一种锂离子电池剩余寿命预测方法与流程

本发明属于锂离子电池
技术领域：
，更为具体地，是涉及一种锂离子电池的剩余寿命预测方法。
背景技术：
：锂离子电池由于高能量密度、低自放电率、没有记忆效应、长循环寿命等优势，作为最有前景的动力源之一，广泛应用于消费电子品、电动汽车甚至是航天领域。随着不停的充放电循环，电池的性能退化也就是老化是不可避免的。电池的衰败会导致性能下降、经济损失，甚至意外事故。因此寻找到一种精确可靠的电池剩余寿命预测方法，来监测电池的衰败和评估它的可靠性十分必要。电池剩余寿命(rul)预测是预测从当前循环/时刻起，再经过多少循环/时间，电池的soh值达到临界值(通常是70％-80％soh)。目前发明改进了很多算法去预测电池的剩余寿命，但由于实验数据的不可靠性、模型和算法的不兼容、计算过于复杂等原因导致到目前为止还没有哪种算法是公认的最好的算法。粒子滤波(pf)是近年来兴起的预测电池剩余寿命的常用算法，与卡尔曼滤波相比，它不仅能用于非线性系统，而且对噪声没有要求(可以是非高斯噪声)。但是粒子滤波在预测功能上有一个严重的缺陷，就是在预测阶段没有实测值时，粒子滤波器的状态无法更新，也就是说状态值停留在最后一个已知点，用最后一个已知点的点估计去预测电池的剩余寿命，导致预测周期越长，预测精度越低。技术实现要素：本发明的目的是针对现有技术的不足，提出一种基于指数平滑预测(es)与粒子滤波(pf)融合的锂离子电池剩余寿命预测方法，以提高粒子滤波算法的预测精度。本发明一种基于指数平滑预测与粒子滤波融合(es-pf)的锂离子电池剩余寿命预测方法，实现过程如下：一种锂离子电池剩余寿命预测方法，实验获取锂离子电池在不同变量下的容量随循环次数的变化曲线，建立锂离子电池容量退化经验模型，跟踪前期已知的锂离子电池容量值，获取状态参数变化曲线，再建立指数平滑预测模型，从而获得容量观测预测值，反馈给粒子滤波，预测得到电池的剩余寿命。进一步，所述不同变量包括温度、放电截止电压、充电截止电压及循环次数。进一步，所述容量随循环次数的变化曲线是通过锂离子电池寿命循环实验获取的，具体包括：(1)对新电池进行恒流放电，当电压达到放电截止电压时停止，搁置；(2)恒流充电：当电压达到充电截止电压时停止；(3)恒压充电：当电流小于预设值时停止，搁置；(4)恒流放电：当电压达到放电截止电压(或设定值)时停止，搁置；(5)重复(2)-(4)，直至容量下降至设定的阈值时停止实验。进一步，所述锂离子电池容量退化经验模型：状态方程为：k(k)＝[a(k)b(k)c(k)d(k)]t观测方程为：q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)其中x(k)为状态向量，a(k)、b(k)、c(k)、d(k)为状态参数，wa(k)、wb(k)、wc(k)、wd(k)为过程噪声，v(k)为观测噪声，q(k)为观测容量值，k为循环次数。进一步，所述跟踪前期已知的锂离子电池容量值是通过粒子滤波跟踪算法获得的，具体为：(1)设定算法的参数：粒子数n，过程噪声，观测噪声，最大循环值，驱动矩阵，状态初值；(2)初始化粒子集：根据初始状态为每个粒子赋初值，此时每个粒子的权值相等；(3)采样：选择分布函数计算当前时刻每个粒子的状态；(4)计算当前时刻每个粒子的权值；(5)权值归一化；(6)重采样；(7)重复步骤(3)-(6)，直至循环次数k＝预测起始点t；(8)输出状态参数随循环次数的变化曲线。进一步，所述重采样的方法包括随机重采样、多项式重采样、残差重采样、系统重采样。进一步，所述指数平滑预测模型为：其中为预测值，α为参数，xt为真实值。进一步，所述容量观测预测值的获取步骤为：(1)设置模型初始值；(2)设置模型参数：α∈(0，1)的选取原则为：①如果时间序列波动不大，则α的取值范围是0.1-0.3；②如果时间序列具有迅速且明显的变动倾向，则α的取值范围是0.6-0.8；(3)递推预测获得状态预测值，并将预测的状态值代入观测方程得到容量的观测预测值。本发明采用上述技术方案，存在如下有益效果：本发明第一次将管理科学中的指数平滑预测模型同工程应用领域的粒子滤波算法融合，建立es-pf预测模型；弥补了粒子滤波算法用于预测电池剩余寿命时状态参数无法更新，导致预测精度下降的缺陷；采用指数平滑法建立预测模型，能充分利用历史数据，得到合理准确的预测结果。本发明所述方法相比于支持向量机、神经网络等智能预测算法，计算压力小，但精度几乎没有降低，能满足实际应用中预测需求。附图说明图1为本发明一种锂离子电池剩余寿命预测方法流程图；图2为实验得到的电池容量随循环次数的变化曲线图；图3为粒子滤波跟踪算法得到的状态参数随循环次数的变化曲线图，图3(a)为粒子滤波跟踪算法得到的状态参数a(k)随循环次数的变化曲线图，图3(b)为粒子滤波跟踪算法得到的状态参数b(k)随循环次数的变化曲线图，图3(c)为粒子滤波跟踪算法得到的状态参数c(k)随循环次数的变化曲线图，图3(d)为粒子滤波跟踪算法得到的状态参数d(k)随循环次数的变化曲线图；图4为es预测模型得到的状态参数的预测曲线图，图4(a)为es预测模型得到的状态参数a(k)的预测曲线图，图4(b)为es预测模型得到的状态参数b(k)的预测曲线图，图4(c)为es预测模型得到的状态参数c(k)的预测曲线图，图4(d)为es预测模型得到的状态参数d(k)的预测曲线图；图5为本发明所提供的预测方法与标准粒子滤波算法预测的预测结果对比图。具体实施方式下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。本实施例所采用的电池数据为江苏大学汽车工程研究院动力电池实验室数据，使用18650型号电池，额定容量2600mah，充电截止电压4.2v，放电截止电压2.75v，电池数4节。本发明提供了一种基于指数平滑预测与粒子滤波融合(es-pf)的锂离子电池剩余寿命预测方法，实现过程如下：步骤一：对锂离子电池进行寿命循环实验，处理数据获得锂离子电池在不同变量下的容量随循环次数的变化曲线；其中，不同变量至少包括温度、放电截止电压、充电截止电压、循环次数；其中，锂离子电池寿命循环实验的具体步骤为：①对新电池进行1c恒流放电，当电压达到2.75v停止，搁置10分钟；②1c恒流充电：当电压达到4.2v停止；③4.2v恒压充电：当电流小于20ma停止，搁置30分钟；④1c恒流放电：当电压达到2.4v、2.5v、2.6v、2.7停止，搁置30分钟；⑤重复步骤②-④，直至锂离子电池容量下降至额定容量的80％，停止实验；实验结果如图2所示，其中电池1容量退化速率过快，电池3退化速率较快，电池4电池2容量退化速率较正常。步骤二：建立锂离子电池容量退化经验模型根据步骤一得到的容量随循环次数变化曲线建立锂离子电池容量退化经验模型：状态方程为：x(k)＝[a(k)b(k)c(k)d(k)]t其中观测方程为：q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)(2)其中，x(k)为状态向量，a(k)、b(k)、c(k)、d(k)为状态参数，wa(k)、wb(k)、wc(k)、wd(k)为过程噪声，v(k)为观测噪声，q(k)为观测容量值，k为循环次数。步骤三：粒子滤波算法跟踪前期已知的锂离子电池容量值，获取状态参数变化曲线根据步骤一的寿命循环实验，可得到4节电池完整的容量退化数据，选定电池4的容量退化数据作为预测对象，其它电池的容量退化数据作为粒子滤波初始状态值的设定依据，假设预测对象的第t次循环之前的数据已知，第t次循环之后的数据未知，可以利用已知数据通过粒子滤波跟踪算法得到状态参数随循环次数的变化曲线。由于电池1容量退化速度过快，粒子滤波初始状态由电池2和电池3曲线拟合得到的状态参数平均值确定，如表1所示。表1粒子滤波初始状态参数的确定a(1)b(1)c(1)d(1)电池2-8.867e-70.058020.9002-0.000841电池3-2.155e-50.060930.8778-0.0009009平均值-1.122e-50.0594750.889-0.00087095其中，粒子滤波跟踪算法的具体步骤如下：①设定算法的参数(包含但不限于)：粒子数n＝200，过程噪声协方差阵观测噪声协方差r＝0.001，最大循环值160，驱动矩阵状态初值x0＝[-1.122×10-50.0594750.889-0.00087095]t；②初始化粒子集：根据初始状态为每个粒子赋初值，此时每个粒子的权值相等③采样：选择重要性分布函数(可以是状态的先验分布也可以是其他近似分布)，计算当前时刻每个粒子的状态；④计算当前时刻每个粒子的权值：⑤权值归一化：⑥重采样：重采样是为了避免粒子退化问题，采样方法包括随机重采样、多项式重采样、残差重采样、系统重采样等；⑦重复步骤③-⑥，直至循环次数k＝t(t为预测起始点)；⑧输出：状态参数a(k)、b(k)、c(k)、d(k)随循环次数的变化曲线，如图3(a)、(b)、(c)、(d)所示。表示第i个粒子第k次循环的状态参数值，zk表示第k次循环的容量观测值，表示第i个粒子第k次循环的权值，表示归一化后的权值。步骤四：建立指数平滑预测模型根据步骤三得到的状态参数随循环次数的变化曲线可以建立指数平滑(exponentialsmoothing，es)预测模型:其中，为预测值，α为参数，xt为真实值。①设置模型初始值：可以选择初始的两个时间序列状态参数值的平均值作为es模型的初始值。表2es预测模型初始值的确定②设置模型参数：α∈(0，1)的选取原则为：a、如果时间序列波动不大，比较平稳，则α应取小一点，如0.1-0.3，以减少修正幅度，使预测模型能包含较长时间序列的信息；b、如果时间序列具有迅速且明显的变动倾向，则α应取大一些，如0.6-0.8，使预测模型灵敏度高一些，以便迅速跟上数据的变化；本实施例α＝0.5。③递推预测获得状态预测值(图4(a)、(b)、(c)、(d)所示为状态参数a(k)、b(k)、c(k)、d(k)的预测值)，并将预测的状态值代入观测方程(式(2))得到容量观测预测值。步骤五：es-pf算法预测电池rul根据步骤四得到的容量的观测预测值，反馈给粒子滤波，预测得到电池的剩余寿命(rul)，粒子滤波算法的步骤与步骤三中粒子滤波算法的步骤大体一致；区别1为：权值计算公式(3)中的似然函数使用步骤四中es预测模型得到的预测值(式(5))代替；区别2为：算法停止条件是所有粒子预测的容量值都达到了设定的阈值；区别3为：输出为rul预测值。步骤六：将预测结果同标准粒子滤波算法的预测结果对比，如图5和图6所示。表3预测结果对比从表3可以得出，本发明所提供的es-pf方法比标准pf方法相对误差降低了7.2％，明显提高了预测精度。从图5可以看出，当预测周期变长后，标准pf预测存在明显偏离真实值的情况，这正是
背景技术：
中所提到的pf算法的缺陷，而本发明所提供的预测方法却没有这一情况，也证实了本发明的有效性。需指出，本实施例的目的是为了更好的解释本发明，而不是限制本发明的保护范围。实施例中设置的算法的参数值和具体电池参数只是本次实验验证所需，基于本发明中的实施例，本领域技术人员在没有作出创新性劳动的前提下的其他所有实施例，都应属于本发明的保护范围。当前第1页12