一种基于模型学习的新能源车载电池剩余寿命估计方法与流程

本发明涉及车载电池剩余寿命的估计领域，尤其涉及一种模型学习的新能源车载电池剩余寿命估计方法。

背景技术：

国内新能源汽车与传统汽车的核心不同之处在于其是依赖于储能电池的动力系统，随着新能源汽车在国内的推广普及，新能源汽车在应用中也存在一部分问题，比如车载电池容易受到温度高低、电压电流大小、充放电次数等的影响而使得电池的使用寿命降低，这除了需要从材料研发，产品创新等物理化学机制角度解决外，还需要人们从功能辅助性角度提高对车载电池健康状况的预测能力，比如车载储能电池的剩余使用寿命的预测问题，因此能否提高车载电池的剩余使用寿命的预测精度将直接关乎新能源车本身的性能指标，关乎新能源汽车在国内外市场上占有率以及国家制造强国的国际地位。

以往人们对于车载电池剩余使用寿命的预测依赖于建立车载电池的物理模型，比如直接对车载电池的内阻耗损进行测试，对车载电池的容量进行测试，电化学机理等以期望获得能够反映其剩余寿命变化的具体数学模型，但是这样往往存在较大的误差，即便克服了模型建立过程中尤其是测试这些数据的过程中存在的困难，也较难建立一个贴近真实剩余使用寿命的模型。基于高斯过程回归的学习算法就能较好的解决建立的模型的复杂性以及存在较大误差的问题，此算法在于学习能反映车载电池剩余使用寿命的数据来达到模型建立的目的，以回避复杂的内部机理分析或者数据拟合的问题，并且高斯过程回归算法具有很大的灵活性，其可以把模型的输出值看作为潜在函数模型的分布，并能给出估计的不确定性程度，再通过均方根形式的无迹卡尔曼滤波算法来进行时间更新和测量更新阶段达到较为准确的跟踪实际车载电池剩余使用寿命变化的动态过程效果，这种通过学习方式的算法相较于仅仅依靠机理分析的模型可以进一步提高车载电池的剩余使用寿命的预测精度。

对于较为复杂的模型而言，为了能够避免由于缺少先验知识带来的模型建立困难问题，我们通常会选择机器学习的方法来学习这个模型，这也是给我们提供了一种解决问题的可借鉴的思路，而且高斯过程回归算法本身的这种灵活性使得其不受具体输入分布函数的影响，并且给出了输出预测值以及预测值的不确定性程度，但是在学习模型之后对高斯过程回归算法本身的参数求解问题，是一个非二次函数非凸型的求解问题，通常这个解并不是全局最优解，是一个非闭合解的局部最优解，但是在实际应用中也是合适的。

技术实现要素：

本发明的目的在于不直接对车载电池使用寿命通过机理分析建立模型的情况下，通过学习能反映电池剩余使用寿命的数据的方式来达到提高车载电池剩余使用寿命预测准确度的目的。

为实现上述目的，本发明的技术方案包括如下步骤：

s1、选择能反映车载电池剩余使用寿命的容量参数，收集车载电池容量随充放电周期变化的数据；s2、处理数据使之能够满足高斯过程回归算法的输入输出关系；s3、利用高斯过程回归算法学习处理后的容量数据得到学习模型；s4把均方根无极卡尔曼滤波算法应用到s3中的模型中，通过该算法中的时间更新和测量更新两个阶段来估计车载电池实时的容量变化。

其中第一步的容量数据是为了用高斯过程回归算法训练出电池容量随着充放电次数的增多变化的曲线模型，此步说的是把训练出来的模型应用到电池中去来估计电池随着充放电次数而发生的容量变化。

所述步骤s3设定高斯过程回归的核函数为径向基函数，同时为了保证状态量各部分的独立性，对于各部分的状态量的径向基函数和对应的超参数设置成如下的形式：

其中xi，xj代表状态量，反映了预测状态的不确定性，l是一个对角矩阵，其对角线上的元素是：d是状态向量的维度。δij是dirac函数，其值随下标改变。是一个反映噪声项。超参数的设置可遵循经验原则以缩短寻找最有超参数的时间空间耗损。利用最大化边缘对数似然的方法对

求解超参数，由于对数项

是一个非凸性非二次函数求极值问题，可以选择共轭梯度的算法来求解，其中超参数向量可以表示为x和y代表输入-输出向量，u是控制向量，i是单位矩阵，n是训练数据个数，k(x，x)是n×n的矩阵，其元素为k(xi，yj)；

所述步骤s4在时间更新：选择sigma点

其中λ＝a²(n+κ)-n，参数α是刻画sigma点在均值附近的分布程度的，通常在1e-4至1之间的闭区间取值。κ这里设置为0，n是状态维度大小，sk-1是状态协方差矩阵的cholesky因子。新的状态量：

其中gpm(·)当前时刻当前状态量的预测值，为状态量权重，x^t是数据处理后的容量向量，对应的预测方差为，

计算得：

这里把qk作为系统噪声，是对应方差的权重，其表达式为：

对于高斯分布而言，β为2时候最优。

测量预测值：

新的输出预测均值：

计算测量方差：

这里把rk作为测量方差噪声。计算

计算状态量和测量量的协方差矩阵：

计算系数：

更新状态预测值：

更新sk：

这里要注意是否为列向量，若不是则需要进行多次的cholupdate{·}分解。

本发明的优势在于能在模型不准确的条件下，通过学习的方式仍然可以提高车载电池剩余使用寿命的预测精度。

附图说明

图1本发明实施例的算法流程图。

具体实施方式

下面将结合发明内容具体阐述实施例的操作方式，应当理解，本实施例只是本发明的一个实施例，并不代表全部实施例，对技术领域的普通技术人员而言，在没有做任何创造性的劳动前提下根据本发明所获得的任何实施例都属于本发明的保护范围。

首先确定能够准确反映车载电池剩余使用寿命的参数，这里本发明选择容量数据作为车载电池最直接的变量，这是考虑到虽然存在其他的变量也能反映车载电池的健康状况，但那些变量最终也是反映到电池容量上面去并且不过是存在一些关联度而已，没有此变量的反映贴切真实。待确定好反映变量之后，收集容量变化的周期数据，我们在这里选取一固定型号的电池，让此类电池先充满电再放电以完成一个充放电过程，监测多次充放电过程中的容量变化数据，直到电池最后的容量变为额定容量的70％就视为此电池报废为止，数据的采样频率就等于到电池报废的充放电过程的次数，并同时对容量数据进行处理以确定输入-输出关系量，使之能够符合高斯过程回归算法的学习关系以及相应的学习模型。这里我们把采集的电池容量数据按照下面的方式来组成输入向量x，其中x是包含3个元素的列向量，x(t)是电池容量周期内某t时刻的电池容量，那么当前t时刻的输入向量xt＝[x(t-3)，x(t-2)，x(t-1)]，当前t时刻输出量yt＝x(t)，依次类推，即可组成一系列的输入输出数据x＝[x1，x2，...，xn]，y＝[y1，y2，...，yn]。由于x(t)是某一时刻的变量，因此随着t的变化，x(t)也在变化，这里形象的把x(t)称之为滑动的窗口。接着利用高斯过程回归算法学习这种容量数据并对按照下面的优化方法对超参数

进行求解，其中式中的对数项的最大值即为我们要寻找的超参数值。对数项是一个非凸性求极值问题，可以选择基于共轭梯度的算法求解，其中对数项为

可以看到，式中只含有未知数θ，对其求导得到

其中tr(·)是矩阵的迹，对每一项元素k(xi，xj)都有

对于θ的步长可有线性搜索算法求得，按照

θk+1＝θk+αkdk

得出。其中αk是第k步的步长，dk是第k步的方向，αk满足强wolfe条件即可求得。

模型学习出来以后，应用均方根无迹卡尔曼滤波算法估计容量，先给定初始值状态量和初始值状态协方差，在时间更新阶段，

选择sigma点：

计算下一个状态的sigma点：

计算下一个状态：

系统噪声：

计算cholesky因子：

测量值：

测量噪声：

计算cholesky因子：

计算状态量和测量量的协方差矩阵：

更新系数：

更新状态：

更新cholesky因子：

这里在计算sk时候注意式中第二项是否为列向量。

本发明的整体算法流程图如图1所示，本发明的创新之处在于，首先在选择了容量变量这一参数作为反映车载电池剩余使用寿命后，对容量数据的处理问题，因为本发明采集到的数据是基于每次充放电这样的循环次数为一个自由度的，这就给接下来高斯过程回归算法的学习带来因直接把充电次数直接作为输入的困难，为了消除上述影响，本发明采用了把训练数据按窗口，相邻两个窗口之间均存在交集并把当前步容量的预测值纳入下一步的窗口数据中作为输入的策略来应对；其次是本发明采取的是一种基于学习的方法，回避了对电池内部进行机理分析的过程，从而间接依赖数据方便的建立起期望的模型；最后，为了提高估计的准确度和算法的数值稳定性，本发明采用了均方根形式的无极卡尔曼滤波算法，其能够对容量的数据通过实时的测量值来更新并提高对电池剩余使用寿命的预测性能。

应当理解，本实施例只是作为解释本发明的一种方式，并非限制本发明。在权利要求书的限定范围内，熟悉本领域的技术人员在本发明的精神以及构思前提下对本发明技术方案的任意等同修改、替换以及任意其他实施例都属于本发明的保护范围。