本发明涉及电池管理系统健康预测和诊断技术领域,具体涉及一种基于相关系数粒子滤波的锂离子电池寿命预测方法。
背景技术:
锂离子电池具有高能量密度、高开路电压、宽温度范围、快速充电和放电以及高输出功率的特点,已被广泛用于几乎所有具有能源供应的工业领域。在许多领域,锂离子电池已逐渐成为其关键设备。但是,与其他可充电电池不同,锂离子电池的性能在使用过程中会缓慢衰退,这种衰退表现为锂离子电池的容量减少和内部电阻增加。电池到达寿命阈值后继续使用可能会带来一系列安全问题,准确预测电池的剩余使用寿命(rul),对于确保锂离子电池的可靠和安全运行至关重要,但是当前锂离子电池rul预测中存在剩余容量无法实时测量的问题。
技术实现要素:
本发明的目的在于提供一种基于相关系数粒子滤波的锂离子电池寿命预测方法,该方法针对锂离子电池rul预测中容量难以直接测量的问题,通过提取电池运行时放电周期内可测间接参数,可以对电池剩余容量进行实时估计;另外,该方法针对标准粒子滤波算法中的粒子退化和样本匮乏的问题,将相关系数粒子滤波算法引入电池rul预测,可以有效提高锂电池rul预测精度。
为了达到上述目的,本发明通过以下技术方案实现:
一种基于相关系数粒子滤波的锂离子电池寿命预测方法,其特征在于,包含:
s1、设置预测起点及电池寿命阈值;
s2、获取待预测锂离子电池的数据,基于锂离子电池容量估计方法获取待预测锂离子电池的容量估计值
s3、建立锂离子电池容量指数衰减模型的状态空间,并进行参数估计;
s4、设置采样粒子数目n,过程噪声方差σw和测量噪声方差σv以及重采样阈值
s5、将待预测锂离子电池的容量估计值
s6、基于容量衰减模型将状态后验估计迭代至寿命阈值,获取剩余寿命预测结果。
可选的,所述步骤s2包含:
s21、获取并分析训练锂离子电池运行时的数据;
s22、提取步骤s21所得数据中能够表征电池性能退化的物理参数;
s23、基于主成分分析方法降低步骤s22所提取的物理参数的维数,获取能够表征电池性能退化的融合健康因子;
s24、将融合健康因子作为narx神经网络的输入参数,实际测量的容量数据作为输出参数,得到融合健康因子与电池剩余容量的关系模型;
s25、获取待预测锂离子电池在预测起点前的特征参数,降维后作为所述融合健康因子与电池剩余容量的关系模型的输入,从而获得待预测锂离子电池的容量估计值
可选的,所述步骤s22中的能够表征电池性能退化的物理参数包含:
电压降至最小峰值的时间,恒压降放电时间,负载端电流及输出电流降至最小峰值的时间,温度增长至最高峰值的时间。
可选的,所述步骤s3中的建立锂离子电池容量指数衰减模型的状态空间包含:
锂离子电池容量指数衰减模型为:
qk=a·exp(b·k)+c·exp(d·k)(1)
其中a,b,c,d为容量指数衰减模型的参数,a为第一电池容量初始值,c为第二电池容量初始值,b为第一容量衰减速率,d为第二容量衰减速率,k为充放电循环的次数,qk为k时刻的电池剩余容量即第k次充放电循环时的剩余容量;
上述公式(1)的锂离子电池容量指数衰减模型经过多项式运算可以转换为:
qk=qk-1·exp(b)+c·exp[d·(k-1)]·[1-exp(b-d)](2)
所述锂离子电池容量指数衰减模型的状态空间方程为:
其中wk为k时刻的过程噪声,vk为k时刻的测量噪声,wk~n(0,σw)表示wk服从期望为0,方差为σw的正态分布,vk~n(0,σv)表示vk服从期望为0,方差为σv的正态分布,qk-1为第k-1次充放电循环时的剩余容量。
可选的,所述步骤s3中的进行参数估计包含:
将所述锂离子电池容量指数衰减模型中的参数作为系统状态,得到k时刻的状态空间模型xk:
xk=[ak,bk,ck,dk]
ak=ak-1+wawa~n(0,σa)
bk=bk-1+wbwb~n(0,σb)
ck=ck-1+wcwc~n(0,σc)
dk=dk-1+wdwd~n(0,σd)(6)
qk=ak·exp(bk·k)+ck·exp(dk·k)+vkvk~n(0,σn)
其中,ak,bk,ck,dk分别为k时刻的第一电池容量初始值、第二电池容量初始值、第一容量衰减速率和第二容量衰减速率,ak-1,bk-1,ck-1,dk-1分别为k-1时刻的对应参数,wa,wb,wc,wd分别为常数;
根据所述锂离子电池容量指数衰减模型对训练锂离子电池全周期容量数据进行拟合,将拟合的参数作为待预测锂离子电池的初始参数;
将待预测锂离子电池的容量估计值
可选的,所述步骤s5包含:
s51、初始化:对于i=1,2,...,n,从分布
s52、计算粒子的样本权值:
其中,zk为单独的测量值;
s53、权值归一化:
s54、计算有效粒子数目neff,设置重采样阈值nth,如果有效粒子数目neff<nth则进行重采样;
s55、构造系统实际测量值序列及样本估计测量值矩阵:对于实际测量值序列,取长度为l的序列
s56、计算相关系数:对于序列zk和
s57、重新计算粒子样本权值:相关系数cc的取值范围为[-1,1],为了将其变换到正数范围内,取一个带参数α的指数函数对相关系数进行处理:
其中,参数α>0,其作用是调整样本权值的离散程度,β为转化后的相关系数;
重新计算的粒子样本权值为:
对重新计算的样本粒子权值按照公式(8)进行归一化处理。
本发明与现有技术相比具有以下优点:
本发明的一种基于相关系数粒子滤波的锂离子电池寿命预测方法,针对锂离子电池rul预测中容量难以直接测量的问题,通过分析电池运行时放电周期内可测电池性能参数以建立融合健康因子与电池剩余容量的关系模型,用以实时获取锂离子电池剩余容量的估计值;另外,该方法针对标准粒子滤波算法中的粒子退化和样本匮乏的问题,将相关系数粒子滤波算法引入电池rul预测,可以有效提高锂电池rul预测精度。
进一步的,本发明的方法通过将获取的容量估计值作为测量值代入相关系数粒子滤波算法,可以对电池的rul进行预测并给出预测结果的不确定性表达。
附图说明
图1为本发明的一种基于相关系数粒子滤波的锂离子电池寿命预测方法示意图;
图2为本发明的实施例中b5电池和b6电池容量与循环次数的关系曲线;
图3为本发明的实施例中b6电池的容量估计结果示意图;
图4为本发明的实施例中基于标准粒子滤波算法的锂离子电池rul预测结果示意图;
图5为本发明的实施例中基于相关系数粒子滤波算法的锂离子电池rul预测结果示意图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,为本发明的一种基于相关系数粒子滤波的锂离子电池寿命预测方法示意图,该方法包含:
s1、设置预测起点及电池寿命阈值。
s2、获取待预测锂离子电池的数据,基于锂离子电池容量估计方法获取待预测锂离子电池的容量估计值
所述步骤s2包含:
s21、获取并分析训练锂离子电池运行时的数据。
s22、提取步骤s21所得数据中能够表征电池性能退化的物理参数。
其中,所述步骤s22中的能够表征电池性能退化的物理参数包含:电压降至最小峰值的时间,恒压降放电时间,负载端电流及输出电流降至最小峰值的时间,温度增长至最高峰值的时间等。
s23、基于主成分分析方法降低步骤s22所提取的物理参数的维数,获取能够表征电池性能退化的融合健康因子。
s24、将融合健康因子作为narx神经网络的输入参数,实际测量的容量数据作为输出参数,得到融合健康因子与电池剩余容量的关系模型。
s25、获取待预测锂离子电池在预测起点前的特征参数,降维后作为所述融合健康因子与电池剩余容量的关系模型的输入,从而获得待预测锂离子电池的容量估计值
s3、建立锂离子电池容量指数衰减模型的状态空间,并进行参数估计。
所述步骤s3中的建立锂离子电池容量指数衰减模型的状态空间包含:
锂离子电池容量指数衰减模型为:
qk=a·exp(b·k)+c·exp(d·k)(1)
其中a,b,c,d为容量指数衰减模型的参数,a为第一电池容量初始值,c为第二电池容量初始值,b为第一容量衰减速率,d为第二容量衰减速率,k为充放电循环的次数,qk为k时刻的电池剩余容量即第k次充放电循环时的剩余容量;
上述公式(1)的锂离子电池容量指数衰减模型经过多项式运算可以转换为:
qk=qk-1·exp(b)+c·exp[d·(k-1)]·[1-exp(b-d)](2)
所述锂离子电池容量指数衰减模型的状态空间方程为:
其中wk为k时刻的过程噪声,vk为k时刻的测量噪声,wk~n(0,σw)表示wk服从期望为0,方差为σw的正态分布,vk~n(0,σv)表示vk服从期望为0,方差为σv的正态分布,qk-1为第k-1次充放电循环时的剩余容量。
进一步的,所述步骤s3中的进行参数估计包含:
将所述锂离子电池容量指数衰减模型中的参数作为系统状态,得到k时刻的状态空间模型xk:
xk=[ak,bk,ck,dk]
ak=ak-1+wawa~n(0,σa)
bk=bk-1+wbwb~n(0,σb)
ck=ck-1+wcwc~n(0,σc)
dk=dk-1+wdwd~n(0,σd)(6)
qk=ak·exp(bk·k)+ck·exp(dk·k)+vkvk~n(0,σn)
其中,ak,bk,ck,dk分别为k时刻的第一电池容量初始值、第二电池容量初始值、第一容量衰减速率和第二容量衰减速率,ak-1,bk-1,ck-1,dk-1分别为k-1时刻的对应参数,wa,wb,wc,wd分别为常数(各常数不一定相等)。
根据所述锂离子电池容量指数衰减模型对训练锂离子电池全周期容量数据进行拟合,将拟合的参数作为待预测锂离子电池的初始参数。
将待预测锂离子电池的容量估计值
s4、设置采样粒子数目n,过程噪声方差σw和测量噪声方差σv以及重采样阈值
s5、将待预测锂离子电池的容量估计值
具体地,所述步骤s5包含:
s51、初始化:对于i=1,2,...,n,从分布
s52、计算粒子的样本权值:
其中,zk为单独的测量值。
s53、权值归一化:
s54、计算有效粒子数目neff,设置重采样阈值nth,如果有效粒子数目neff<nth则进行重采样。
s55、构造系统实际测量值序列及样本估计测量值矩阵:对于实际测量值序列,取长度为l的序列
s56、计算相关系数:对于序列zk和
s57、重新计算粒子样本权值:相关系数cc的取值范围为[-1,1],为了将其变换到正数范围内,取一个带参数α的指数函数对相关系数进行处理:
其中,参数α>0,其作用是调整样本权值的离散程度,β为转化后的相关系数;
重新计算的粒子样本权值为:
对重新计算的样本粒子权值按照公式(8)进行归一化处理。
s6、基于容量衰减模型将状态后验估计迭代至寿命阈值,获取剩余寿命预测结果。
在本实施例中,结合实例证明本发明方法的有效性,测试集来自于美国航天局(nationalaeronauticsandspaceadministration,nasa)对锂离子电池进行加速寿命测试试验后得到的测试数据,数据集中包含编号为b5、b6、b7和b18四节锂离子电池充放电过程中的温度、电流、电压等测试数据。测试样本选取了其中的b5和b6电池。其中,b5电池数据作为训练集,建立融合健康因子容量的关系模型,用以对b6电池容量进行估计,b6电池数据用以验证,进行rul预测。
如图2所示,为b5电池和b6电池容量与循环次数的关系曲线。电池容量总体上呈现逐渐衰减的趋势,局部伴随着容量恢复效应。
如图3所示,为b6电池的容量估计值结果。以b5电池全寿命周期数据作为训练数据,建立融合健康因子与电池剩余容量的关系模型。提取b6电池循环过程中间接参数,主成分分析法用以获取健康因子,并将其作为输入,对b6电池全寿命周期容量进行估计,估计结果的均方根误差为0.0247。从上述结果可以看出,所提出的锂离子容量估计方法精度较高,且有较强的适应性。
如图4所示,为采用标准粒子滤波算法的锂离子电池rul预测结果。预测起点为第80个周期,判断电池是否失效的寿命阈值为q<1.38,粒子数选择为200,电池的实际失效时间为第113个周期,预测失效时间为第105个周期,预测误差为8个循环周期。
如图5所示,为采用本发明的基于相关系数粒子滤波算法的锂离子电池rul预测结果。预测起点同样选择为第80个周期,判断电池是否失效的寿命阈值为q<1.38,粒子数选择为200,电池的实际失效时间为第113个周期,预测失效时间为第109个周期,预测误差为4个循环周期。该仿真结果可以表明,本发明所提出方法可以有效地对锂离子电池寿命进行预测,预测误差在可接受范围内,且基于相关系数的粒子滤波算法可以有效提高rul长期预测的精度。
综上所述,本发明的一种基于相关系数粒子滤波的锂离子电池寿命预测方法,针对锂离子电池rul预测中容量难以直接测量的问题,通过分析电池运行时放电周期内可测电池性能参数以建立融合健康因子与电池剩余容量的关系模型,用以实时获取锂离子电池剩余容量的估计值;另外,该方法针对标准粒子滤波算法中的粒子退化和样本匮乏的问题,将相关系数粒子滤波算法引入电池rul预测,可以有效提高锂电池rul预测精度。
进一步的,本发明的方法通过将获取的容量估计值作为测量值代入相关系数粒子滤波算法,可以对电池的rul进行预测并给出预测结果的不确定性表达。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。