CN113406525B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113406525B CN113406525B CN202110658203.XA CN202110658203A CN113406525B CN 113406525 B CN113406525 B CN 113406525B CN 202110658203 A CN202110658203 A CN 202110658203A CN 113406525 B CN113406525 B CN 113406525B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- battery pack
- data sequence
- discharge
- charge
- 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.)
- Active
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了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,测量锂电池组随着充放电周期的放电容量数据序列,并生成充放电周期数据序列;采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成本征模态分量数据序列;生成放电容量退化趋势分量数据序列与噪声分量数据序列;应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列;应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列;计算锂电池组未来充放电周期的放电容量数据序列;基于锂电池组失效阈值,计算锂电池组的剩余寿命。本发明具有误差小、预测精度高的优点。
Description
技术领域
本发明涉及电池技术领域,尤其涉及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。
背景技术
锂电池作为燃油的替代品,因其比能量高、比功率大、自放电率低等特点,在电动汽车上广泛装备成组使用。由于其强环境依赖性,在电动汽车使用过程中锂电池组健康状态不断恶化,导致用户对电动汽车的续航里程与安全问题感到担忧,因此,为了提前预知锂电池组的健康状态,对其剩余寿命进行精准预测必不可少。
锂电池组的健康状况一般用作锂电池组容量老化程度的量化指标,而放电容量数据在不断的充放电循环测试中获得,其数据获取过程不可避免存在各种因素影响,从而导致对锂电池组的剩余寿命无法精确预测。
变分模态分解是一种新兴的信号处理方法,通过确定每个分量的频率中心和带宽,能够提取锂电池组退化趋势数据,将不同程度的噪声数据分离,而其模态层数对分解结果至关重要,但一直未有统一的模态层数的确定规则。粒子滤波是通过从后验概率中抽取的随机状态粒子表示数据分布的顺序重要性采样法,提高其观测初值对提高粒子滤波预测精度有一定意义。高斯过程回归是一种具有泛用性和可解析性的概率模型,在时间序列分析问题中广泛应用。通过优选变分模态分解模态层数,利用优化后的变分模态分解生成本征模态函数,本征模态函数生成锂电池组放电容量退化趋势分量与噪声数据分量,对锂电池组放电容量退化趋势与噪声数据分别采用粒子滤波与高斯过程回归进行预测,最后基于粒子滤波与高斯过程回归的预测结果,对锂电池组未来充放电周期的放电容量与剩余寿命进行预测,有效提高寿命预测的精度、效率与泛化能力。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供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,能够有效反应锂电池组放电容量的退化,精确预测锂电池组的剩余寿命。
本发明是通过以下技术方案实现的:
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,具体包括以下步骤:
S1、测量锂电池组随着充放电周期的放电容量数据序列,并生成充放电周期数据序列;
S2、采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成本征模态分量数据序列;
S3、基于本征模态分量数据序列生成放电容量退化趋势分量数据序列与噪声分量数据序列;
S4、基于锂电池组放电容量退化趋势分量数据序列与充放电周期数据序列,应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列;
S5、基于噪声分量数据序列训练集与充放电周期数据序列,应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列;
S6、利用未来充放电周期放电容量退化趋势数据序列与未来充放电周期的噪声数据序列,计算锂电池组未来充放电周期放电容量数据序列;
S7、基于锂电池组失效阈值,计算锂电池组的剩余寿命。
所述步骤S1具体内容如下:
测量的锂电池组随着充放电周期的放电容量数据序列为[C1,...,Ci,...,Cn],其中,Ci为第i(i=1,2,...,n)个充放电周期锂电池组的放电容量,n为充放电周期个数;
锂电池组充放电周期数据序列为[T1,...,Ti,...,Tn],其中,Ti为第i次充放电周期对应的充放电循环次数。
步骤S2所述的采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,具体步骤为:
(a)初始化变分模态分解算法,其中,包括本征模态分解模态层数、迭代次数λ与算法终止条件等,其中,初始本征模态分解模态层数为2;
(b)应用变分模态分解算法将初始放电容量数据序列μ分解为μλ,1、μλ,2,验证μ与μλ,1、μλ,2的Pearson相关性程度,并检验是否达到结束条件1,其中,μλ,1、μλ,2分别为第λ次迭代时μ的两个本征模态分量,所述结束条件1定义为:μ与μλ,1、μλ,2的最大相关显著水平ρλ≥0.05(ρλ=max{ρλ,1,ρλ,2}),即μ与μλ,1、μλ,2的最大相关置信度小于95%;
(c)计算数据序列u',验证μ与u'的Pearson相关程度,并检验是否达到结束条件2,其中,ελ,1为第λ次迭代时μ与μλ,1的相关系数,ελ,2为第λ次迭代时μ与μλ,2的相关系数,所述结束条件2定义为:μ与u'的相关性显著水平ρλ'≥0.05,即μ与u'的相关置信度小于95%;
(d)若两次检验都未达到结束条件,则更新放电容量数据序列μ(μ=μ')与迭代次数λ=λ+1,并重复步骤(b)~(c)直至满足算法结束条件,反之,算法结束,输出对初始放电容量数据序列μ应用变分模态分解时优选后的模态层数个数K=λ'+1,其中,λ'为算法结束时的迭代次数。
所述的采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成的本征模态分量数据序列为: 共K个,其中,j=1,...,K,/>为本征模态分量IMFj在第i个充放电周期的幅值。
所述的步骤S3的具体内容如下:
放电容量退化趋势分量数据序列为IMF1,噪声分量数据序列为IMF2,...,IMFK,共K-1个。
所述的步骤S4的具体内容如下:
非线性最小二乘法优化后的粒子滤波是指:基于锂电池组放电容量退化趋势分量IMF1,应用非线性最小二乘法优化粒子滤波观测方程初始值,具体步骤如下:
(3)输出J(a,b,c,d)最小时所对应的参数a,b,c,d,即为粒子滤波观测方程初始值;
非线性最小二乘法优化后的粒子滤波预测的锂电池组未来充放电周期的放电容量退化趋势数据为对应的非线性最小二乘法优化后的粒子滤波预测的锂电池组未来充放电周期的放电容量退化趋势数据序列为/>其中,l为非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势的充放电周期数起点,/>表示放电容量退化趋势分量IMF1在第l+1个充放电周期的放电容量退化趋势预测值。
所述步骤S5的具体内容如下:
所述的步骤S6的具体内容如下:利用未来充放电周期的放电容量退化趋势数据序列与未来充放电周期的噪声数据序列,计算锂电池组未来充放电周期的放电容量数据序列的方法为:
其中,[Cl+1,predicted,...,Cn,predicted]为预测的锂电池组未来充放电周期的放电容量数据序列。
所述的步骤S7的具体内容如下:
所述的锂电池组失效的容量阈值为锂电池组放电容量下降到标称容量的70%;
所述剩余寿命为锂电池组发生失效前剩余的充放电周期数,RUL=|Ttrue-Tpredicted|,其中,RUL为锂电池组剩余寿命,Ttrue为测量的锂电池组放电容量达到失效阈值时对应的充放电周期数,Tpredicted为预测的锂电池组未来充放电周期的放电容量达到失效阈值时对应的充放电周期数。
本发明的优点是:(1)本发明首次提出基于后验反馈置信度的方法的变分模态分解模态层数确定方法,降低系统工作时间的同时保证最大程度不丢失有效数据;
(2)本发明利用非线性二乘法优化的粒子滤波预测的放电容量退化趋势数据与高斯过程回归预测的噪声数据,对锂离子电池组进行寿命预测,其预测精度明显高于传统的单粒子滤波预测或单高斯过程回归预测。
附图说明
图1是本发明实施例提供的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流程示意图;
图2是本发明实施例提供的锂电池组放电容量退化展示图;
图3是本发明实施例提供的锂电池组数据序列的变分模态分解的数据分解展示图;
图4是本发明实施例提供的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与其他两种方法对锂电池组剩余寿命预测结果对比图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示是本发明实施例提供的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的流程示意图,在图1所示的方法中,包括以下步骤:
S1、测量锂电池组随着充放电周期的放电容量数据序列,并生成充放电周期数据序列。
测量的锂电池组随着充放电周期的放电容量数据序列为[C1,...,Ci,...,Cn],其中,Ci为第i(i=1,2,...,n)个充放电周期锂电池组的放电容量,n为充放电周期个数;
在本发明实施例中,在步骤S1中,锂电池组充放电周期数据序列为[T1,...,Ti,...,Tn],其中,Ti为第i次充放电周期对应的充放电循环次数。
S2、采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成本征模态分量数据序列。
在本发明实施例中,在步骤S2中,采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,具体步骤为:
(a)初始化变分模态分解算法,其中,包括本征模态分解模态层数、迭代次数λ与算法终止条件等,其中,初始本征模态分解模态层数为2;
(b)应用变分模态分解算法将初始放电容量数据序列μ分解为μλ,1、μλ,2,验证μ与μλ,1、μλ,2的Pearson相关性程度,并检验是否达到结束条件1,其中,μλ,1、μλ,2分别为第λ次迭代时μ的两个本征模态分量,所述结束条件1定义为:μ与μλ,1、μλ,2的最大相关显著水平ρλ≥0.05(ρλ=max{ρλ,1,ρλ,2}),即μ与μλ,1、μλ,2的最大相关置信度小于95%;
(c)计算数据序列u',验证μ与u'的Pearson相关程度,并检验是否达到结束条件2,其中,ελ,1为第λ次迭代时μ与μλ,1的相关系数,ελ,2为第λ次迭代时μ与μλ,2的相关系数,所述结束条件2定义为:μ与u'的相关性显著水平ρλ'≥0.05,即μ与u'的相关置信度小于95%;
(d)若两次检验都未达到结束条件,则更新放电容量数据序列μ(μ=μ')与迭代次数λ=λ+1,并重复步骤(b)~(c)直至满足算法结束条件,反之,算法结束,输出对初始放电容量数据序列μ应用变分模态分解时优选后的模态层数个数K=λ'+1,其中,λ'为算法结束时的迭代次数。
采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,并生成的本征模态分量数据序列为: 共K个,其中,j=1,...,K,/>为本征模态分量IMFj在第i个充放电周期的幅值。
S3、基于本征模态分量数据序列生成放电容量退化趋势分量数据序列与噪声分量数据序列。
在本发明实施例中,在步骤S3中,放电容量退化趋势分量数据序列为IMF1,噪声分量数据序列为IMF2,...,IMFK,共K-1个。
S4、基于锂电池组放电容量退化趋势分量数据序列与充放电周期数据序列,应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列。
在本发明实施例中,在步骤S4中,
非线性最小二乘法优化后的粒子滤波指的是:基于锂电池组放电容量退化趋势分量IMF1,应用非线性最小二乘法优化粒子滤波观测方程初始值,具体步骤如下:
(3)输出J(a,b,c,d)最小时所对应的参数a,b,c,d,即为粒子滤波观测方程初始值。
非线性最小二乘法优化后的粒子滤波预测的锂电池组未来充放电周期的放电容量退化趋势数据为对应的非线性最小二乘法优化后的粒子滤波预测的锂电池组未来充放电周期的放电容量退化趋势数据序列为/>其中,l为非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势的充放电周期数起点,/>表示放电容量退化趋势分量IMF1在第l+1个充放电周期的放电容量退化趋势预测值。/>
S5、基于噪声分量数据序列训练集与充放电周期数据序列,应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列。
在本发明实施例中,在步骤S5中,噪声分量数据序列训练集为基于噪声分量数据序列训练集,应用高斯过程回归预测的K-1个锂电池组未来充放电周期的噪声数据序列分别为:/>其中/>表示噪声分量IMFK在第l+1个充放电周期的噪声预测值。
S6、利用未来充放电周期放电容量退化趋势数据序列与未来充放电周期噪声数据序列,计算锂电池组未来充放电周期放电容量数据序列。
在本发明实施例中,在步骤S6中,
利用未来充放电周期的放电容量退化趋势数据序列与未来充放电周期的噪声数据序列,计算锂电池组未来充放电周期的放电容量数据序列的方法为:
其中,[Cl+1,predicted,...,Cn,predicted]为预测的锂电池组未来充放电周期的放电容量数据序列。
S7、基于锂电池组失效阈值,计算锂电池组的剩余寿命。
在本发明实施例中,在步骤S7中,锂电池组失效的容量阈值为锂电池组放电容量下降到标称容量的70%。剩余寿命为锂电池组发生失效前剩余的充放电周期数,RUL=|Ttrue-Tpredicted|,其中,RUL为锂电池组剩余寿命,Ttrue为测量的锂电池组放电容量达到失效阈值时对应的充放电周期数,Tpredicted为预测的锂电池组未来充放电周期的放电容量达到失效阈值时对应的充放电周期数。
为展示本发明提出的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的过程与估计性能,在此以一个实例说明。
实验室中以某品牌六节额定容量为2.4Ah、放电容量为2.2Ah的磷酸铁锂电池串联成组,对锂电池组进行充放电实验,充电阶段以1.2A电流恒流充电,当锂电池组端电压达到24.9V,保持端电压不变继续充电,当充电电流降至48mA,充电结束。搁置10s后以2A电流恒流放电,当锂电池组端电压降至19.3V,放电结束。对锂电池组重复充放电,当锂电池组放电容量低于额定容量的65%,实验结束。实验共计729充放电循环,图2中展示了锂电池组放电容量随着充放电周期的退化过程。基于实验室测得的随着充放电周期锂电池组放电容量退化数据,预测锂电池组剩余寿命,具体操作步骤如下:
(1)基于实验室中测得的锂电池组数据,共计729组数据序列。
(2)采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优选变分模态分解模态层数,得到该锂电池组数据序列的最佳变分模态分解模态层数为4,并生成本征模态分量数据序列,图3为锂电池组数据应用变分模态分解后生成本征模态分量数据序列图。
(3)基于本征模态分量数据序列生成放电容量退化趋势分量数据序列IMF1与噪声分量数据序列IMF2,IMF3,IMF4。
(4)基于锂电池组放电容量退化趋势分量数据序列IMF1与充放电周期数据序列,应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列,预测起点为第365个充放电周期。
(5)基于噪声分量数据序列IMF2、IMF3、IMF4训练集与充放电周期数据序列,以第365个充放电周期为起点,应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列。
(6)利用未来充放电周期的放电容量退化趋势数据序列与未来充放电周期的噪声数据序列,计算锂电池组未来充放电周期的放电容量数据序列。
(7)计算锂电池组失效阈值为1.68Ah,计算锂电池组的剩余寿命。
与此同时,为验证本发明提出方法的优越性,采用粒子滤波与高斯过程回归与本发明提出的方法进行对比实验,图4为三种方法的预测结果对比图,表2为三种方法对锂电池组剩余寿命的预测结果的平均绝对百分比误差与均方根误差。
表1
表2
从对锂电池组剩余寿命预测的结果对比图与误差表中可以看出,本发明提出的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计算的未来充放电周期的放电容量退化数据与真实放电容量退化数据更加贴合,同样的结论可从表1中得出。本发明提出的锂电池组剩余寿命预测方法的平均绝对百分比误差与均方根误差均低于单独的粒子滤波预测与高斯过程回归预测。与此同时,针对锂电池组失效阈值的预测,本发明提出的混合预测方法误差周期为9,而粒子滤波与高斯过程回归的误差周期分别为50、31,显然本发明提出的寿命预测方法的精度更高。综上,本发明提出的一种基于优化变分模态分解锂电池组的剩余寿命预测方法具有误差小、效率高等优点。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于优化变分模态分解的锂电池组剩余寿命预测方法,其特征在于:具体包括以下步骤:
S1、测量锂电池组随着充放电周期的放电容量数据序列,并生成充放电周期数据序列;
S2、采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优化变分模态分解模态层数,并生成本征模态分量数据序列;
S3、基于本征模态分量数据序列生成放电容量退化趋势分量数据序列与噪声分量数据序列;
S4、基于锂电池组放电容量退化趋势分量数据序列与充放电周期数据序列,应用非线性最小二乘法优化后的粒子滤波预测锂电池组未来充放电周期的放电容量退化趋势数据序列;
S5、基于噪声分量数据序列训练集与充放电周期数据序列,应用高斯过程回归建立噪声预测模型,预测锂电池组未来充放电周期的噪声数据序列;
S6、利用未来充放电周期放电容量退化趋势数据序列与未来充放电周期的噪声数据序列,计算锂电池组未来充放电周期放电容量数据序列;
S7、基于锂电池组失效阈值,计算锂电池组的剩余寿命;
所述步骤S1具体内容如下:
测量的锂电池组随着充放电周期的放电容量数据序列为[C1,...,Ci,...,Cn],其中,Ci为第i个充放电周期锂电池组的放电容量,n为充放电周期个数,i=1,2,K,n;
锂电池组充放电周期数据序列为[T1,...,Ti,...,Tn],其中,Ti为第i次充放电周期对应的充放电循环次数;
步骤S2所述的采用后验反馈置信度的方法处理锂电池组放电容量数据序列,优化变分模态分解模态层数,具体步骤为:
(a)初始化变分模态分解算法,其中,包括本征模态分解模态层数、迭代次数λ与算法终止条件,其中,初始本征模态分解模态层数为2;
(b)应用变分模态分解算法将初始放电容量数据序列μ分解为μλ,1、μλ,2,验证μ与μλ,1、μλ,2的Pearson相关性程度,并检验是否达到结束条件1,其中,μλ,1、μλ,2分别为第λ次迭代时μ的两个本征模态分量,所述结束条件1定义为:μ与μλ,1、μλ,2的最大相关显著水平ρλ≥0.05,ρλ=max{ρλ,1,ρλ,2},即μ与μλ,1、μλ,2的最大相关置信度小于95%;
(c)计算数据序列u',验证μ与u'的Pearson相关程度,并检验是否达到结束条件2,其中,ελ,1为第λ次迭代时μ与μλ,1的相关系数,ελ,2为第λ次迭代时μ与μλ,2的相关系数,所述结束条件2定义为:μ与u'的相关性显著水平ρλ'≥0.05,即μ与u'的相关置信度小于95%;
(d)若两次检验都未达到结束条件,则更新放电容量数据序列μ,μ=μ'与迭代次数λ=λ+1,并重复步骤(b)~(c)直至满足算法结束条件,反之,算法结束,输出对初始放电容量数据序列μ应用变分模态分解时优化后的模态层数个数K=λ'+1,其中,λ'为算法结束时的迭代次数;
所述的步骤S4的具体内容如下:
非线性最小二乘法优化后的粒子滤波是指:基于锂电池组放电容量退化趋势分量IMF1,应用非线性最小二乘法优化粒子滤波观测方程初始值,具体步骤如下:
(3)输出J(a,b,c,d)最小时所对应的参数a,b,c,d,即为粒子滤波观测方程初始值;
3.根据权利要求1所述的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,其特征在于:所述的步骤S3的具体内容如下:
放电容量退化趋势分量数据序列为IMF1,噪声分量数据序列为IMF2,...,IMFK,共K-1个。
6.根据权利要求1所述的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,其特征在于:所述的步骤S7的具体内容如下:
所述的锂电池组失效的容量阈值为锂电池组放电容量下降到标称容量的70%;
所述剩余寿命为锂电池组发生失效前剩余的充放电周期数,RUL=|Ttrue-Tpredicted|,其中,RUL为锂电池组剩余寿命,Ttrue为测量的锂电池组放电容量达到失效阈值时对应的充放电周期数,Tpredicted为预测的锂电池组未来充放电周期的放电容量达到失效阈值时对应的充放电周期数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658203.XA CN113406525B (zh) | 2021-06-15 | 2021-06-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658203.XA CN113406525B (zh) | 2021-06-15 | 2021-06-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406525A CN113406525A (zh) | 2021-09-17 |
CN113406525B true CN113406525B (zh) | 2023-06-02 |
Family
ID=77683813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658203.XA Active CN113406525B (zh) | 2021-06-15 | 2021-06-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113406525B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024010175A1 (en) * | 2022-07-07 | 2024-01-11 | Samsung Electronics Co., Ltd. | Method and electronic device for forecasting remaining useful life (rul) of battery |
CN115494418A (zh) * | 2022-11-22 | 2022-12-20 | 湖北工业大学 | 基于时间序列分解算法的锂电池单体异常检测方法及系统 |
CN115877223B (zh) * | 2023-03-03 | 2023-07-04 | 浙江天能新材料有限公司 | 锂电池检测方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003092836A (ja) * | 2001-09-19 | 2003-03-28 | Internatl Business Mach Corp <Ibm> | 電気機器、コンピュータ装置、インテリジェント電池、総容量補正方法、劣化量認識方法、およびプログラム |
WO2009091407A2 (en) * | 2008-01-18 | 2009-07-23 | Medtronic, Inc | Estimating remaining battery service life in an implantable medical device |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110515364A (zh) * | 2019-07-15 | 2019-11-29 | 北京工业大学 | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 |
CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及系统 |
CN111143973A (zh) * | 2019-12-05 | 2020-05-12 | 云南电网有限责任公司玉溪供电局 | 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711523B2 (en) * | 2001-05-24 | 2004-03-23 | Simmonds Precision Products, Inc. | Method and apparatus for determining a condition indicator for use in evaluating the health of a component |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
-
2021
- 2021-06-15 CN CN202110658203.XA patent/CN113406525B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003092836A (ja) * | 2001-09-19 | 2003-03-28 | Internatl Business Mach Corp <Ibm> | 電気機器、コンピュータ装置、インテリジェント電池、総容量補正方法、劣化量認識方法、およびプログラム |
WO2009091407A2 (en) * | 2008-01-18 | 2009-07-23 | Medtronic, Inc | Estimating remaining battery service life in an implantable medical device |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110515364A (zh) * | 2019-07-15 | 2019-11-29 | 北京工业大学 | 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法 |
CN111143973A (zh) * | 2019-12-05 | 2020-05-12 | 云南电网有限责任公司玉溪供电局 | 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法 |
CN110988694A (zh) * | 2019-12-17 | 2020-04-10 | 南京航空航天大学 | 针对容量再生的锂离子电池剩余寿命预测方法及系统 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN112348185A (zh) * | 2020-11-04 | 2021-02-09 | 上海海事大学 | 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Capacity Prognostics of Lithium-Ion Batteries using EMD Denoising and Multiple Kernel RVM;Chaolong Zhang等;《 IEEE Access 》;全文 * |
基于 EEMD 和 MKRVM 的锂电池剩余寿命预测方法;张朝龙;《电力系统及其自动化学报》;第第30卷卷(第第7期期);全文 * |
基于改进 VMD 算法的液压泵寿命状态检测方法;宣元等;《液压与气动》(第第10期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113406525A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113406525B (zh) | 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 | |
Xiong et al. | Lithium-ion battery health prognosis based on a real battery management system used in electric vehicles | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
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 | |
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 | |
CN113238157B (zh) | 一种通过对电动汽车退役电池进行ai检测来筛选的方法 | |
CN112103580B (zh) | 一种基于等效内阻的锂电池充电方法 | |
CN112434463B (zh) | 一种车辆复合电源能量管理系统 | |
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 | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
CN116298914A (zh) | 基于深度学习的锂电池荷电状态与健康状态联合估计方法 | |
CN113109716B (zh) | 一种基于电化学模型的锂电池sop估算方法 | |
CN114545279A (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN111257770A (zh) | 一种电池包功率估算方法 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
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 | |
CN114252797B (zh) | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 | |
CN113075560B (zh) | 一种动力锂离子电池健康状态在线预估方法 | |
CN115113053A (zh) | 一种基于高自适应性滤波算法的锂电池soc估计方法 | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
CN115047346A (zh) | 一种锂电池soc估计的高阶卡尔曼滤波算法 | |
Li et al. | Self-adaptive current charging strategy considering the variation of internal resistance of Li-ion battery |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230509 Address after: No. 99 Jiangning Road, Nanjing District hirokage 211169 cities in Jiangsu Province Applicant after: JINLING INSTITUTE OF TECHNOLOGY Address before: 246133 No. 1318 Jixian North Road, Anqing City, Anhui Province Applicant before: ANQING NORMAL University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |