一种基于电压概率密度的电池RUL预测方法

本发明涉及电池健康管理，尤其涉及一种基于电压概率密度的电池rul预测方法。

背景技术：

1、锂电池因其具有能量密度高、循环寿命长和自放电率低等优点而被广泛应用在电子产品、新能源汽车以及储能系统等多个领域。但是随着充放电循环周期的增加，电池会出现可用容量下降等性能衰退现象，如果不及时更换电池，会给设备带来巨大的安全风险，严重影响系统的稳定性和可靠性。锂电池的rul是指在当前状态下电池容量衰减至失效阈值所经历的充放电循环周期数，是表征电池老化与健康状况的重要指标。准确预测锂电池的rul能够提前获得电池状态的关键信息，及时更换老化或故障电池，对于提高电源系统的稳定性和可靠性至关重要。

2、由于直接测量锂电池的容量需要深入电池内部，并且会对电池内部结构造成损坏，破坏电池的密封性和完整性，因此在实际应用中，直接测量方法并不常用，而是采用间接测量方法，间接测量方法通过监测锂电池的性能参数，如电压、电流、内阻、温度等数据作为健康特征与容量退化趋势进行建模和分析，来推断电池内部的状态和性能，从而得到电池的rul。这种基于数据驱动的rul预测方法能够直接从电池的监控测量指标中分析与挖掘影响电池性能退化趋势的因素，而无需涉及复杂和专业的电化学反应问题，具有显著的普适性，但仍存在以下不足之处：（1）寻找与电池容量退化趋势存在高度相关性的健康特征并不容易，这直接影响着是否能准确描述电池容量的实际变化；（2）当前信号分解方法往往存在模态混叠现象，这使得难以准确捕捉各个分量的特征信息，导致预测结果的精度较低。

3、因此，在锂电池rul预测领域中，现有方法需要在健康特征数据收集、信号分解技术、建模与预测算法等方面进行改进和优化，才能够实现更准确的锂电池rul预测结果，从而为电池的状态估计和故障预警技术提供有力支持。

技术实现思路

1、基于上述现有技术中存在的问题，本发明旨在提供一种基于电压概率密度的电池rul预测方法，以对现有的预测方法进行改进和优化的技术问题。

2、本发明提供一种基于电压概率密度的电池rul预测方法，包括以下几个步骤：

3、s1：采集电池在多次充放电循环试验中的多组充电电压数据，绘制多条电压概率密度曲线a；

4、s2：以所有的电压概率密度曲线a的峰值对应电压的正负0.05v范围作为特征电压区间，计算不同循环周期下且在特征电压区间内的电压概率密度分布，并绘制电压概率密度曲线b；

5、s3：提取不同循环周期下电压概率密度曲线b的峰值，并绘制出电压概率密度峰值曲线，将其作为健康特征hf；

6、s4：将健康特征hf作为电池的特征数据序列，并利用特征数据序列和电池容量数据构建岭回归容量预测模型；

7、s5：将特征数据序列输入岭回归容量预测模型，得到容量预测值c；

8、s6：判断容量预测值c是否小于失效阈值t，若容量预测值c小于失效阈值t，则停止循环预测，并将当前已经经历的循环周期数作为待测型号电池的rul进行输出；否则，转至步骤s5。

9、根据本发明一实施例，步骤s4还包括将特征数据序列分为训练集和测试集，利用训练集与电池容量数据构建岭回归容量预测模型，然后利用测试集对岭回归容量预测模型的精确性和可靠性进行验证。

10、根据本发明一实施例，步骤s5中将特征数据序列输入岭回归容量预测模型具体包括：

11、s51：使用eemd算法将训练集多尺度分解为高频分量和低频分量；

12、s52：将高频分量和低频分量作为多尺度预测模型的输入，并分别经过gru模型和mlr模型进行预测；

13、s53：将预测结果进行叠加重构，得到新的特征数据序列；

14、s54：将新的特征数据序列输入训练好的岭回归容量预测模型中，以进行容量预测。

15、根据本发明一实施例，步骤 s51中使用eemd算法将训练集多尺度分解为高频分量和低频分量具体包括：

16、向特征数据序列中添加白噪声信号获取新序列：

17、，

18、式中，i为添加白噪声的次数；

19、将进行emd分解，得到各阶imf分量和的形式及分解后的剩余分量：

20、，

21、式中，为第i次添加白噪声后分解得到的第j个imf分量，j的取值范围为1~n，n表示了一共可以分解得到n个imf，是指每次分解得到的剩余部分，即原始信号减去每组imf的总和；

22、重复以上两个步骤m次，并将每次得到的imf分量相加再求均值作为最终结果：

23、，

24、式中，为对特征数据序列进行eemd分解后得到的第j个imf分量平均值。

25、根据本发明一实施例，步骤s1中绘制电压概率密度曲线a包括：利用采集的多组电池充电电压数据绘制多个充电电压-时间曲线，使用数点法对充电电压-时间曲线中每个电压点的出现次数进行统计，然后将每个电压值的出现次数除以总数据量，得到相应的概率分布。

26、本发明具有以下有益效果：

27、本发明提供的一种基于电压概率密度的电池rul预测方法中，以多条电压概率密度曲线a的峰值对应电压的正负0.05v范围作为特征电压区间，计算不同循环周期下且在特征电压区间内的电压概率密度分布，并绘制电压概率密度曲线b，并以电压概率密度峰值曲线b作为健康特征hf，实现了预测过程只需收集特征电压区间内的数据，与现有的预测方法中利用完整的充电电压数据预测相比，大大降低了数据计算量，从而提高了处理效率。

技术特征：

1.一种基于电压概率密度的电池rul预测方法，其特征在于，包括以下几个步骤：

2.根据权利要求1所述的一种基于电压概率密度的电池rul预测方法，其特征在于，步骤s4还包括将特征数据序列分为训练集和测试集，利用训练集与电池容量数据构建岭回归容量预测模型，然后利用测试集对岭回归容量预测模型的精确性和可靠性进行验证。

3.根据权利要求2所述的一种基于电压概率密度的电池rul预测方法，其特征在于，步骤s5中将特征数据序列输入岭回归容量预测模型具体包括：

4.根据权利要求3所述的一种基于电压概率密度的电池rul预测方法，其特征在于，步骤 s51中使用eemd算法将训练集多尺度分解为高频分量和低频分量具体包括：

5.根据权利要求1所述的一种基于电压概率密度的电池rul预测方法，其特征在于，步骤s1中绘制电压概率密度曲线a包括：利用采集的多组电池充电电压数据绘制多个充电电压-时间曲线，使用数点法对充电电压-时间曲线中每个电压点的出现次数进行统计，然后将每个电压值的出现次数除以总数据量，得到相应的概率分布。

技术总结
本发明提供了一种基于电压概率密度的电池RUL预测方法，包括：以多条电压概率密度曲线a的峰值对应电压的正负0.05V范围作为特征电压区间，计算不同循环周期下且在特征电压区间内的电压概率密度分布，并绘制电压概率密度曲线b；提取不同循环周期下电压概率密度曲线b的峰值，并绘制出电压概率密度峰值曲线，将其作为健康特征HF；将健康特征HF作为电池的特征数据序列，并利用特征数据序列和电池容量数据构建岭回归容量预测模型，得到容量预测值C。本方案通过绘制电池的电压概率密度峰值曲线作为健康特征HF，实现了预测过程只需收集特征电压区间内的数据，大大降低了数据计算量，从而提高了处理效率。

技术研发人员：武明虎,岳程鹏,陈鑫,张凡,王娟,赵楠,宋海娜,胡胜,唐靓,王鹿军
受保护的技术使用者：湖北工业大学
技术研发日：
技术公布日：2024/3/12