-25 哈尔滨工业大学 一种电动仿真测试转台的健康状态评估方法
CN113608137A (zh) * 2021-07-30 2021-11-05 骆驼集团武汉光谷研发中心有限公司 一种质子交换膜燃料电池电堆寿命预测方法
CN113761025A (zh) * 2021-08-30 2021-12-07 上海电气国轩新能源科技有限公司 储能电站电池数据异常的检测方法、系统、设备及介质
CN113504473A (zh) * 2021-09-10 2021-10-15 四川大学 一种适用动力锂电池非线性衰退过程的rul预测方法
CN113705114A (zh) * 2021-10-28 2021-11-26 中南大学 一种数据预测方法及装置
CN114089204A (zh) * 2021-11-30 2022-02-25 蜂巢能源科技(无锡)有限公司 一种电池容量跳水拐点预测方法及装置
CN114089204B (zh) * 2021-11-30 2023-11-21 蜂巢能源科技(无锡)有限公司 一种电池容量跳水拐点预测方法及装置
CN116736141A (zh) * 2023-08-10 2023-09-12 锦浪科技股份有限公司 一种锂电池储能安全管理系统及方法
CN117330963A (zh) * 2023-11-30 2024-01-02 国网浙江省电力有限公司宁波供电公司 储能电站故障检测方法、系统及设备
CN117330963B (zh) * 2023-11-30 2024-04-19 国网浙江省电力有限公司宁波供电公司 储能电站故障检测方法、系统及设备
CN117930028A (zh) * 2024-03-21 2024-04-26 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质
CN117930028B (zh) * 2024-03-21 2024-05-17 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN112327188A (zh) 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN110488204B (zh) 一种储能元件soh-soc联合在线估计方法
CN110058178A (zh) 一种锂电池健康状态检测方法和系统
CN113009349A (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN113064093A (zh) 储能电池荷电状态与健康状态联合估算方法及系统
CN113093020B (zh) 基于lstm神经网络预测锂离子电池剩余使用寿命方法
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
CN114726045B (zh) 一种基于ipea-lstm模型的锂电池soh估计方法
CN105116344A (zh) 基于二进制编码的电池开路电压估算方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN113359048A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及系统
CN115236522A (zh) 基于混合深度神经网络的储能电池端到端容量估计方法
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
CN115015789A (zh) 基于增量电容曲线的锂离子电池健康状态估计方法及装置
CN116609692B (zh) 一种基于充电机检测的电池健康状态诊断方法及系统
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
CN116679213A (zh) 基于集成深度学习的电动汽车动力电池soh估算方法
CN116736171A (zh) 一种基于数据驱动的锂离子电池健康状态估算方法
CN115980588A (zh) 基于自编码器提取特征的锂离子电池健康状态估计方法
CN113255215B (zh) 一种基于电压片段的锂电池健康状态估计方法

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: 20210205