一种计及约束条件的锂电池寿命预测方法与流程

本发明涉及一种计及约束条件的锂电池寿命预测方法，属于锂离子电池。

背景技术：

1、在基于模型驱动的rul预测方面，现有技术分别利用电池全生命周期测试数据和电化学交流阻抗谱构建电池经验退化模型，完成rul预测，这两种预测模型均能考虑电池性能衰减和老化的关键因素，达到有效预测的目的，但其模型驱动的预测方法受限于庞大的计算量和复杂的物理模型，且未考虑电池充放电时温度、充放电电流倍率等外部条件对电池寿命的影响。

2、基于数据驱动的rul预测方面现有技术分别利用支持向量机(support vectormachine,svm)和支持向量回归(support vector regression,svr)等相关向量机算法解决rul预测过程中的非线性数据处理和时间序列预测问题。但其预测方法在预测时需遍历整个训练集，计算效率较低，内存消耗较大，难以满足复杂工况下rul预测的需求。

技术实现思路

1、有鉴于此，本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，能快速、高效计算得到放电结束后的电池容量与剩余使用寿命，有效提高模型预测的准确率。

2、本发明提供一种计及约束条件的锂电池寿命预测方法，其包括：

3、数据预处理：使用calce数据集根据数据集得到该电池在对应充放电循环次数的放电电流大小及放电时长、放电电流大小；

4、计算电池容量：通过计算一段时间内电流和充放电时间的积分，计算变化电量的百分比，进而求出初始soc0和变化后soc之间的差，即为剩余容量soc；

5、曲线拟合：基于最小二乘原理，实现高斯函数曲线快速、高效、准确的拟合；

6、建模模型：

7、通过boosting迭代构造出一组学习器，使得期望损失最小，在函数空间上固定x，使用梯度下降法求解f(x)的最优值；

8、构建决策树研究电池寿命的预测模型框架利用预处理后的数据作为输入矩阵x，根据xgboost算法原理生成t课弱回归树，最终的预测结果是这t棵回归树的输出值之和；

9、训练模型：以calce数据集中type1与type2中的数据cs2_33、cs2_34、cs2_35、cs2_36、cs2_37、cs2_38六块电池作为研究数据，其中以前五块电池的数据按照9：1的比例划分为训练集与测试集，得到电池寿命的预测模型，将放电温度、放电电流倍率、充放电次数作为影响因素输入网络，得到本次放电结束后的电池容量作为输出；

10、预测电池容量：在模型结果收敛后得到的训练结束的模型，将本次放电温度与本次放电的循环次数输入模型，即可得到在本次放电结束后电池的容量变化，同时，将本次预测的结果输入网络作为新的输入，不断滚动预测得到电池容量衰减至原始值的80％时，剩余的充放电次数，即该锂电池的剩余使用寿命；

11、添加约束条件：计算得到电池容量的历史值中，前后一次充放电循环电池衰减的最小值，当预测值与前一次电池容量的差值约等于零，则将前一次电池容量与最小值的差值赋给当前预测值。

12、优选的，所述calce数据集包括充放电时间点、步骤序号、循环次数、充电电流、充电电压、放电电流、充电量、放电量。

13、优选的，所述剩余容量soc，其数学表示式：

14、

15、式中：cn为额定容量；i为电池电流；η为充放电效率；

16、计算之后得到一条关于充放电次数与电池容量之间的震荡的曲线。

17、优选的，所述曲线拟合通过实验或观测得到变量x与y的一组数据对(xi,yi)(其中i＝1，2，…，n)，xi彼此不同，用一类与数据规律相适应的解析表达式y＝f(x,c)来反映x与y之间的依赖关系，f(x,c)称作拟合的理论模型，其中c＝(c1,c2,……,cn)是待定参数，当y＝f(x,c)呈现线性关系时，称为线性模型，否则称为非线性模型，高斯函数曲线是一种典型的非线性曲线；

18、通过先验知识确定了(x1,y1)，(x2,y2)，…，(xn,yn)服从高斯分布。

19、取高斯模板函数为

20、y＝a1exp(-((x-b1)/c1)2)   (2)

21、其中a1，b1，c1为待定参数；

22、对上式两边取自然对数变形整理得：

23、y＝ax2+bx+c                                  (3)

24、式中，

25、

26、根据最小二乘原理，参数a，b，c由下式确定：

27、

28、式中

29、

30、综上所述可求得各参数如下：

31、

32、在上一步骤种得到的震荡的曲线经过高斯拟合得到一条平稳的呈下降趋势的曲线。

33、优选的，所述在函数空间上固定x，使用梯度下降法求解f(x)的最优值。可用如下公式表示：

34、f*＝argminexy[l(y，f(x))]       (8)

35、有益效果

36、本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，能快速、高效计算得到放电结束后的电池容量与剩余使用寿命。

37、本方法在由真实数据计算得到电池容量后，对数据进行预处理，将震荡的曲线经过拟合得到一条平滑的电池容量变化曲线，符合电池变化规律。

38、将温度与充放电倍率作为重要的影响因素加入模型的训练与预测过程，有效提高模型预测的准确率。

技术特征：

1.一种计及约束条件的锂电池寿命预测方法，其特征在于包括：

2.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述calce数据集包括充放电时间点、步骤序号、循环次数、充电电流、充电电压、放电电流、充电量、放电量。

3.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述剩余容量soc，其数学表示式：

4.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述曲线拟合通过实验或观测得到变量x与y的一组数据对(xi,yi)(其中i＝1，2，…，n)，xi彼此不同，用一类与数据规律相适应的解析表达式y＝f(x,c)来反映x与y之间的依赖关系，f(x,c)称作拟合的理论模型，其中c＝(c1,c2,……,cn)是待定参数，当y＝f(x,c)呈现线性关系时，称为线性模型，否则称为非线性模型，高斯函数曲线是一种典型的非线性曲线；

5.根据权利要求1所述的一种计及约束条件的锂电池寿命预测方法，其特征在于：所述在函数空间上固定x，使用梯度下降法求解f(x)的最优值。可用如下公式表示：

技术总结
本发明涉及一种计及约束条件的锂电池寿命预测方法，属于锂离子电池技术领域。首先对锂电池的历史数据进行关联性分析，提取历史数据中的放电电流倍率、放电温度及电池容量等数值作为特征因素，将预处理后的数据按照9：1的比例随机划分为训练集与测试集，通过训练样本得到LGBM模型。对实时读取的锂电池数据经过处理输入模型进行预测，并将预测结果经过约束条件进行数据修正，最终得到本次放电结束后的锂电池容量。本发明提供一种计及约束条件的锂电池寿命预测方法，其在无大量数据作支撑的前提下，对预测结果添加约束条件进行修正，使得最终的预测结果符合电池衰减规律，有效提高模型预测的准确率。

技术研发人员：范晋衡,刘琦颖,彭伟伦,吴琼,周亮,赵颖,马力
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：
技术公布日：2024/1/15