应用于长寿命空间锂离子电池的剩余寿命直接预测方法与流程

本发明涉及应用于长寿命空间锂离子电池的剩余寿命直接预测方法。属于锂离子电池寿命预测方法技术领域。

背景技术：

锂离子电池已成为第三代空间储能电池被广泛应用于各类航天器中。随着航天器在轨的运行，锂离子电池不断进行充放电循环，其内部会发生一系列不可逆的电化学反应导致电池的性能发生退化。准确预测锂离子电池的剩余寿命，是保证航天器安全稳定运行的前提之一，也是实现航天器集群柔性、自主任务规划的前提。但传统的锂离子电池寿命预测方法重点关注锂离子电池性能退化趋势的建模问题，即首先对锂离子电池的性能退化轨迹进行预测，进而基于提前规定的失效阈值推断锂离子电池的剩余寿命。但随着电池材料、工艺的不断发展，以及航天器寿命需求的不断提升，现有的空间锂离子电池寿命已经可达5～8年，约48000个轨道周期。对寿命预测问题而言，这样的长时预测场景会直接导致传统的基于退化特征预测的寿命预测模型失配，难以得到准确、稳定的预测结果。

技术实现要素：

本发明是为了解决对于循环寿命可达5～8年的空间锂离子电池而言，传统的基于退化轨迹建模的剩余寿命预测方法难以适用于此类预测水平长、退化缓慢的应用场景中的问题。现提供应用于长寿命空间锂离子电池的剩余寿命直接预测方法。

应用于长寿命空间锂离子电池的剩余寿命直接预测方法，所述方法包括以下步骤：

步骤一、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，

根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；

步骤二、将步骤一中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；

步骤三、将各周期下的待预测电池容量作为训练数据的输入数据，输入到步骤二中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；

步骤四、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。

本发明的有益效果为：

本方法是一种电池剩余寿命预测的直接方法。该方法通过将容量序列作为输入，即可获得电池剩余寿命预测结果。同时该方法针对锂离子电池剩余寿命预测时电池容量的非线性退化与电池容量测量噪声对预测结果产生的影响，使用rvm(relevancevectormachine，rvm)模型将电池容量空间映射至线性的剩余寿命空间减小了非线性退化影响，同时结合卡尔曼滤波算法(kalmanfilter，kf)算法对电池剩余寿命预测结果进行滤波，减小了电池容量的测量噪声的影响，得到了高精度的预测结果。该方法在4组电池上得到了验证，在不同电池上均有良好的预测效果。电池剩余寿命预测结果最大误差小于72个周期，预测结果随着周期数增加预测精度逐渐提升。预测结果精度高于传统方法。

附图说明

图1为具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法的流程图；

图2为采用本申请的方法获得锂离子电池剩余寿命的曲线图。

具体实施方式

具体实施方式一：参照图1和图2具体说明本实施方式，本实施方式所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法，所述方法包括以下步骤：

步骤一、采集每节锂离子电池每个使用周期内的电池容量数据，构建数据集，

根据设定的每节电池寿命最大值和周期数，获得不同周期下每节电池的剩余寿命；

步骤二、将步骤一中的数据集作为训练数据的输入数据，将对应周期下电池的剩余寿命作为训练数据的输出数据，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型；

步骤三、将各周期下的待预测电池容量作为训练数据的输入数据，输入到步骤二中的映射模型中，得到映射模型的输出数据，作为该待预测电池剩余寿命的估计值；

步骤四、采用卡尔曼滤波方法对所述剩余寿命估计值进行滤波处理，获得待预测电池的剩余寿命估计结果。

本实施方式中，本发明建立了锂离子电池退化特征与剩余寿命间的直接预测模型，采用相关向量机(relevancevectormachine，rvm)算法实现容量序列与剩余寿命之间的直接映射，并将此估计结果作为观测值，通过卡尔曼滤波(kalmanfilter，kf)算法将数据驱动模型的结果与物理模型相融合，降低测量噪声对预测结果的影响，实现锂离子电池剩余寿命的最优估计。

实施例1：

三组电池的剩余寿命预测结果如下表所示，其具体评价指标如表1所示。

表1：

步骤一、采用马里兰大学的电池数据集进行测试，该电池数据集内有cx2-26，cx2-37，cx2-38电池数据，将每节电池各周期电池容量的数据构造数据集，记为capi(k)，其中，k为周期数，i为电池号；设定第i节电池寿命最大值为该电池容量退化至为额定容量的80％时对应的周期数，按下式(1)计算第k周期该电池对应的剩余寿命ruli(k)；

步骤二、将cx2-37，cx2-38两节电池的数据作为训练数据，构造rvm模型的训练集[xtrain,ytrain]：

其中

将训练集[xtrain,ytrain]带入rvm模型中，xtrain为训练输入，ytrain为训练输出；对rvm进行训练，rvm方程可写作下式(2)：

其中，xtraini表示xtrain的第i列数据，σ表示带宽，rvm(·)表示rvm模型的输出值，ω＝(ω0,...ωn)^t为权重向量；

对rvm模型中ω＝(ω0,...ωn)^t参数进行训练；

步骤三、将预测电池cx2-26的电池容量数据构造如下：

xtest＝{captest(k-n+1),captest(k-n+2),...,captest(k)}；

其中，k为周期数且k∈z,n≤k。

将xtest带入训练好的rvm模型中，如下式(3)所示。

其中，为rvm模型输出结果；

步骤四、通过卡尔曼滤波方法，对预测结果进行滤波处理：首先，设置初始化协方差p(k-1)与的值，设置协方差为训练集中l个单体剩余寿命的方差，状态初值为l个单体剩余寿命的均值；

建立状态转移方程如下所示：

其中，为第k个周期电池rul的状态量，ω(k)为第k个周期的系统噪声；

预测估计协方差矩阵p(k)：

p(k)＝p(k-1)+q(k)(6)

其中，q(k)为第k个周期的系统噪声方差；

计算卡尔曼滤波增益kg(k)：

其中，r(k)为第k个周期的测量噪声方差；

计算最终预测值

具体实施方式二：本实施方式是对具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤一中，数据集记为：capi(k)，其中，k为周期数，i为电池号，共包含l节电池的数据；

不同周期下每节电池的剩余寿命ruli(k)为：

式中，为第i节电池寿命最大值。

本实施方式中，中的周期为该电池容量退化至额定容量的80％时对应的周期数。

具体实施方式三：本实施方式是对具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤二中，训练数据中的输入数据xtrain为：

式中，

训练数据中的输出数据ytrain为：

具体实施方式四：本实施方式是对具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，将所述的输入数据和输出数据带入相关向量机模型中进行训练，得到训练好的容量序列与剩余寿命的映射模型为：

式中，xtraini表示xtrain的第i列数据，σ表示高斯核函数宽度，rvm(·)表示相关向量机模型的输出值，ω＝(ω0,...ωn)^t为权重向量。

本实施方式中，将训练集[xtrain,ytrain]带入公式4中进行训练。对rvm模型中ω＝(ω0,...ωn)^t参数进行训练。

具体实施方式五：本实施方式是对具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤三中，将各周期下的待测电池容量captest作为训练数据的输入数据xtest，为：

xtest＝{captest(k-n+1),captest(k-n+2),...,captest(k)}公式5，

式中，k∈z,n≤k。

具体实施方式六：本实施方式是对具体实施方式五所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤三中，得到待预测电池剩余寿命的估计值的过程为：

将xtest带入训练好的相关向量机模型中：

式中，为相关向量机模型输出结果。

具体实施方式七：本实施方式是对具体实施方式一所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤四中，获得待预测电池的剩余寿命的具体过程为：

步骤四一、设置当前训练集中l个单体剩余寿命的协方差和平均寿命为滤波的初始化协方差和初始化剩余寿命估计值；

步骤四二、利用步骤四一中的协方差获得下个周期待预测单体剩余寿命的协方差，利用步骤四一中的初始化剩余寿命估计值获得下个周期待预测单体剩余寿命估计值；

步骤四三、根据下个周期的待预测单体剩余寿命的协方差获得卡尔曼滤波增益；

步骤四四、采用卡尔曼滤波方法，根据待预测电池剩余寿命的估计值、协方差、上个周期此单体剩余寿命估计值、初始化剩余寿命估计值和卡尔曼滤波增益，获得待预测电池的剩余寿命。

具体实施方式八：本实施方式是对具体实施方式七所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤四二中，获得下个周期的待预测剩余寿命估计值为：

根据当前训练集中l个单体剩余寿命的初始化协方差建立状态转移方程：

式中，为第k个周期电池rul的状态量，为第k-1个周期电池rul的状态量，w(k)为第k个周期的系统噪声；

获得第k个的l个单体剩余寿命的协方差为：

p(k)＝p(k-1)+q(k)公式9，

式中，q(k)为第k个周期的系统噪声方差，p(k)为k个周期的单体剩余寿命的协方差r(k)为第k个周期的测量噪声方差，p(k-1)为k-1个周期的单体剩余寿命的协方差。

本实施方式中，设置协方差为训练集中l个单体剩余寿命的方差，状态初值为l个单体剩余寿命的均值。

具体实施方式九：本实施方式是对具体实施方式八所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤四三中，获得卡尔曼滤波增益kg(k)为：

式中，r(k)为第k个周期的测量噪声方差。

具体实施方式十：本实施方式是对具体实施方式九所述的应用于长寿命空间锂离子电池的剩余寿命直接预测方法作进一步说明，本实施方式中，步骤四四中，获得待预测电池的剩余寿命为：