CN113392507A - 一种锂离子动力电池剩余寿命预测方法 - Google Patents
一种锂离子动力电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113392507A CN113392507A CN202110568605.0A CN202110568605A CN113392507A CN 113392507 A CN113392507 A CN 113392507A CN 202110568605 A CN202110568605 A CN 202110568605A CN 113392507 A CN113392507 A CN 113392507A
- Authority
- CN
- China
- Prior art keywords
- power battery
- ion power
- lithium ion
- capacity
- representing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种锂离子动力电池剩余寿命预测方法,包括步骤一、建立锂离子动力电池的经验容量退化模型;二、以锂离子动力电池容量为状态变量,根据经验容量退化模型建立离散时间的状态方程和观测方程;三、确定求积分点大小及求积分点所对应的权值;四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数;五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命。本发明步骤简单,实现方便,能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域,实时性好,精确性高,效果显著,便于推广。
Description
技术领域
本发明属于锂离子动力电池技术领域,具体涉及一种锂离子动力电池剩余寿命预测方法。
背景技术
锂离子动力电池剩余寿命的预测是根据相关知识,结合系统历史数据,估计系统在当前时刻到失效阈值时刻之间循环工作的次数,失效阈值是由相关标准根据系统性能特征所设定的。锂离子动力电池剩余寿命(RUL)的定义为:在锂离子动力电池进入失效状态前,锂离子动力电池可以单次充放电的循环次数。针对锂离子电池RUL预测的重要意义,国内外投入大量资源进行算法研究,并取得了不错的估计效果。但目前已有的锂离子动力电池RUL预测方法仍然存在着一些问题,因此锂离子动力电池RUL预测算法的研究依然是当前的研究热点。常用的锂离子动力电池RUL预测方法主要分为基于数据驱动方法和基于机理模型的方法。
基于数据驱动方法主要有人工神经网络方法、支持向量机、相关向量机以及数据驱动方法的融合等。该类方法首先需要获取大量的动力电池老化试验的容量数据,从中找寻出动力电池寿命衰减的规律,再通过对容量数据进行推广和延伸,最终实现对动力电池RUL的预测。该类方法虽然不需要考虑电池的退化机理和化学特性,但电池老化因素的测试过程过于复杂,跟踪时间长,无法获得大量的实验数据。
基于机理模型的方法包括动力电池的电化学模型、等效电路模型(ECM)和经验容量退化模型,动力电池的电化学模型是基于电池内部复杂的物化反应构建的,模型的复杂度使得在高放电倍率下,模型会存在不可预估性,从而对预测结果产生影响;动力电池的ECM建立较为简单,基于该类模型的预测方法复杂度低,易于实现,但在近似过程中,动力电池内部的一些重要参量之间的隐含关系易被忽略,ECM难以完全考虑复杂的外界条件,导致ECM对动力电池的动、静态特性描述较弱。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种锂离子动力电池剩余寿命预测方法,其步骤简单,设计合理,实现方便,能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域,实时性好,精确性高,效果显著,便于推广。
为解决上述技术问题,本发明采用的技术方案是:一种锂离子动力电池剩余寿命预测方法,包括以下步骤:
步骤一、建立锂离子动力电池的经验容量退化模型;
步骤二、以锂离子动力电池容量为状态变量,根据经验容量退化模型建立离散时间的状态方程和观测方程;
步骤三、确定Gauss-Hermite求积分公式的求积分点大小及求积分点所对应的权值;
步骤四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数;
步骤五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命。
上述的一种锂离子动力电池剩余寿命预测方法,步骤一中所述锂离子动力电池的经验容量退化模型采用单指数模型,表示为:
Ck=ηcCk-1+β1exp(-β2/Δtk-1)
其中,Ck表示第k次充放电循环的锂离子动力电池容量值,Ck-1表示第k-1次充放电循环的锂离子动力电池容量值,ηc表示库伦效率,β1和β2均为模型的待辨识参数,Δtk-1表示第k-1个到第k个电池充放电周期的休息时间。
上述的一种锂离子动力电池剩余寿命预测方法,步骤二中所述离散时间的状态方程为:
其中,β1,k表示模型辨识参数β1的当前时刻估计值,β1,k-1表示模型辨识参数β1的上一时刻估计值,表示在上一时刻对模型辨识参数β1施加的零均值高斯白噪声,β2,k表示模型辨识参数β2的当前时刻估计值,β2,k-1表示模型辨识参数β2的上一时刻估计值,表示在上一时刻对模型辨识参数β2施加的零均值高斯白噪声,表示对锂离子动力电池容量值Ck施加的零均值高斯白噪声;
所述离散时间的观测方程为:
Zk=Ck+ψk
其中,Zk表示第k周期的电池容量观测值,ψk表示对电池容量观测值Zk施加的零均值高斯白噪声。
上述的一种锂离子动力电池剩余寿命预测方法,步骤三中所述Gauss-Hermite求积分公式为:
其中,x为一标量,g(x)为求积分函数,xi为求积分点,Ai为权值,m为求积分点的数量。
上述的一种锂离子动力电池剩余寿命预测方法,步骤三中所述求积分点大小及求积分点所对应的权值采用正交多项式与三对角矩阵的关系进行计算,具体过程包括:选取一个对称的三对角矩阵J,其对角线上全是0元素,表示为求积分点其中,λi代表矩阵J的第i个特征值,权值其中,(νi)1表示特征值对应标准化特征向量的第一个元素。
上述的一种锂离子动力电池剩余寿命预测方法,步骤四中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数的具体过程包括:
步骤401、提取锂离子动力电池的容量数据;
步骤402、对提取出的容量数据进行高斯降噪处理,降低尖端噪声的影响;
步骤403、离散化状态方程与观测方程;
步骤404、采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,并采用加噪声的容量数据修正求解到的容量值;
步骤405、跟踪锂离子动力电池容量值的同时得到模型的辨识参数。
上述的一种锂离子动力电池剩余寿命预测方法,步骤404中所述改进的平方根求积分卡尔曼滤波算法包括时间更新和测量更新;
所述时间更新的具体过程包括:
时间k时刻函数的后验概率密度表示为:
其中,p(xk-1|z1:k-1)表示后验概率密度,表示服从正态分布的函数,xk-1表示k-1时刻的状态变量值,z1:k-1={z1,z2,...,zk-1}表示从初始时刻到k-1时刻的观测值,表示初始均值,Pk-1|k-1表示初始协方差;
其中,Xl,k-1|k-1表示状态变量,ξl为Gauss-Hermite求积分点向量,mn为点向量的个数;
采用定义矩阵计算预测协方差矩阵的平方根:
所述测量更新的具体过程包括:
评估非线性量测函数传递的Gauss求积分点:
Zl,k|k-1=Dk-1Xl,k|k-1,l=1,2,...,mn
其中,Zl,k|k-1表示非线性量测函数传递的Gauss求积分点,Dk-1表示测量矩阵;
采用定义矩阵估计新息协方差矩阵平方根:
其中,Zk|k-1表示计算新息协方差矩阵平方根的过渡矩阵,Szz,k|k-1表示新息协方差矩阵平方根,Rk为新息协方差;
采用定义矩阵估计互协方差矩阵:
上述的一种锂离子动力电池剩余寿命预测方法,步骤五中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命的具体过程包括:
步骤501、提取锂离子动力电池的容量历史数据;
步骤502、对提取出的容量历史数据进行高斯降噪处理,降低尖端噪声的影响;
步骤503、将步骤405中得到的辨识参数代入离散化的模型方程中;
步骤504、从预测起始点开始,采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,预测锂离子动力电池的容量值;
步骤505、判断预测的容量值是否到达预先设定的阈值点,并根据锂离子动力电池失效时的电池充放电循环次数,得到锂离子动力电池的剩余寿命。
本发明与现有技术相比具有以下优点:
1、本发明方法步骤简单,设计合理,实现方便。
2、本发明采用经验容量退化模型建立锂离子动力电池的机理模型,依据动力电池性能参数及之间的关联性建立模型,模型的适用性强,也易于获取。
3、本发明采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数;并对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命,动态变化适应性好,估计精度高。
4、本发明在改进的平方根求积分卡尔曼滤波算法中采用LDLT分解对协方差因式进行分解,能够避免开方运算,降低了因式分解的运算量,有效减少了估计所需的时间。
5、本发明能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域,实时性好,精确性高,效果显著,便于推广。
综上所述,本发明方法步骤简单,设计合理,实现方便,能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域,实时性好,精确性高,效果显著,便于推广。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示,本发明的锂离子动力电池剩余寿命预测方法,包括以下步骤:
步骤一、建立锂离子动力电池的经验容量退化模型;
步骤二、以锂离子动力电池容量为状态变量,根据经验容量退化模型建立离散时间的状态方程和观测方程;
步骤三、确定Gauss-Hermite求积分公式的求积分点大小及求积分点所对应的权值;
步骤四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数;
步骤五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命。
本实施例中,步骤一中所述锂离子动力电池的经验容量退化模型采用单指数模型,表示为:
Ck=ηcCk-1+β1exp(-β2/Δtk-1)
其中,Ck表示第k次充放电循环的锂离子动力电池容量值,Ck-1表示第k-1次充放电循环的锂离子动力电池容量值,ηc表示库伦效率,β1和β2均为模型的待辨识参数,Δtk-1表示第k-1个到第k个电池充放电周期的休息时间。
具体实施时,ηc取值为0.97,Δtk-1取值为600。
本实施例中,步骤二中所述离散时间的状态方程为:
其中,β1,k表示模型辨识参数β1的当前时刻估计值,β1,k-1表示模型辨识参数β1的上一时刻估计值,表示在上一时刻对模型辨识参数β1施加的零均值高斯白噪声,β2,k表示模型辨识参数β2的当前时刻估计值,β2,k-1表示模型辨识参数β2的上一时刻估计值,表示在上一时刻对模型辨识参数β2施加的零均值高斯白噪声,表示对锂离子动力电池容量值Ck施加的零均值高斯白噪声;
所述离散时间的观测方程为:
Zk=Ck+ψk
其中,Zk表示第k周期的电池容量观测值,ψk表示对电池容量观测值Zk施加的零均值高斯白噪声。
本实施例中,步骤三中所述Gauss-Hermite求积分公式为:
其中,x为一标量,g(x)为求积分函数,xi为求积分点,Ai为权值,m为求积分点的数量。
本实施例中,步骤三中所述求积分点大小及求积分点所对应的权值采用正交多项式与三对角矩阵的关系进行计算,具体过程包括:选取一个对称的三对角矩阵J,其对角线上全是0元素,表示为求积分点其中,λi代表矩阵J的第i个特征值,权值其中,(νi)1表示特征值对应标准化特征向量的第一个元素。
本实施例中,步骤四中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数的具体过程包括:
步骤401、提取锂离子动力电池的容量数据;
具体实施时,首先在恒定电流模式下对锂离子动力电池进行充电,直到电池电压达到3.75V;然后在恒定电压的模式下继续充电,直到充电电流降至6A,充电完毕;然后在室温(24摄氏度)条件下,以恒定电流放电,进行常规退化性能测试,测得的容量数据趋势呈现出明显的退化特征,当测得的锂离子电池容量达到寿命终止(EOL)标准条件时,即终止实验,记录锂离子动力电池每个充放电循环的容量真实数据;
步骤402、对提取出的容量数据进行高斯降噪处理,降低尖端噪声的影响;
步骤403、离散化状态方程与观测方程;
步骤404、采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,并采用加噪声的容量数据修正求解到的容量值;
具体实施时,采用加噪声的容量数据修正求解到的容量值的过程中,过程噪声方差Q=0.001,量测噪声方差R=0.001,在相同的参数及初始值的情况下,对估计值采取蒙特卡洛求平均,以降低误差,提高估计的准确度,蒙特卡洛次数设定为1000次。
步骤405、跟踪锂离子动力电池容量值的同时得到模型的辨识参数。
本实施例中,步骤404中所述改进的平方根求积分卡尔曼滤波算法包括时间更新和测量更新;
所述时间更新的具体过程包括:
时间k时刻函数的后验概率密度表示为:
其中,p(xk-1|z1:k-1)表示后验概率密度,表示服从正态分布的函数,xk-1表示k-1时刻的状态变量值,z1:k-1={z1,z2,...,zk-1}表示从初始时刻到k-1时刻的观测值,表示初始均值,Pk-1|k-1表示初始协方差;
具体实施时,采用LDLT分解对协方差因式进行分解,能够避免开方运算,降低了因式分解的运算量,有效减少估计所需的时间;
其中,Xl,k-1|k-1表示状态变量,ξl为Gauss-Hermite求积分点向量,mn为点向量的个数;
采用定义矩阵计算预测协方差矩阵的平方根:
所述测量更新的具体过程包括:
评估非线性量测函数传递的Gauss求积分点:
Zl,k|k-1=Dk-1Xl,k|k-1,l=1,2,...,mn
其中,Zl,k|k-1表示非线性量测函数传递的Gauss求积分点,Dk-1表示测量矩阵;
具体实施时,Dk-1=(001);
采用定义矩阵估计新息协方差矩阵平方根:
其中,Zk|k-1表示计算新息协方差矩阵平方根的过渡矩阵,Szz,k|k-1表示新息协方差矩阵平方根,Rk为新息协方差;
采用定义矩阵估计互协方差矩阵:
本实施例中,步骤五中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命的具体过程包括:
步骤501、提取锂离子动力电池的容量历史数据;
步骤502、对提取出的容量历史数据进行高斯降噪处理,降低尖端噪声的影响;
步骤503、将步骤405中得到的辨识参数代入离散化的模型方程中;
步骤504、从预测起始点开始,采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,预测锂离子动力电池的容量值;
步骤505、判断预测的容量值是否到达预先设定的阈值点,并根据锂离子动力电池失效时的电池充放电循环次数,得到锂离子动力电池的剩余寿命。
为了验证本发明的技术效果,分别采用一阶扩展卡尔曼滤波算法、无迹滤波算法、求积分卡尔曼滤波算法和本发明的改进的平方根求积分卡尔曼滤波算法对锂离子动力电池进行仿真对比试验,具体估计误差如表1所示。
表1仿真对比试验误差统计
从表1中能够看出,本发明的改进的平方根求积分卡尔曼滤波算法的估计最大误差为0.2839,平均绝对误差为0.0091,最小均方误差为0.0219,所有的估计误差均为最小,说明本发明算法具有很高的电池容量估计精度,也就有很高的电池剩余寿命预测精度,相比于其他算法具有较高的提升,对锂离子动力电池的动态适应性好,精度较高。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种锂离子动力电池剩余寿命预测方法,其特征在于,包括以下步骤:
步骤一、建立锂离子动力电池的经验容量退化模型;
步骤二、以锂离子动力电池容量为状态变量,根据经验容量退化模型建立离散时间的状态方程和观测方程;
步骤三、确定Gauss-Hermite求积分公式的求积分点大小及求积分点所对应的权值;
步骤四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数;
步骤五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命。
2.按照权利要求1所述的一种锂离子动力电池剩余寿命预测方法,其特征在于,步骤一中所述锂离子动力电池的经验容量退化模型采用单指数模型,表示为:
Ck=ηcCk-1+β1exp(-β2/Δtk-1)
其中,Ck表示第k次充放电循环的锂离子动力电池容量值,Ck-1表示第k-1次充放电循环的锂离子动力电池容量值,ηc表示库伦效率,β1和β2均为模型的待辨识参数,Δtk-1表示第k-1个到第k个电池充放电周期的休息时间。
3.按照权利要求1所述的一种锂离子动力电池剩余寿命预测方法,其特征在于,步骤二中所述离散时间的状态方程为:
其中,β1,k表示模型辨识参数β1的当前时刻估计值,β1,k-1表示模型辨识参数β1的上一时刻估计值,表示在上一时刻对模型辨识参数β1施加的零均值高斯白噪声,β2,k表示模型辨识参数β2的当前时刻估计值,β2,k-1表示模型辨识参数β2的上一时刻估计值,表示在上一时刻对模型辨识参数β2施加的零均值高斯白噪声,表示对锂离子动力电池容量值Ck施加的零均值高斯白噪声;
所述离散时间的观测方程为:
Zk=Ck+ψk
其中,Zk表示第k周期的电池容量观测值,ψk表示对电池容量观测值Zk施加的零均值高斯白噪声。
6.按照权利要求1所述的一种锂离子动力电池剩余寿命预测方法,其特征在于,步骤四中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计,得到模型的辨识参数的具体过程包括:
步骤401、提取锂离子动力电池的容量数据;
步骤402、对提取出的容量数据进行高斯降噪处理,降低尖端噪声的影响;
步骤403、离散化状态方程与观测方程;
步骤404、采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,并采用加噪声的容量数据修正求解到的容量值;
步骤405、跟踪锂离子动力电池容量值的同时得到模型的辨识参数。
7.按照权利要求6所述的一种锂离子动力电池剩余寿命预测方法,其特征在于,步骤404中所述改进的平方根求积分卡尔曼滤波算法包括时间更新和测量更新;
所述时间更新的具体过程包括:
时间k时刻函数的后验概率密度表示为:
其中,p(xk-1|z1:k-1)表示后验概率密度,表示服从正态分布的函数,xk-1表示k-1时刻的状态变量值,z1:k-1={z1,z2,...,zk-1}表示从初始时刻到k-1时刻的观测值,表示初始均值,Pk-1|k-1表示初始协方差;
其中,Xl,k-1|k-1表示状态变量,ξl为Gauss-Hermite求积分点向量,mn为点向量的个数;
采用定义矩阵计算预测协方差矩阵的平方根:
所述测量更新的具体过程包括:
评估非线性量测函数传递的Gauss求积分点:
Zl,k|k-1=Dk-1Xl,k|k-1,l=1,2,...,mn
其中,Zl,k|k-1表示非线性量测函数传递的Gauss求积分点,Dk-1表示测量矩阵;
采用定义矩阵估计新息协方差矩阵平方根:
其中,Zk|k-1表示计算新息协方差矩阵平方根的过渡矩阵,Szz,k|k-1表示新息协方差矩阵平方根,Rk为新息协方差;
采用定义矩阵估计互协方差矩阵:
8.按照权利要求6所述的一种锂离子动力电池剩余寿命预测方法,其特征在于,步骤五中所述采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计,得出锂离子动力电池的剩余寿命的具体过程包括:
步骤501、提取锂离子动力电池的容量历史数据;
步骤502、对提取出的容量历史数据进行高斯降噪处理,降低尖端噪声的影响;
步骤503、将步骤405中得到的辨识参数代入离散化的模型方程中;
步骤504、从预测起始点开始,采用改进的平方根求积分卡尔曼滤波算法求解离散化后的经验容量退化模型,预测锂离子动力电池的容量值;
步骤505、判断预测的容量值是否到达预先设定的阈值点,并根据锂离子动力电池失效时的电池充放电循环次数,得到锂离子动力电池的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110568605.0A CN113392507A (zh) | 2021-05-25 | 2021-05-25 | 一种锂离子动力电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110568605.0A CN113392507A (zh) | 2021-05-25 | 2021-05-25 | 一种锂离子动力电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113392507A true CN113392507A (zh) | 2021-09-14 |
Family
ID=77618917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110568605.0A Pending CN113392507A (zh) | 2021-05-25 | 2021-05-25 | 一种锂离子动力电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392507A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 西安科技大学 | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 |
CN113945818A (zh) * | 2021-10-26 | 2022-01-18 | 电子科技大学 | 一种mosfet寿命预测方法 |
CN114417686A (zh) * | 2022-01-20 | 2022-04-29 | 哈尔滨工业大学 | 一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法 |
CN114936514A (zh) * | 2022-04-20 | 2022-08-23 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
CN107145645A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 带不确定冲击的非平稳退化过程剩余寿命预测方法 |
CN109977552A (zh) * | 2019-03-28 | 2019-07-05 | 中国人民解放军火箭军工程大学 | 一种考虑状态检测影响的设备剩余寿命预测方法及系统 |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 西安科技大学 | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 |
CN112230154A (zh) * | 2019-07-15 | 2021-01-15 | 中国科学院沈阳自动化研究所 | 一种锂电池剩余寿命预测方法 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
-
2021
- 2021-05-25 CN CN202110568605.0A patent/CN113392507A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
CN107145645A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 带不确定冲击的非平稳退化过程剩余寿命预测方法 |
CN109977552A (zh) * | 2019-03-28 | 2019-07-05 | 中国人民解放军火箭军工程大学 | 一种考虑状态检测影响的设备剩余寿命预测方法及系统 |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
CN112230154A (zh) * | 2019-07-15 | 2021-01-15 | 中国科学院沈阳自动化研究所 | 一种锂电池剩余寿命预测方法 |
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 西安科技大学 | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
IENKARAN ARASARATNAM ET AL: "Square-Root Quadrature Kalman Filtering", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
MENGTAO HUANG ET AL: "Quadrature Kalman filter–based state of charge estimation for lithium-ion battery", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
傅建平: "基于无迹粒子滤波的锂离子电池剩余循环寿命预测研究", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》 * |
王玉斐: "基于模型的锂离子电池剩余寿命预测方法", 《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 西安科技大学 | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 |
CN112098849B (zh) * | 2020-09-19 | 2023-10-13 | 西安科技大学 | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 |
CN113945818A (zh) * | 2021-10-26 | 2022-01-18 | 电子科技大学 | 一种mosfet寿命预测方法 |
CN114417686A (zh) * | 2022-01-20 | 2022-04-29 | 哈尔滨工业大学 | 一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法 |
CN114417686B (zh) * | 2022-01-20 | 2023-02-03 | 哈尔滨工业大学 | 一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法 |
CN114936514A (zh) * | 2022-04-20 | 2022-08-23 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
CN114936514B (zh) * | 2022-04-20 | 2022-12-02 | 东北电力大学 | 一种基于改进灰色模型的锂离子电池寿命预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN110058160B (zh) | 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN117022048A (zh) | 一种电动汽车电池荷电状态的评估方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
Liu et al. | RBF network-aided adaptive unscented kalman filter for lithium-ion battery SOC estimation in electric vehicles |
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 |