一种锂离子电池剩余使用寿命间接预测方法

1.本发明涉及锂电池电性能监测领域，尤其涉及一种锂离子电池剩余使用寿命间接预测方法。
技术背景
2.相比于铅酸蓄电池、镍氢电池和镍镉电池等，锂离子电池具有体积小、质量轻，大大减少了车辆电池组的体积和重量，且工作电压高、能量密度高、无记忆效应、自放电小、循环寿命长等优点。广泛运用于电子设备、储能系统、航天航空等领域，成为电动汽车的主流能源，在现代化社会中扮演着重要的角色。但是，在反复使用的过程中，锂电池的性能会逐渐退化而失效，导致电池易于漏电和短路影响设备系统的正常运行，甚至会造成经济损失和爆炸性灾难。因此，获得精确稳定的锂电池rul预测结果，有利于对锂电池的老化程度做出正确的判断，从而制定最优的梯次利用方案和设备系统维护策略，确保电池系统长时间安全可靠运行，对电池系统的维护、管理与运行，防止因电池老化导致灾难性事故具有重要意义。
3.近年来，锂电池剩余使用寿命预测技术得到研究者的广泛关注。其中基于数据驱动的方法越来越受到广泛的关注，利用采集到的电池电压、电流、温度等数据，通过各种数据处理和分析方法，找出隐含信息和未来退化趋势之间的关系，来预测电池的剩余使用寿命。相比于基于模型的方法，数据驱动方法越来越受到广泛的关注，不需要精确地模拟锂电池内部复杂的老化机制和演变规则，不再受限于一个特定的锂电池退化模型，具有较好的普适性。
4.目前基于数据驱动方法中，一类方法是基于锂电池容量和内阻数据进行锂电池剩余使用寿命预测，并采用小波分析、经验模态分解等信号处方法，降低容量再生和局部波动的影响。虽然上述方法可以获得令人满意的预测结果，但由于实际应用中锂电池容量和内阻难以在线测量，基于电池容量或内阻的方法并不能用于在线rul预测。另一类方法是从电压、电流和温度的曲线中提取可以在线测量的间接健康因子，来表征锂离子电池的老化过程实现锂电池rul在线预测。这类方法现有文献方法中常采用支持向量回归方法进行锂电池rul预测，svr通过寻求结构风险最小来提高泛化能力，基于此当样本量较少的情况下也能很好的建模，但是该方法不能获得预测结果的不确定性表达；gpr模型是一种基于贝叶斯理论的灵活的非参数模型，在获得预测值点估计的同时，给出预测置信区间来表示预测不确定性，但采用gpr方法进行锂电池rul预测时长期预测性能差。并且，这些方法没有考虑锂电池的整个充放电过程及温度对锂电池rul预测的影响。


技术实现要素：

5.本发明针对上述

背景技术：
中指出的问题，为了获得精确稳定的锂电池剩余使用寿命预测信息，给出了一种改良svr和gpr缺陷的锂离子电池剩余使用寿命间接预测方法，本发明所采用的技术方案包括以下步骤：
6.步骤1、数据采集：使用传感器设备对锂电池充放电运行过程进行监测，提取锂电池整个充放电过程中电压、电流、温度数据信息；
7.步骤2、特征提取：从恒流充电阶段、恒压充电阶段、恒流放电阶段和温度信号中分别提取等充电电压差的时间间隔、等充电电流差的时间间隔、等放电电压差的时间间隔和等充电电流差的平均温度四个表征锂电池退化的间接健康因子，并验证与锂电池容量之间的相关性；
8.步骤3、构建间接健康因子预测模型，使用锂电池间接健康因子和充放电循环数训练支持向量回归模型，实现锂电池间接健康因子的预测；
9.步骤4、构建锂电池容量预测模型，将间接健康因子预测值作为锂电池容量预测模型的输入，实现锂电池容量预测，当电池容量达到设定的失效阈值时，获得锂电池剩余使用寿命预测结果和置信区间，并进行预测性能分析。
10.作为一种优选：步骤1具体做法是，提取恒流充电电压信号、恒压充电电流信号、恒流放电电压信号和温度信号。
11.作为一种优选：所述步骤2中间接健康因子与锂电池容量之间的相关性是采用灰色并联分析方法得到间接健康因子与锂电池容量之间的关联等级度，具体步骤如下：
12.步骤2.1、指定比较序列xm＝{xm(i)|i＝1,2,...,n}，其中，xm表示间接健康因子向量，指定参考序列x0＝{x0(i)|i＝1,2,...,n}，其中，x0表示锂电池容量；
13.步骤2.2、数据归一化处理；
14.步骤2.3、计算比较序列xm和参考序列x0之间的相关系数；
15.步骤2.4、计算比较序列和参考序列之间的关联度。
16.作为一种优选：步骤3具体做法为，设置起始预测点t，利用训练集训练svr模型，其中i表示第i次充放电循环，hisi表示第i次充放电循环对应的间接健康因子，构建基于支持向量回归算法的锂电池间接健康因子预测模型，获得起始预测点之后的间接健康因子预测值his_pre。
17.作为一种优选：所述步骤4具体包括：
18.步骤4.1、设置起始预测点t和电池容量失效阈值cap
eol
；
19.步骤4.2、利用训练集训练gpfr模型，其中hisi表示第i个特征向量，capi表示第i个电池容量值，构建基于高斯过程回归的锂电池容量预测模型；
20.步骤4.3、将步骤3中的间接健康因子预测值his_pre作为电池容量预测模型的测试输入，获得起始预测点之后的锂电池容量预测值cap_pre；
21.步骤4.4、当步骤4.3中的锂电池容量预测值cap_pre达到步骤4.1中设定的电池容量失效阈值cap
eol
时，输出锂电池剩余使用寿命预测结果及置信区间，并进行预测性能指标分析。
22.本发明的有益效果是：
23.1、本发明通过将svr方法和gpfr方法相融合，有效解决了单独采用支持向量回归不能获得预测结果的不确定性表达问题，同时也提高了单独使用高斯过程回归长期预测精度低，预测不稳定的问题。
24.2、本发明考虑了锂电池充放电整个过程及温度的影响，从恒流充电阶段、恒压充
电阶段、恒流放电阶段及温度数据中提取合适的表征锂电池性能老化的间接健康因子，模型适用范围更加广泛。
25.3、有效地提高了锂电池rul预测性能的稳定性和预测结果的精度，同时给出了预测置信区间，有利于锂电池管理系统在电池发生故障之前做出决策维护和管理，对电池的老化程度做出更加合理的判断。
附图说明
26.图1为本发明方法总体流程示意图。
27.图2为b6锂离子电池的电压、电流和温度曲线图
28.图3为提取的间接健康因子随着充放电循环数的变化图
29.图4为b6锂离子电池间接健康因子预测结果图
30.图5为b6锂电池在起始预测周期为70时不同算法的电池容量预测结果图
具体实施方式
31.一种锂离子电池剩余使用寿命预测方法，如图1所示：数据预处理阶段，通过锂电池反复充放电实验得到锂电池数据集，然后进行信号提取得到电压、电流、温度曲线，从中做his分析所需的his提取，即提取间接健康因子并进行相关系数分析；svr预测模型阶段，基于提取his构建svr预测模型，得到his预测值；容量预测模型阶段，设置起始预测点将数据集划分为训练集和测试集，初始化模型参数基于训练集训练gpfr模型，模型的超参数优化得到锂电池容量的gpfr预测模型，将his预测结果输入gpfr预测模型获得电池的容量预测结果；结果分析阶段，当电池容量达到失效阈值时，输出rul预测结果和预测区间，并进行预测结果分析。
32.具体包括以下步骤：
33.步骤1、使用传感器设备对锂电池充放电运行过程进行监测，提取锂电池整个充放电过程中电压、电流、温度数据信息；
34.步骤2、特征提取：考虑锂电池整个充放电过程及温度的影响，提取合适的表述锂电池老化的间接健康因子，并验证与锂电池容量之间的相关性；
35.步骤2.1、考虑锂电池整个充放电过程和温度的影响，从恒流充电充电阶段、恒压充电阶段、恒流放电阶段和温度信号中分别提取等充电电压差的时间间隔、等充电电流差的时间间隔、等放电电压差的时间间隔和等充电电流差的平均温度四个表征锂电池退化的间接健康因子；
36.步骤2.2、采用灰色并联分析方法，验证步骤2.1中提取的间接健康因子与锂电池容量之间的关联等级度，具体步骤如下：
37.步骤(1)，指定比较序列xm＝{xm(i)|i＝1,2,...,n}，其中，xm表示间接健康因子向量，指定参考序列x0＝{x0(i)|i＝1,2,...,n}，其中，x0表示锂电池容量；
38.步骤(2)，数据归一化处理；
39.步骤(3)，计算比较序列xm和参考序列x0之间的相关系数；
40.步骤(4)，计算比较序列和参考序列之间的关联度。
41.步骤3、通过步骤2.2获得表述锂电池性能老化的间接健康因子数据集。构建基于
支持向量回归算法的锂电池间接健康因子预测模型，实现锂电池间接健康因子的预测，具体步骤如下：
42.步骤3.1、设置起始预测点t，将数据集划分为训练集和测试集，利用训练集训练svr模型，其中i表示第i次充放电循环，hisi表示第i次充放电循环对应的间接健康因子，构建基于支持向量回归算法的锂电池间接健康因子预测模型；
43.步骤3.2、通过步骤3.1中训练好的锂电池间接健康因子预测模型，获得起始预测点之后的间接健康因子预测值his_pre；
44.步骤4、构建锂电池容量预测模型，将间接健康因子预测值作为锂电池容量预测模型的输入，实现锂电池容量预测,具体步骤如下：
45.步骤4.1、设置起始预测点t，将数据集划分为训练集和测试集，设定电池容量失效阈值cap
eol
；
46.步骤4.2、利用训练集训练gpfr模型，其中hisi表示第i个特征向量，capi表示第i个电池容量值，构建基于高斯过程回归的锂电池容量预测模型，具体步骤如下：
47.步骤(1)，选择线性均值函数作为高斯过程回归的均值函数，选择平方指数协方差函数作为高斯过程回归的协方差函数，来提升传统gpr的长期预测性能，
48.步骤(2)，初始化gpfr模型的超参数；
49.步骤(3)，利用训练集训练gpfr模型，采用共轭梯度算法对模型参数进行优化，建立gpfr锂电池容量预测模型；
50.步骤4.3、将步骤3中的间接健康因子预测值his_pre作为电池容量预测模型的测试输入，获得起始预测点之后的锂电池容量预测值cap_pre；
51.步骤4.4、当步骤4.3中的锂电池容量预测值cap_pre达到步骤4.1中设定的电池容量失效阈值cap
eol
时，输出锂电池剩余使用寿命预测结果和置信区间，并进行预测性能指标分析。
52.下面结合附图和实施例，对本发明的具体实施方式进行详细描述。选取b5、b6、b7三个电池作为具体实施例中的数据集。
53.基于svr-gpfr的锂离子电池剩余使用寿命间接预测方法，如图1所示，此数据驱动融合算法的具体步骤如下：
54.步骤1、使用传感器设备对锂电池充放电运行过程进行监测，提取锂电池整个充放电过程中电压、电流、温度数据信息；
55.步骤2、特征提取：考虑锂电池整个充放电过程及温度的影响，提取合适的表述锂电池老化的间接健康因子，并验证与锂电池容量之间的相关性；
56.步骤2.1、考虑锂电池整个充放电过程和温度的影响，从恒流充电阶段、恒压充电阶段、恒流放电阶段和温度信号中分别提取hi1等充电电压差的时间间隔、hi2等充电电流差的时间间隔、hi3等放电电压差的时间间隔和等充电电流差的平均温度四个表征锂电池退化的间接健康因子；
57.步骤2.2、采用灰色并联分析方法，验证步骤2.1中提取的间接健康因子与锂电池容量之间的关联等级度，以b6电池为例，分别计算各个his与锂电池容量之间的关联度，得
到的各个his与电池容量的关系等级如表1所示，具体步骤如下：
58.步骤(1)，指定比较序列xm＝{xm(i)|i＝1,2,...,n}，其中，xm表示间接健康因子向量，指定参考序列x0＝{x0(i)|i＝1,2,...,n}，其中，x0表示锂电池容量；
59.步骤(2)，数据归一化处理；
60.步骤(3)，计算比较序列xm和参考序列x0之间的相关系数，具体公式如式1所示：
[0061][0062]
步骤(4)，计算比较序列和参考序列之间的关联度，具体公式如式2所示：
[0063][0064]
表1 his与电池容量之间的关联度分析
[0065]
健康因子hi1hi2hi3hi4关联度0.71610.68690.88530.7776
[0066]
步骤3、通过步骤2.2获得表述锂电池性能老化的间接健康因子数据集。构建基于支持向量回归算法的锂电池间接健康因子预测模型，实现锂电池间接健康因子的预测，具体步骤如下：
[0067]
步骤3.1、设置起始预测点t，将数据集划分为训练集和测试集。
[0068]
步骤3.2、初始化支持向量回归算法惩罚系数c和核宽度σ,本发明选择径向基核函数(rbf)作为支持向量回归算法的核函数，核函数数学表达式如式3所示：
[0069][0070]
步骤3.3、利用训练集训练svr模型，其中i表示第i次充放电循环，hisi表示第i次充放电循环对应的间接健康因子，构建基于支持向量回归算法的锂电池间接健康因子预测模型；
[0071]
步骤3.4、通过步骤3.3中训练好的锂电池间接健康因子预测模型，获得起始预测点之后的间接健康因子预测值his_pre；
[0072]
步骤4、构建锂电池容量预测模型，将间接健康因子预测值作为锂电池容量预测模型的输入，实现锂电池容量预测,具体步骤如下：
[0073]
步骤4.1、设置起始预测点t，将数据集划分为训练集和测试集，设定电池容量失效阈值cap
eol
；
[0074]
步骤4.2、利用训练集训练gpfr模型，其中hisi表示第i个特征向量，capi表示第i个电池容量值，构建基于高斯过程回归的锂电池容量预测模型，具体步骤如下：
[0075]
步骤(1)，选择线性均值函数作为高斯过程回归的均值函数，选择平方指数协方差函数作为高斯过程回归的协方差函数，来提升传统gpr的长期预测性能，在本发明发法中定义为gpfr模型，具体函数形式如下所示：
[0076]
m(x)＝a*x+b
ꢀꢀ
式4
[0077][0078]
步骤(2)，初始化超参数θ＝[a,b,σf,l]；
[0079]
步骤(3)，利用训练集训练gpfr模型，采用共轭梯度算法对模型参数进行优化，建立gpfr锂电池容量预测模型；
[0080]
步骤4.3、将步骤3中的间接健康因子预测值his_pre作为电池容量预测模型的测试输入，获得起始预测点之后的锂电池容量预测值cap_pre；
[0081]
步骤4.4、当步骤4.3中的锂电池容量预测值cap_pre达到步骤4.1中设定的电池容量失效阈值cap
eol
时，输出锂电池剩余使用寿命预测结果和置信区间，并进行预测性能指标分析。
[0082]
为了评估本发明锂电池rul间接预测模型，采用均方根误差rmse，平均绝对百分比误差mape，r2系数，rul绝对误差e
rul
，rul相对误差ra来评估预测方法的性能。其中qk表示电池容量的实际值，表示电池容量的预测值，表示电池实际容量的平均值，n为容量预测值的总个数。若rmse、mape越接近0，r2系数越接近1则所提方法预测性能越好。rul
true
为rul实际值，rul
predicted
为rul预测值，若e
rul
越接近0，ra越接近1，所提方法rul预测结果越精确。
[0083][0084][0085][0086]erul
＝|rul
true-rul
predicted
|
ꢀꢀꢀ
式9
[0087][0088]
下面结合具体实例采用锂电池数据集b5、b6、b7电池，进行三组锂电池rul预测实验，每组实验设置三个不同的起始预测点(t＝70，t＝80，t＝90)，来验证svr-gpfr锂电池rul间接预测模型的稳定性和精确性。三个锂电池额定容量为2ah，电池失效阈值设置为1.4ah，由于b7电池的容量退化曲线不能达到该阈值，因此b7电池失效阈值设定为1.5ah。
[0089]
以b6电池为例，分析不同间接健康因子随电池老化的变化趋势。不同充放电循环次数下的电池电压、电流、温度变化曲线如图2所示，图2(a)为恒流充电阶段充电电压不同循环次数下的变化曲线图，可以看到恒流充电阶段的充电时间随着充放电循环次数的增加而减小的现象，这是由于电池极化程度的加深导致电池逐渐老化造成的。因此以从3.5v到4.2v的充电时间作为hi1来表示电池的健康状态，提取的等充电电压差的时间间隔如图3(a)所示；图2(b)为不同充电放电循环下恒压充电过程中的充电电流曲线，可以清楚地发现，随着电池退化程度的加深，电流的变化速率逐渐减慢，导致该阶段的充电时间有增加的趋势，这说明锂的嵌入能力减弱，电池老化的更为严重。因此，选择从cv充电阶段开始到电
流减小到100ma的时间间隔作为表征电池老化的间接健康指标如图3(b)所示；图2(c)为锂离子电池在不同充放电循环次数的放电电压变化曲线，随着电池反复的充放电，锂电池性能逐渐退化，电池充满电后维持使用时间越来越短，如图3(c)所示为等放电电压降的时间间隔与上述描述一致；图2(d)绘制了不同充放电循环次数下电池充电阶段的温度变化曲线，其中恒压充电阶段温度下降是由于电池散热、不可逆放热和电化学反应吸热综合影响的结果，更能反映电池的老化特性，因此在本发明中，平均温度从恒压充电阶段开始，直到电流达到100ma时，作为描述电池老化的间接健康因子，提取的等充电电流差的平均温度如图3(d)所示。图4为t＝70时4个间接健康因子预测结果图，间接健康因子预测趋势反应了锂电池未来的老化趋势，可以看到基于svr预测方法可以很好的捕捉间接健康因子的总体变化趋势，his预测值可以表征锂电池的未来老化特性。
[0090]
将本发明方法svr-gpfr与svr-gpr、svr-rvm融合方法进行实验预测效果对比。从图5锂电池容量预测结果中可以看出，相比于其它方法，所提方法电池容量预测结果更加接近实际电池容量曲线，可以很好的捕捉电池容量的退化趋势。表2至表4分别给出了三个电池在不同起始预测周期下的锂电池rul预测性能分析，本发明方法三组电池的rmse均低于0.04，mape均低于0.026，更接近于0，r2系数均高于0.85更接近有1。所提方法在不同起始预测周期的rul预测误差均低于6，相对误差ra均高于0.84更接近于1，并且b5、b6、b7电池在不同起始预测点的预测置信区间间隔分别小于9、11、20，具有更窄的置信区间。相比于其它方法所提svr-gpfr方法rul预测结果更加精确，受不同起始预测点影响小，预测性能稳定，同时给出了预测结果的不确定性表达，便于锂电池管理系统在电池失效之前进行决策维护和管理。
[0091]
表2 b5锂电池rul预测性能分析
[0092][0093]
表3 b6锂电池rul预测性能分析
[0094][0095]
表4 b7锂电池rul预测性能分析
[0096]