CN113504473A - 一种适用动力锂电池非线性衰退过程的rul预测方法 - Google Patents
一种适用动力锂电池非线性衰退过程的rul预测方法 Download PDFInfo
- Publication number
- CN113504473A CN113504473A CN202111058653.1A CN202111058653A CN113504473A CN 113504473 A CN113504473 A CN 113504473A CN 202111058653 A CN202111058653 A CN 202111058653A CN 113504473 A CN113504473 A CN 113504473A
- Authority
- CN
- China
- Prior art keywords
- capacity
- lithium battery
- value
- empirical model
- battery
- 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.)
- Granted
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]
- G01R31/367—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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种适用动力锂电池非线性衰退过程的RUL预测方法,所述预测方法包括:S1、使用以GPR为核心的数据驱动方法对数据进行训练;S2、建立电池容量退化的经验模型或;S3、融合GPR模型和经验模型的结果进行跟踪,得容量值;S4、将步骤S3中容量值带入经验模型参数粒子滤波器中滤波修正得,再将修正参数后的经验模型返回至步骤S3;S5、循环执行步骤S3、S4,当电池容量估计值逼近失效阈值,计算出当前电池容量下的剩余寿命。本发明提供了能够减小经验模型在滤波过程中的误差,实时地调整模型达到更优的容量预测结果,根据容量失效阈值来计算出电池当前的剩余使用寿命。
Description
技术领域
本发明涉及动力锂电池应用领域,具体是一种适用动力锂电池非线性衰退过程的RUL预测方法,特别适用于动力锂电池非线性衰退过程的经验-数据融合的剩余寿命预测方法。
背景技术
目前针对剩余寿命预测的基于经验模型的方法是依照历史数据进行经验模型拟合,通过滤波器进行滤除状态与观测噪声的干扰,进行健康状态追踪完成估计。但是,经验模型是根据一块或有限的几块电池历史数据建立,应用到其他电池单体可能出现拟合效果不理想的情况,应对加速退化过程将会得到误差较大的预测结果。基于数据驱动方法进行寿命预测是以电池的电压、电流等数据为基础,通过数据挖掘跟电池健康寿命相关的隐含信息实现容量的判断或预测,并不需要知道电池内部的物理化学变化,但是数据驱动方法依赖于训练数据的有效性和训练方法的选择,若单一的依赖于数据驱动方法来训练早期退化信息较少的数据,可能导致加速老化阶段的结果不合理。基于两者联合的方法通常采用以数据驱动方法映射系统健康状态和特征之间的关系,使用分析模型(如经验退化模型)实现容量预测,当电池容量接近失效阈值时计算RUL。在此种方法下,预测结果的准确性很大程度上依赖于数据驱动方法对于状态估计的准确性,但目前为止应对容量跳水现象的融合方法的研究还较少,若以融合方法进行寿命预测,那么关键是提高估计方法的泛化能力。
发明内容
针对上述问题,本发明提供了一种适用动力锂电池非线性衰退过程的RUL预测方法,提出双粒子滤波的估计算法,将基于电压片段进行训练的高斯过程回归(GaussianProcess Regression, GPR)和经验模型两者当前时刻的容量估计结果通过粒子滤波器融合,将得到的新容量输入至第二个粒子滤波器中对经验模型的参数进行修正使其更贴近真实的容量变化过程,减小经验模型在滤波过程中的误差,当容量处于加速衰减的阶段中,能实时地调整模型达到更优的容量预测结果,根据容量失效阈值,通过近似后验概率密度分布计算出电池当前的剩余使用寿命。
本发明的技术方案是:
一种适用动力锂电池非线性衰退过程的RUL预测方法,所述预测方法包括以下步骤:
S5、循环执行步骤S3、S4,直至锂电池的容量的估计值逼近失效阈值,计算出当前锂电池容量下的剩余寿命。
上述技术方案的有益效果如下:
本发明旨在实现对动力锂电池非线性衰退过程的剩余使用寿命进行预测,基于电压片段的机器学习方法能够得到当前时刻准确度较高的容量值。通过双粒子滤波的算法框架,实时地对经验模型参数进行调整更新以减小经验模型与真实值的误差,同时更新容量的估计值以完成对剩余使用寿命的预测,并且本发明在应对加速老化的非线性阶段时,能够在缺少加速退化信息的情况下,对经验模型作出自适应调整,并表现出准确度较高的预测结果。
在进一步的技术方案中,步骤S1中,对所述锂电池的充电数据进行训练包括依次进行的充电电压片段的数据特征提取和高斯回归过程训练。
通过对电池充电数据进行数据特征提取和高斯回归过程训练来进行分析,寻找合适的电压片段。
在进一步的技术方案中,步骤S3和S4中的粒子滤波为双粒子滤波算法。
双粒子滤波算法可以实时地对经验模型做出调整,估计出更贴近真实值的容量。
在进一步的技术方案中,步骤S5中,所述失效阈值等于锂电池额定容量的80%。
当容量估计值小于等于失效阈值时,即判定其电池失效需要进行更换。
本发明的有益效果是:
1、本发明旨在实现对动力锂电池非线性衰退过程的剩余使用寿命进行预测,基于电压片段的机器学习方法能够得到当前时刻准确度较高的容量值。通过双粒子滤波的算法框架,实时地对经验模型参数进行调整更新以减小经验模型与真实值的误差,同时更新容量的估计值以完成对剩余使用寿命的预测,并且本发明在应对加速老化的非线性阶段时,能够在缺少加速退化信息的情况下,对经验模型作出自适应调整,并表现出准确度较高的预测结果;
2、通过对电池充电数据进行数据特征提取和高斯回归过程训练来进行分析,寻找合适的电压片段;
3、双粒子滤波算法可以实时地对经验模型做出调整,估计出更贴近真实值的容量;
4、当容量估计值小于等于失效阈值时,即判定其电池失效需要进行更换。
附图说明
图1是本发明所述机器学习方法的流程图一;
图2是本发明所述提粒子滤波算法的流程图二;
图3是本发明所述提算法的整体流程图三;
图4是本发明实施例所述容量估计的结果示意图一;
图5是本发明实施例所述寿命预测的结果示意图二。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例:首先对电池充电数据进行分析,寻找合适的电压片段,如图1所示,以GPR对数据集进行训练,建立电压片段和电池容量的联系。再对电池寿命数据进行处理,对容量进行曲线拟合以找出适合的经验模型。图2所示为标准粒子滤波算法流程,图3所示为本发明的整体算法框架,采用双粒子滤波算法对输入数据进行处理完成容量估计(如图4)和剩余使用寿命预测(如图5)。
以下将以实施例的方式对本发明的各个关键环节进行逐一说明:
1、数据处理
1)数据特征提取
分析电池充电数据,选择合适的充电电压片段作为GPR算法的特征输入。
2)高斯回归过程训练
高斯过程表示为:
核函数设计没有具体规则,但都必须满足Mercer条件,本实施例中核函数如下:
2、经验模型建立
对锂电池进行函数模型拟合出电池容量与循环次数的关系曲线,即容量退化曲线,本实施例中所采取的经验模型如下:
3、双粒子滤波算法实施
粒子滤波算法实际是贝叶斯滤波的一种实现。若已知状态的初始概率密度函数为:( 表示初始状态,是初始观测值),其状态转移概率表示为,其意义是由上一时刻状态得到当前时刻的概率,观测概率模型:,表示在当前时刻状态值下得到观测值的概率,主要步骤如下:
如图2,其标准算法流程如下:
第一滤波器:
状态方程和观测方程如下:
第二滤波器
4、计算RUL
RUL指在机器维修或更换前的运行时长, 对于电池来说,其使用寿命通常定义为满充的循环次数,电动汽车的动力锂电池的容量下降至80%即判定其失效需要更换。因此,选取0.8(表示锂电池额定容量)作为寿命终止的临界值(EOL)。当时,锂电池寿命终止。在循环次数时,对第步的预测表示为:
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种适用动力锂电池非线性衰退过程的RUL预测方法,其特征在于,所述预测方法包括以下步骤:
S5、循环执行步骤S3、S4,直至锂电池的容量的估计值逼近失效阈值,计算出当前锂电池容量下的剩余寿命。
2.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法,其特征在于,步骤S1中,对所述锂电池的充电数据进行训练包括依次进行的充电电压片段的数据特征提取和高斯回归过程训练。
3.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法,其特征在于,步骤S3和S4中的粒子滤波为双粒子滤波算法。
4.根据权利要求1所述的一种适用动力锂电池非线性衰退过程的RUL预测方法,其特征在于,步骤S5中,所述失效阈值等于锂电池额定容量的80%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058653.1A CN113504473B (zh) | 2021-09-10 | 2021-09-10 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058653.1A CN113504473B (zh) | 2021-09-10 | 2021-09-10 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504473A true CN113504473A (zh) | 2021-10-15 |
CN113504473B CN113504473B (zh) | 2021-12-10 |
Family
ID=78017096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058653.1A Active CN113504473B (zh) | 2021-09-10 | 2021-09-10 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504473B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330149A (zh) * | 2022-03-11 | 2022-04-12 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114879071A (zh) * | 2022-05-17 | 2022-08-09 | 北京交通大学 | 一种基于平均电压的锂离子电池老化模式在线诊断方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041698A1 (en) * | 2011-10-27 | 2012-02-16 | Sakti3, Inc. | Method and system for operating a battery in a selected application |
CN103852725A (zh) * | 2012-11-30 | 2014-06-11 | 凹凸电子(武汉)有限公司 | 用于估算电池剩余容量的设备、方法及系统 |
FR3016218A1 (fr) * | 2014-01-03 | 2015-07-10 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
JP2017026443A (ja) * | 2015-07-22 | 2017-02-02 | スズキ株式会社 | 二次電池の充電状態推定装置 |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN108510120A (zh) * | 2018-04-03 | 2018-09-07 | 浙江工业大学 | 一种往复式混输泵排出流率的混合建模与预测方法 |
CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
US20190187212A1 (en) * | 2016-11-21 | 2019-06-20 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
WO2020130422A1 (en) * | 2018-12-21 | 2020-06-25 | Samsung Electronics Co., Ltd. | Method and system for predicting onset of capacity fading in a battery |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
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 |
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 |
CN113009368A (zh) * | 2021-02-24 | 2021-06-22 | 武汉科技大学 | 基于mff的多核gpr算法的锂电池剩余寿命预测方法 |
CN113255215A (zh) * | 2021-05-19 | 2021-08-13 | 四川大学 | 一种基于电压片段的锂电池健康状态估计方法 |
-
2021
- 2021-09-10 CN CN202111058653.1A patent/CN113504473B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041698A1 (en) * | 2011-10-27 | 2012-02-16 | Sakti3, Inc. | Method and system for operating a battery in a selected application |
CN103852725A (zh) * | 2012-11-30 | 2014-06-11 | 凹凸电子(武汉)有限公司 | 用于估算电池剩余容量的设备、方法及系统 |
FR3016218A1 (fr) * | 2014-01-03 | 2015-07-10 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
JP2017026443A (ja) * | 2015-07-22 | 2017-02-02 | スズキ株式会社 | 二次電池の充電状態推定装置 |
US20190187212A1 (en) * | 2016-11-21 | 2019-06-20 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
CN108510120A (zh) * | 2018-04-03 | 2018-09-07 | 浙江工业大学 | 一种往复式混输泵排出流率的混合建模与预测方法 |
WO2020130422A1 (en) * | 2018-12-21 | 2020-06-25 | Samsung Electronics Co., Ltd. | Method and system for predicting onset of capacity fading in a battery |
CN109814041A (zh) * | 2019-01-16 | 2019-05-28 | 上海理工大学 | 一种锂离子电池双卡尔曼滤波容量估计方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
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 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
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 |
CN112083337A (zh) * | 2020-10-22 | 2020-12-15 | 重庆大学 | 一种面向预测性运维的动力电池健康预测方法 |
CN113009368A (zh) * | 2021-02-24 | 2021-06-22 | 武汉科技大学 | 基于mff的多核gpr算法的锂电池剩余寿命预测方法 |
CN113255215A (zh) * | 2021-05-19 | 2021-08-13 | 四川大学 | 一种基于电压片段的锂电池健康状态估计方法 |
Non-Patent Citations (3)
Title |
---|
FANLI 等: "A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter", 《MICROELECTRONICS RELIABILITY》 * |
张凝等: "基于粒子滤波算法的锂离子电池剩余寿命预测方法研究", 《高技术通讯》 * |
田侃: "三元锂离子电池工况条件寿命预测研究及实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330149A (zh) * | 2022-03-11 | 2022-04-12 | 北京新能源汽车股份有限公司 | 电池寿命预测方法、装置、云端服务器及存储介质 |
CN114879071A (zh) * | 2022-05-17 | 2022-08-09 | 北京交通大学 | 一种基于平均电压的锂离子电池老化模式在线诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113504473B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Zhou et al. | Two-stage aging trajectory prediction of LFP lithium-ion battery based on transfer learning with the cycle life prediction | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN109117566B (zh) | 一种基于产品寿命预测模型的混合维修规划方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN109738810A (zh) | 一种电池剩余使用寿命的综合估算方法 | |
CN112230154A (zh) | 一种锂电池剩余寿命预测方法 | |
CN113504473B (zh) | 一种适用动力锂电池非线性衰退过程的rul预测方法 | |
JP2023017480A (ja) | 電池モデル構築方法及び電池劣化予測装置 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN113205233A (zh) | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 | |
Zhang et al. | A pattern-driven stochastic degradation model for the prediction of remaining useful life of rechargeable batteries | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
Chehade et al. | A multi-output convolved Gaussian process model for capacity estimation of electric vehicle Li-ion battery cells | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
CN112379274A (zh) | 一种动力电池剩余寿命预测方法 | |
CN116381510A (zh) | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |