CN114252797A - 一种基于不确定性估计的锂电池剩余使用寿命预测方法 - Google Patents
一种基于不确定性估计的锂电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN114252797A CN114252797A CN202111552936.1A CN202111552936A CN114252797A CN 114252797 A CN114252797 A CN 114252797A CN 202111552936 A CN202111552936 A CN 202111552936A CN 114252797 A CN114252797 A CN 114252797A
- Authority
- CN
- China
- Prior art keywords
- noise
- value
- lithium battery
- state space
- space model
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于不确定性估计的锂电池剩余使用寿命预测方法,根据历史电池容量数据的充放电循环数和电池容量值之间的关系,建立经验退化模型;根据经验退化模型,建立状态空间模型;根据噪声参数的初值,迭代求解状态空间模型,并从求解过程中提取出代表不确定性的过程噪声和观测噪声,即噪声参数的估计值,以对状态空间模型进行调整,并采用调整后的状态空间模型预测电池的剩余使用寿命。相对于现有通过人工经验来给定噪声参数的方式,本发明提供的方法能从迭代求解过程中,计算、估计各个时刻的噪声值,使统计得到的噪声分布更贴近于真实分布,建立的状态空间模型更加准确,从而能够提高预测精度。
Description
技术领域
本发明属于锂电池领域,更具体地,涉及一种基于不确定性估计的锂电池剩余使用寿命预测方法。
背景技术
锂电池作为许多电子系统的主要动力源,具有能量密度高、充放电速度快、自放电率低、无记忆效应、使用寿命长等优点。然而,随着充放电过程的循环进行,锂电池的性能会逐渐衰退,直至寿命终结。预测锂电池的剩余使用寿命,准确预测锂电池寿命终结的时间点,并提前更换电池,能够避免故障的发生,提高系统运行的稳定性。
在电池的使用过程中,由于电极和电解液之间发生化学反应形成了化合物,使得可用的锂离子数量减少,所以电池容量值会随着循环次数增多而衰减。但是当电池在两次充放电循环之间处于静置休息状态时,化合物中不稳定的成分就会分解,从而增加下一个循环的可用电池容量,而不同程度的容量再生对剩余使用寿命预测精度的影响也不相同。因此,在剩余使用寿命预测中考虑容量再生现象非常必要,可以将其视为一种不确定性。
剩余使用寿命预测通常依赖于精准的模型来描述寿命曲线,而建模过程中的不确定性严重影响了预测的精度,对于常用的状态空间模型,状态转移方程和观测方程都存在不确定性。现有的考虑不确定性的方法,通常将表征不确定的参数进行主观设定,缺乏理论依据;若不确定性参数设置过大,则曲线波动范围大;若不确定性参数设置过小,则曲线会发生过拟合,均会对预测精度造成影响。
由此可见,如何对不确定性进行估计,来描述锂电池的测量误差、固有的随机特性、容量再生现象等不确定性因素,以提高锂电池剩余使用寿命的预测精度,是当前亟待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于不确定性估计的锂电池剩余使用寿命预测方法,由此解决现有的预测方法中不确定性参数进行主观设定导致预测精度低的技术问题。
为实现上述目的,按照本发明的第一方面,提供了一种基于不确定性估计的锂电池剩余使用寿命预测方法,包括:
S1,根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型;
S2,基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,以获取所述噪声参数的估计值;其中,所述噪声参数包括观测噪声和过程噪声;
S3,采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
优选地,所述噪声参数的初值的确定方法为:
A1,将观测噪声和过程噪声均设置为均值为0,标准差待定的白噪声;
A2,构建观测噪声及过程噪声的标准差值的组合(v,w),将使状态空间模型对电池容量的预测效果最佳的标准差值的组合,作为观测噪声及过程噪声的初值;其中,M为先验值,v=M*10n,w=M*10m,n和m为小于或等于0的整数。
优选地,采用均方根误差RMSE、决定系数R2、或平均绝对误差MAE评价预测效果。
优选地,所述锂电池退化模型为双指数模型:
Q=a*eb*k+c*ed*k;
其中,Q为电池容量值,a、b、c、d为系数,k为第k次充放电循环数,即第k个时刻;
或,所述锂电池退化模型为多项式模型:
Q=e*k2+f*k+g;
其中,Q为电池容量值,e、f、g为系数,k为第k次充放电循环数,即第k个时刻。
优选地,所述状态空间模型包括观测方程和状态转移方程;
当所述锂电池退化模型为双指数模型时,所述观测方程为:
其中,Q(k)为第k时刻的电池容量值,ak、bk、ck、dk为第k时刻的系统状态,vk为观测噪声;
所述状态转移方程为:
Xk+1=Xk+wk;
其中,Xk为第k时刻的系统状态,即Xk表示ak、bk、ck、dk,wk为过程噪声。
优选地,基于噪声参数的初值,采用粒子滤波算法,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,获取噪声参数的估计值。
优选地,过程噪声估计值wk=X′k+1-X′k,其中,X′k为第k时刻校正后的状态值,即k时刻的后验状态值;
观测噪声估计值vk=Qk-h(xk,k),其中,Qk为观测值,h(xk,k)为滤波值,即k时刻的后验容量值。
按照本发明的第二方面,提供了一种基于不确定性估计的锂电池剩余使用寿命预测装置,包括:
模型建立模块,用于根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型;
处理模块,用于基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值;其中,所述噪声参数包括观测噪声和过程噪声;
预测模块,用于采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提供的基于不确定性估计的锂电池剩余使用寿命预测方法,根据历史电池容量数据的充放电循环数和电池容量值之间的关系,建立经验退化模型;根据经验退化模型,建立状态空间模型;根据噪声参数的初值,求解状态空间模型,并从求解过程中提取出代表不确定性的过程噪声和观测噪声,即噪声参数的估计值,以对状态空间模型进行调整,并采用调整后的状态空间模预测电池的剩余使用寿命。相对于现有的通过预测一条确定性曲线来描述降解过程以获得单个值作为剩余使用寿命的方法,本发明提供的方法能够描述不确定性,能够提供预测结果的概率分布,因而能够提高预测精度。
2、本发明提供的基于不确定性估计的锂电池剩余使用寿命预测方法,在确定噪声参数初值时,采用多个不同的噪声标准差依次进行预测效果验证,最终选取使状态空间模型预测效果最佳的标准差作为最优标准差;再用建模后的粒子滤波算法对训练集进行滤波处理,并从中提取出代表不确定性的过程噪声和观测噪声;统计过程噪声和观测噪声的分布,将其用于噪声参数的调整。相比于现有的根据经验来人工主观设置噪声参数的方式,本发明提供的方法更加客观,含有理论依据,在迭代过程中提取后验状态值和后验容量值,以此计算每个时刻的过程噪声和观测噪声,并统计其分布作为估计值,其能更好的拟合真实的分布,能够显著滤除容量再生现象的影响,从而提高预测精度。
附图说明
图1为本发明提供的基于不确定性估计的锂电池剩余使用寿命预测方法流程图;
图2为本发明提供的四组电池的容量随循环数的变化示意图;
图3(a)、图3(b)、图3(c)分别为本发明提供的#5号电池、#6号电池、#18号电池的滤波结果;
图4(a)、图4(b)、图4(c)、图4(d)、图4(e)分别为本发明提供的训练集的观测噪声、过程噪声1、过程噪声2、过程噪声3、过程噪声4的分布;
图5(a)和图5(b)分别为采用本发明提供基于不确定性估计的锂电池剩余使用寿命预测方法的#7号电池的滤波结果和预测结果;
图6(a)和图6(b)分别为采用现有的人工经验设定噪声参数的预测方法的#7号电池的滤波结果和预测结果。
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。
本发明实施例提供一种基于不确定性估计的锂电池剩余使用寿命预测方法,如图1所示,包括:
S1,根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型。
具体地,将历史电池容量数据划分为训练集和测试集,建立经验退化模型,即锂电池退化模型,以表征充放电循环数和电池容量值之间的关系。
所述历史电池容量数据可以为一个电池的历史电池容量数据,也可以为多个同一类型的电池的历史电池容量数据。
进一步地,所述锂电池退化模型为双指数模型:
Q=a*eb*k+c*ed*k;
其中,Q为电池容量值,a、b、c、d为系数,k为第k次充放电循环数,即第k个时刻。
将训练集的数据输入到上述模型中,用最小二乘法去求待定的系数a、b、c、d。
或,所述锂电池退化模型为多项式模型:
Q=e*k2+f*k+g;
其中,Q为电池容量值,e、f、g为系数,k为第k次充放电循环数,即第k个时刻。
建立锂电池退化模型之后,根据所述锂电池退化模型建立状态空间模型。所述状态空间模型包括观测方程和状态转移方程。
以锂电池退化模型为双指数模型为例,当锂电池退化模型为双指数模型时,将双指数模型作为状态空间模型的观测方程,
所述观测方程为:
其中,Q(k)为第k时刻的电池容量值,ak、bk、ck、dk为第k时刻的系统状态,vk为观测噪声;
所述状态转移方程为:
Xk+1=Xk+wk;
其中,Xk为第k时刻的系统状态,即Xk表示ak、bk、ck、dk,wk为过程噪声。
根据上述步骤求得的锂电池退化模型的系数a、b、c、d,去初始化系统状态的初值a0、b0、c0、d0
S2,基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,以获取所述噪声参数的估计值;其中,所述噪声参数包括观测噪声和过程噪声。
具体地,选择状态空间模型的噪声参数初值,包括观测噪声初值和过程噪声初值。
进一步地,所述噪声参数的初值的确定方法为:
A1,将噪声参数设置为均值为0,标准差待确定的白噪声;
A2,构建观测噪声及过程噪声的标准差值的组合(v,w),将使状态空间模型对电池容量的预测效果最佳的标准差值的组合,作为观测噪声及过程噪声的初值;其中,M为先验值,v=M*10n,w=M*10m,n和m为小于或等于0的整数。
具体地,将噪声参数设置为均值为0,标准差待定的白噪声,其标准差从预设值M开始,每次除以10,寻找令预测结果最优的标准差值的组合。
优选地,M取0.1。
将观测噪声、过程噪声的标准差从预设值0.1开始,分别设置为0.1、0.01、0.001、0.0001、…,两两组合之后带入状态空间模型,对电池容量值进行预测,将电池容量的预测值与真实值进行比较,使预测效果最优的标准差组合为观测噪声、过程噪声的标准差初值。例如,若观测噪声标准差为0.1、状态噪声标准差为0.0001时,状态空间模型的预测效果最优,则观测噪声初值为均值为0,标准差为0.1的白噪声,过程噪声初值为均值为0,标准差为0.0001的白噪声。
进一步地,采用均方根误差RMSE、决定系数R2、或平均绝对误差MAE评价预测效果。
具体地,当电池容量的预测值与实际值(即历史电池容量数据)的均方根误差RMSE最小时达到预测效果最优。
进一步地,基于噪声参数的初值,采用粒子滤波算法,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,获取噪声参数的估计值。
进一步地,过程噪声估计值wk=X′k+1-X′k,其中,X′k为第k时刻校正后的状态值,即第k时刻的后验状态值;
观测噪声估计值vk=Qk-h(xk,k),其中,Qk为观测值,h(xk,k)为滤波值,即第k时刻的后验容量值。
具体地,用建模后的粒子滤波算法对训练集进行滤波处理,即基于粒子滤波算法,求解所述状态空间模型,并从中提取出代表不确定性的过程噪声和观测噪声,即噪声参数的估计值。
以历史电池容量数据为多个同一类型的电池的历史电池容量数据为例:训练集采用三个电池的容量退化数据,为每个电池建立相应的退化模型。由于同一类型的电池的退化特征是相似的。所以用这三个电池来提取代表这一类型电池的退化特征。分别对三个电池建立状态空间模型,然后用粒子滤波算法迭代计算状态空间模型中的噪声参数,迭代的每一步都用的是训练集每一个时刻的容量数据,每个电池迭代完会得到一个噪声参数的分布,将三个电池噪声参数的分布合并起来作为测试集的噪声参数的估计值,以及将三个电池的拟合参数取平均值作为测试集的状态初值。
在每个时刻,计算过程噪声的估计值:
wk=X′k+1-X′k
其中,X′k为第k时刻校正后的状态值,即第k时刻的后验状态值。
计算观测噪声的估计值:
vk=Qk-h(xk,k)
其中,Qk为观测值,即电池容量的真实值,h(xk,k)为滤波值。
X′k+1、X′k,h(xk,k)均由粒子滤波算法的滤波过程而来。
具体计算过程如下:
假设粒子滤波算法设定的粒子数量为M个。
则滤波过程中每个时刻的后验状态值为X′k。
滤波过程中每个时刻的后验容量值为h(xk,k)。
h(xk,k)=h(X′k)+Vk
S3,采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
具体地,采用噪声参数的估计值替代噪声参数的初值,以对所述状态空间模型的噪声参数进行调整,采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
设置预测起始点和失效阈值,测试集从起始时刻开始往后迭代,若当前时刻在预测起始点之前,则继续进行滤波,即继续求解模型,求解模型的过程是为了求得每个时刻的后验状态值X′k,先根据上一时刻的后验状态值X′k-1产生这一时刻的先验状态值Xk,再根据这一时刻的实际容量值Q进行修正,得到后验状态值X′k;若当前时刻到达预测起始点T时刻,则T时刻以后的真实值Q不再已知,则进行剩余使用寿命预测,因为此时实际容量不可知,故将先验结果作为预测结果,往后进行每一步的迭代计算得到每一步的预测容量值,直到预测值小于定义的失效阈值。
剩余使用寿命RUL为:
RUL=NEOL-NT
其中NT表示第T次充放电循环次数,即预测起点的循环次数,NEOL表示锂电池退化到失效阈值的充放电循环次数,RUL为剩余使用寿命。
可以理解的是,根据预先设定的失效阈值,当电池容量的预测值小于失效阈值时对应的循环次数减去预测起点的循环次数,即为电池预测的剩余使用寿命RUL。
下面以一个具体的例子对本发明提供的方法进行进一步说明。
锂电池数据来自美国宇航局公开的艾姆斯预测数据库。分别进行了9组实验,每一组有3个或4个电池组成,每一组的实验条件都不相同,主要区别表现在实验温度和放电电流;同一组电池的实验条件也不大相同,主要表现在放电截止电压的差异上。具体的情况如表1所示。
表1
以第一组电池为例,电池在加速寿命退化实验下经历三个不同的阶段:充电循环,放电循环和阻抗检查;在充电循环时,保持恒流(电流为1.5A)模式充电,直到电压到达预先设定的上限电压4.2V,然后充电电路切换到恒压模式,直到电流低于下限阈值20mA。在放电循环时,进行恒流(电流为2A)放电,直到电压到达预设下限电压,即#5、#6、#7、#18电池对应预设电压下限为2.7V、2.5V、2.2V、2.5V。
在循环放电过程中采集到的数据包括测量电压、测量电流、温度、负载电流、负载电压、时间、容量。
本次验证采用的是第一组电池,即#5、#6、#7、#18号电池,选用的数据来自于循环放电过程中采集到的容量数据,如图2所示。
为了验证本发明提供的方法的有效性,将#5、#6、#18作为训练集,将#7作为测试集。设置电池容量的失效阈值为1.4Ah。将循环数作为输入,容量值作为输出,对#5、#6、#18分别建立经验退化模型。建立的经验退化模型的参数如表2所示。
表2
对#5、#6、#18分别建立各自的状态空间模型,其中,状态初值a0、b0、c0、d0根据求得的经验退化模型的系数a、b、c、d来初始化。噪声初值,即观测噪声和过程噪声的初值的确定方式为:先将观测噪声和过程噪声均设置为均值为0,标准差待定的白噪声,其标准差从某值开始,每次除以10,寻找令预测结果最优的标准差。预测效果的评价指标用均方根误差RMSE,RMSE的值越小,预测效果越好。预测起始点选定为第80个循环,求解状态模型的算法采用粒子滤波算法。观测噪声和过程噪声对#5、#6、#18电池的预测效果的影响分别如表3,表4,表5所示。选定最优的过程噪声标准差为0.0001,最优的观测噪声标准差为0.1。
表3
表4
表5
用建立的状态空间模型,依据粒子滤波算法,对#5,#6,#18进行滤波处理,滤波结果如图3(a)、图3(b)、图3(c)所示。计算并统计#5,#6,#18的过程噪声和观测噪声的分布,集成后的各个噪声的分布如图4(a)、图4(b)、图4(c)、图4(d)、图4(e)所示。由状态空间模型:可知,一共有四个状态变量ak、bk、ck、dk,每个状态变量有一个状态转移方程,对应一个过程噪声W,因此四个状态变量得到四个W,分别为W1、W2、W3、W4;而观测方程只有一个,所以只有一个观测噪声V。
统计过程噪声和观测噪声的分布,将其用于噪声参数的调整。
测试集#7号电池的状态空间模型中的噪声估计值由训练集统计所得的噪声分布来给定,即V=0.0553、W1=0.00003327、W2=0.00004113、W3=0.00003168、W4=0.00003423。状态初值由测试集的经验退化模型的系数a、b、c、d的平均值给定,即a0=1.80、b0=-0.00373733、c0=0.106497133、d0=-0.006758367。采用上述噪声估计值对上述步骤建立的状态空间模型进行调整,即采用上述噪声估计值替代噪声初值,基于粒子滤波算法,采用调整后的状态空间模型进行剩余使用寿命预测,采用粒子滤波算法进行滤波和剩余使用寿命预测。滤波结果如图5(a)所示,预测结果如图5(b)所示,预测结果的RMSE为2.7178。
若根据人工经验将状态空间模型的噪声参数设定为:V=0.01、W1=W2=W3=W4=0.0001,也同样采用粒子滤波算法对电池容量进行预测,滤波结果如图6(a)所示,预测结果如图6(b)所示,预测结果的RMSE为6.2982。
由此可见,与现有的人工设定状态空间模型的噪声参数的方法相比,本发明提供的方法的预测精度提高了56.85%。并且从图5(a)和图6(a)的比较中可以看出,在容量再生点,即第90个、第104个、第120个、第134个、第151个循环点,本发明提供的方法能有效滤除容量再生的影响,平稳地追随整体趋势。从图5(b)和图6(b)的比较中可以看出,在容量再生点处,现有的人工设定状态空间模型的噪声参数的方法的误差极大,而本发明提供的方法的误差极小。
下面对本发明提供的基于不确定性估计的锂电池剩余使用寿命预测装置进行描述,下文描述的基于不确定性估计的锂电池剩余使用寿命预测装置与上文描述的基于不确定性估计的锂电池剩余使用寿命预测方法可相互对应参照。
本发明实施例提供一种基于不确定性估计的锂电池剩余使用寿命预测装置,包括:
模型建立模块,用于根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型;
处理模块,用于基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值;其中,所述噪声参数包括观测噪声和过程噪声;
预测模块,用于采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
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 (8)
1.一种基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,包括:
S1,根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型;
S2,基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,以获取所述噪声参数的估计值;其中,所述噪声参数包括观测噪声和过程噪声;
S3,采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
2.如权利要求1所述的基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,所述噪声参数的初值的确定方法为:
A1,将观测噪声和过程噪声均设置为均值为0,标准差待定的白噪声;
A2,构建观测噪声及过程噪声的标准差值的组合(v,w),将使状态空间模型对电池容量的预测效果最佳的标准差值的组合,作为观测噪声及过程噪声的初值;其中,M为先验值,v=M*10n,w=M*10m,n和m为小于或等于0的整数。
3.如权利要求2所述的基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,采用均方根误差RMSE、决定系数R2、或平均绝对误差MAE评价预测效果。
4.如权利要求1-3任一项所述的基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,所述锂电池退化模型为双指数模型:
Q=a*eb*k+c*ed*k;
其中,Q为电池容量值,a、b、c、d为系数,k为第k次充放电循环数,即第k个时刻;
或,所述锂电池退化模型为多项式模型:
Q=e*k2+f*k+g;
其中,Q为电池容量值,e、f、g为系数,k为第k次充放电循环数,即第k个时刻。
6.如权利要求5所述的基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,基于噪声参数的初值,采用粒子滤波算法,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值,获取噪声参数的估计值。
7.如权利要求6所述的基于不确定性估计的锂电池剩余使用寿命预测方法,其特征在于,过程噪声估计值wk=X′k+1-X′k,其中,X′k为第k时刻校正后的状态值,即k时刻的后验状态值;
观测噪声估计值vk=Qk-h(xk,k),其中,Qk为观测值,h(xk,k)为滤波值,即k时刻的后验容量值。
8.一种基于不确定性估计的锂电池剩余使用寿命预测装置,其特征在于,包括:
模型建立模块,用于根据历史电池容量数据,建立锂电池退化模型,并基于所述锂电池退化模型建立包含噪声参数的状态空间模型;
处理模块,用于基于噪声参数的初值,求解所述状态空间模型,并提取求解过程中的后验状态值和后验容量值;其中,所述噪声参数包括观测噪声和过程噪声;
预测模块,用于采用所述噪声参数的估计值代替所述噪声参数的初值,对所述状态空间模型进行调整;并采用调整后的状态空间模型对电池容量进行预测,以确定锂电池剩余使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552936.1A CN114252797B (zh) | 2021-12-17 | 2021-12-17 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552936.1A CN114252797B (zh) | 2021-12-17 | 2021-12-17 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114252797A true CN114252797A (zh) | 2022-03-29 |
CN114252797B CN114252797B (zh) | 2023-03-10 |
Family
ID=80795615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111552936.1A Active CN114252797B (zh) | 2021-12-17 | 2021-12-17 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252797B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779088A (zh) * | 2022-04-20 | 2022-07-22 | 哈尔滨工业大学 | 基于最大期望-无迹粒子滤波的电池剩余使用寿命预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110238308A1 (en) * | 2010-03-26 | 2011-09-29 | Isaac Thomas Miller | Pedal navigation using leo signals and body-mounted sensors |
CN103077303A (zh) * | 2012-12-26 | 2013-05-01 | 南京理工大学 | 电子倍增ccd噪声模型的参数估计方法 |
CN106910606A (zh) * | 2017-04-18 | 2017-06-30 | 江西明正变电设备有限公司 | 一种变压器有源噪声降噪装置及控制方法 |
CN107153163A (zh) * | 2017-06-20 | 2017-09-12 | 福建工程学院 | 一种基于自适应ukf的锂电池soc估算方法 |
CN108318823A (zh) * | 2017-12-28 | 2018-07-24 | 上海交通大学 | 一种基于噪声跟踪的锂电池荷电状态估算方法 |
CN110907911A (zh) * | 2019-11-29 | 2020-03-24 | 厦门金龙联合汽车工业有限公司 | 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法 |
CN112327182A (zh) * | 2020-08-02 | 2021-02-05 | 西北工业大学 | 基于量测值残差序列的自适应h无穷滤波soc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 |
CN112528479A (zh) * | 2020-12-01 | 2021-03-19 | 哈尔滨工程大学 | 一种基于Gibbs采样器的鲁棒自适应平滑方法 |
CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN113255199A (zh) * | 2021-04-09 | 2021-08-13 | 南京工程学院 | 一种基于粒子滤波的电池剩余寿命预测方法 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
-
2021
- 2021-12-17 CN CN202111552936.1A patent/CN114252797B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110238308A1 (en) * | 2010-03-26 | 2011-09-29 | Isaac Thomas Miller | Pedal navigation using leo signals and body-mounted sensors |
CN103077303A (zh) * | 2012-12-26 | 2013-05-01 | 南京理工大学 | 电子倍增ccd噪声模型的参数估计方法 |
CN106910606A (zh) * | 2017-04-18 | 2017-06-30 | 江西明正变电设备有限公司 | 一种变压器有源噪声降噪装置及控制方法 |
CN107153163A (zh) * | 2017-06-20 | 2017-09-12 | 福建工程学院 | 一种基于自适应ukf的锂电池soc估算方法 |
CN108318823A (zh) * | 2017-12-28 | 2018-07-24 | 上海交通大学 | 一种基于噪声跟踪的锂电池荷电状态估算方法 |
CN110907911A (zh) * | 2019-11-29 | 2020-03-24 | 厦门金龙联合汽车工业有限公司 | 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法 |
CN112327182A (zh) * | 2020-08-02 | 2021-02-05 | 西北工业大学 | 基于量测值残差序列的自适应h无穷滤波soc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 |
CN112528479A (zh) * | 2020-12-01 | 2021-03-19 | 哈尔滨工程大学 | 一种基于Gibbs采样器的鲁棒自适应平滑方法 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN113255199A (zh) * | 2021-04-09 | 2021-08-13 | 南京工程学院 | 一种基于粒子滤波的电池剩余寿命预测方法 |
CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
CN113504483A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779088A (zh) * | 2022-04-20 | 2022-07-22 | 哈尔滨工业大学 | 基于最大期望-无迹粒子滤波的电池剩余使用寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114252797B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN109633474B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN108490365B (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN108490356A (zh) | 一种改进ekf算法的锂电池soc估算方法 | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN112034349A (zh) | 锂电池健康状态在线预估方法 | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN107942261B (zh) | 电池荷电状态的估计方法及系统 | |
CN111537903B (zh) | 一种基于hckf的电池soc估计方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN115512777B (zh) | 一种基于容量变化率的电化学模型参数辨识方法和系统 | |
Nejad et al. | Enhanced state-of-charge estimation for lithium-ion iron phosphate cells with flat open-circuit voltage curves | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
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 | |
CN113406525A (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 | |
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 | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
CN110728103B (zh) | 一种分段优化的超级电容模组等效电路模型参数辨识方法 | |
CN111931415A (zh) | 一种锂离子电池的基于全局最优粒子滤波的寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |