CN104778337A - 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 - Google Patents
一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN104778337A CN104778337A CN201510217102.3A CN201510217102A CN104778337A CN 104778337 A CN104778337 A CN 104778337A CN 201510217102 A CN201510217102 A CN 201510217102A CN 104778337 A CN104778337 A CN 104778337A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- principal component
- battery
- degradation model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,首先,利用函数型主成分分析(functional principal component analysis,FPCA)构建锂电池非参数退化模型,基于此退化模型对锂电池剩余寿命进行预测,并分析了不同数量的建模数据对预测精度的影响。为了实现锂电池退化模型的实时更新,本发明提出了经验贝叶斯方法。通过贝叶斯方法对锂电池退化模型进行实时修正,可以得到更精确的锂电池退化模型。在此基础之上,本发明采用参数bootstrap方法计算锂电池剩余寿命分布,并计算其置信区间。
Description
技术领域
本发明涉及锂电池剩余寿命预测的技术领域,具体涉及一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法。
背景技术
随着锂离子电池的发展,有关锂离子电池寿命预测的研究起始于20世纪80年代。有效的电池寿命预测不仅能够预测潜在的风险,从而为电池的使用提供有效的指导,并且可以减少电池失效引起的相关损失。
关于电池寿命预测目前有很多方法,其中大多都是基于模型的和基于数据驱动的预测方法。现有的基于模型的寿命预测方法可以分为基于电化学模型的方法,基于等效电路的方法,基于性能的方法和基于解析模型的方法。电化学模型是基于多孔电极理论和纳米力学建立的,该模型描述了电池极化过程和电池内部特定组件的物理变形。等效电路模型经常采用等效电路对电池进行建模,并采用许多技术估计模型参数。电化学模型和等效电路模型在一些特定的案例中具有良好的效果,然而,由于技术、设计和材料等原因,这些模型适用性较差。基于性能的模型需要建立退化因素与电池性能之间的关系,然而,考虑到诸多环境变量之间的相互影响,退化因素与电池性能之间的关系需要通过不同工作状况下的电池仿真与大量加速寿命试验才能得到。解析模型可以通过粒子滤波、无味卡尔曼滤波等方法建立。当模型建立准确时,该模型可以得到精确的预测结果。然而,准确的模型参数往往难以获取。相比这四种电池模型,基于数据驱动的方法不需要任何电池退化机理的先验知识以及物理化学方程。这种模型适用性强,并可以实现实时的寿命预测。近年来,基于数据驱动的电池寿命预测方法广受研究者关注。许多基于数据驱动的锂电池寿命预测方法已被提出。然而,目前大多基于数据驱动的锂电池寿命预测方法需要对电池数据进行特征提取,而不恰当的特征选取可能会显著影响电池寿命预测的精度。同时,大多方法只能给出电池寿命的点估计,不能给出其置信区间以及电池容量达到失效阈值时的剩余寿命分布。
发明内容
本发明提出了一种基于函数型主成分分析(Functional Principal Component Analysis,FPCA)与贝叶斯更新的锂电池寿命预测方法。该寿命预测方法无需提取任何电池退化特征,不仅可以实现锂电池寿命点估计,并且可以给出电池的剩余寿命分布。FPCA是一种函数型数据分析的统计方法,可以捕获隐藏在原始数据中的最突出特征。同时,大量研究表明,当数据集被视为连续函数时,FPCA方法所提供的信息比传统的离散数据分析法所提供的信息更有价值。因此,本发明采用FPCA方法建立电池的非参数退化模型。此外,为了实现锂电池退化模型的实时更新,本发明引入了贝叶斯方法,通过贝叶斯方法对锂电池退化模型进行实时修正,可以得到更精确的锂电池退化模型。在此基础之上,利用参数Bootstrap方法,实现锂电池剩余寿命分布和置信区间的计算。
本发明采用的技术方案为:一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,该方法步骤如下:
步骤一、利用函数型主成分分析(functional principal component analysis,FPCA)构建锂电池非参数退化模型,基于此退化模型对锂电池剩余寿命进行预测,并分析了不同数量的建模数据对预测精度的影响;
步骤二、为了实现锂电池非参数退化模型的实时更新,通过贝叶斯方法对锂电池退化模型进行实时修正,可以得到更精确的锂电池退化模型;
步骤三、采用参数bootstrap方法计算锂电池剩余寿命分布,并计算其置信区间。
进一步的,步骤一中,基于FPCA的锂离子电池寿命预测模型从本质上来说是非参数模型,在预测过程中利用已知的同类型样本的退化数据和预测对象的现场数据,进行退化模型训练,并基于建立好的退化模型实现锂电池的寿命预测,具体过程如下:
(1)假定预测起始点为t0,验证对象在时刻t0以前的所有容量数据为同类型其他锂电池的容量数据为将两部分数据结合,用于建立非参数退化模型;
(2)利用结合后的数据集,采用FPCA方法建立非参数退化模型,并估计均值函数u(t),主成分得分ξik以及权重函数φk(tij);
(3)根据建立的退化模型,给出未来的时间序列其相应时间点的容量值可以预测,如对于时刻tl,d,该时刻的容量值Sl(tl,d)可以按照如下方法进行估计:
进一步的,步骤二中,采用贝叶斯方法实现退化模型的实时更新,假设在时刻t={t1,t2,…,tm}获得了新的观测值,tm是观测终止时间,假设主成分得分的先验分布为正态分布,均值函数u(t)与特征函数φk(t),k=1,2,...,K都是固定的,假设锂电池退化模型为先验分布ξik服从ξik~N(0,λk),其中ξ1,ξ2,...,ξK不相关,ε(t)服从ε(t)~N(0,σ2),其中σ2是固定的,那么主成分得分的后验分布可以按以下公式计算:
其中 且
S(t)=(S(t1),S(t2),…,S(tm))′,u(t)=(u(t1),u(t2),…,u(tm))′,
Λ=diag(λ1,λ2,…,λK),
利用特征值λk,k=1,2,...,K,可以计算主成分得分分布,而特征值λkk=1,2,...,K及特征向量φk,k=1,2,...,K可通过对历史退化容量退化数据进行FPCA得到,因此,更新的主成分得分k=1,2,...,K其后验分布可以通过矩阵C和特征向量d获得,同时,更新的均值函数可以表示为:
进一步的,步骤三中,在退化模型后验分布更新的基础上,采用参数bootstrap方法,计算电池在给定时间t*的RLD,并计算置信度为α的置信区间,置信区间的估计过程如下:
(1)从更新的函数型主成分得分正态分布中进行采样
(2)对于b的每个取值,得到一个模拟信号如下:
(3)取Tb=inft∈[0,T]{Sb(t)≤D}
通过获取样本值T1,T2,...,TB,可以得到锂电池的RLD,置信区间为1-α的电池剩余寿命可以通过以下公式得出:
P(L≤T′-t*≤U|S*(·),T′≥t*)=1-α
考虑到L和U的计算比较困难,采用一个近似的1-α置信区间来进行估计,其中α/2和(1-α)/2分位点用采样值T1,T2,...,TB进行计算。
本发明的优点与积极效果在于:
(1)本发明方法将电池容量数据看做关于循环次数的连续函数,并采用函数型数据分析的方法对锂电池容量数据进行分析,相比于传统的离散型数据分析方法能够提取更多的信息,所建立的电池退化模型更为准确;
(2)本发明方法无需对锂电池数据进行特征提取,避免了不恰当的特征选取对电池寿命预测精度造成的影响;
(3)本发明方法充分结合了总体样本的退化信息与个体样本退化信息,所建立的退化模型具有更强的适用性;
(4)本发明方法不需要预知电池复杂的退化机理及建立精确的数学模型;
(5)本发明方法不仅可以给出锂电池剩余寿命的点估计,同时可以给出锂电池剩余寿命分布及置信区间;
附图说明
图1为4个锂电池的容量退化曲线;
图2为用非参数估计法估计的均函数与特征函数示意图,其中,图(a)为估计的均函数图(b)为估计的特征函数φ1(t);图(c)为估计的特征函数φ2(t);
图3为电池#5,#6,#7的实际测量值和重构数据图,其中,(a)为电池#5的实际测量值和重构数据图,(b)为电池#6的实际测量值和重构数据图,(c)为电池#7的实际测量值和重构数据图;
图4为电池#18的容量预测结果示意图;
图5为电池#5的容量预测结果示意图;
图6为电池#6的容量预测结果示意图;
图7为现场数据量不同时电池#5的预测结果示意图,其中,图(a)现场数据为第1~30循环容量数据,图(b)现场数据为第1~60循环容量数据,图(c)现场数据为1~90循环容量数据,图(d)现场数据为1~120循环容量数据;
图8为现场数据不同时的电池预测RMSE和预测误差值,其中,图(a)为电池预测RMSE值,图(b)为电池预测误差值;
图9为电池退化模型在第100周期、第110周期、第120周期进行更新预测的RLD值和经验累积分布函数示意图,其中,图(a)、图(b)分别为电池退化模型在第100周期进行更新预测的RLD值和经验累积分布函数,图(c)、图(d)分别为电池退化模型在第110周期进行更新预测的RLD值和经验累积分布函数,图(e)、图(f)分别为电池退化模型在第120周期进行更新预测的RLD值和经验累积分布函数;
图10为不同预测起始点的估计正态密度函数示意图。
图11为一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法的流程图示意图。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
1.本发明提供的一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,具体步骤如下:
1.1基于FPCA的的锂离子电池退化模型
1.1.1容量退化模型
锂离子电池性能下降过程可视为一个潜在的随机过程。同时,电池的寿命周期可看作关于时间的函数。首先利用现有的容量数据建立锂电池退化模型以实现电池的寿命预测。由于函数型主成分分析(FPCA)是传统的主成分分析(PCA)的扩展,可以提供更稳定的估计值并避免引入高维协方差矩阵,同时,针对给定过程的不同数据集,FPCA能够提取包含他们共同特征的更多信息。因此本发明采用FPCA构建锂电池退化模型。
令Si(tij)为第i块电池在时间的容量观测值,tij是第i块电池的循环周期。考虑到观测值的观测误差,Si(tij)可以用以下方式表达:
Si(tij)=Xi(tij)+εij(t),0≤tij≤T;j=1,2,...,mi
Xij是原始信号,u(t)为均值函数,cov(X(s),X(t))=G(s,t)为协方差函数,T为最长失效时间,mi为第i块电池的观测点数。假设εij为独立同分布的随机误差,服从标准正态分布N(0,σ2)。G(s,t)可以依据特征向量φk和特征值λk按照以下公式表达:
G(s,t)=∑λkφk(s)φk(t),0≤s,t≤T
在经典FPCA法中,我们假设第i条曲线Xi(tij)可以按照如下公式描述:
Xi(tij)=u(tij)+∑ξikφk(tij)
其中u(tij)为平滑函数,φk(tij)为第k个特征函数。ξik为主成分得分,并具有以下性质:
E[ξik]=0;
在实际应用中,经常选择前K个主成分表示Xi(tij)。因此Xi(tij)可以表示为:
因此,锂离子电池的退化模型可以表示为:
1.1.2锂离子退化模型的非参数估计
大多数电池剩余寿命预测模型都是参数模型,需要对其参数形式进行假设。在该建模方法中,假设均值函数u(t)和协方差函数cov(X(s),X(t))是非参数化的,即我们对其参数形式不做任何假设。本部分内容主要u(t)和协方差函数cov(X(s),X(t))的估计法。
(1)均值函数估计
我们利用核估计方法估计均值函数u(tij),利用所有个体合并后的数据来估计均值函数u(tij),即求解下面这个最小化问题:
其中为核函数,通常选为高斯核函数,hu表示估计u(tij)所选用的窗宽,则u(t)的估计值为
其中:
核函数估计法对均值函数的平滑估计效果的好坏与选取的窗宽大小有关,我们可以利用leave-out-one-curve的交叉核实来挑选合适的窗宽。通常情况下,根据经验决定的窗宽大小就可以保证理想的效果。
(2)协方差函数的估计
假设协方差函数CX(s,t)=cov(X(s),X(t))=G(s,t),0≤s,t≤T。注意到cov(Sij,Sil|Tij,Til)=cov(X(Tij),X(Til))+δjlσ2,若j=l则δjl=1,反之δjl=0。令则E[Gi(Tij,Til)|Tij,Til]≈cov(X(Tij),X(Til))+δjlσ2。只有当j≠l时,Gi(Tij,Til)才可以被用来估计协方差函数。当s≠t时,G(s,t)可通过下面最小化问题得到:
其中表示某种二元核函数,hG表示估计G(s,t)所用的窗宽。因此,对于s≠t,G(s,t)的估计值为:
其中:
同样,窗宽hG可利用leave-out-one-curve的交叉核实来挑选合适值,以获得更好的估计效果。
以上的方法是对协方差函数在s≠t情况下进行估计的。因为协方差函数在对角线方向上达到最大,且在垂直对角线方向上使用局部二次拟合比局部线性拟合出的近似形状要好,所以在对角线方向上采用局部线性拟合,垂直对角线方向使用二次拟合。注意在具体实施拟合的时候,需将坐标轴顺时针旋转π/4,然后再求解最小化问题:
其中:
那么得到:
显然此时不包含随机误差的信息,Gi(Tij,Til)作为原始数据,利用局部线性拟合,得到显然不仅仅包含协方差函数G(t,t),还包含随机误差的方差σ2,可以借助来得到方差σ2的估计。为了消除边界效应,我们去除区间的两个端点。令|T|=T,T1=[inf{x:x∈T}+|T|/4,sup{x:x∈T}-|T|/4],则
对于本征函数和特征根我们通过求解特征方程:
其中 且 我们先将离散化,再用多元分析的方法得到
1.2基于退化模型的容量预测
基于FPCA的锂离子电池寿命预测模型从本质上来说是非参数模型,在预测过程中利用已知的同类型样本的退化数据和预测对象的现场数据,进行退化模型训练,过程如下:
(1)假定预测起始点为t0,验证对象在时刻t0以前的所有容量数据为同类型其他锂电池的容量数据为将两部分数据结合,用于建立非参数退化模型。
(2)利用结合后的数据集,采用FPCA方法建立非参数退化模型,并估计均值函数u(t),主成分得分ξik以及权重函数φk(tij)。
(3)根据建立的退化模型,给出未来的时间序列其相应时间点的容量值可以预测。如对于时刻tl,d,该时刻的容量值Sl(tl,d)可以按照如下方法进行估计:
1.3基于贝叶斯更新的剩余寿命估计
1.3.1退化模型更新
为了实现退化模型的实时更新,本发明提出了贝叶斯方法。假设在时刻t={t1,t2,…,tm}获得了新的观测值,tm是观测终止时间。我们假设主成分得分的先验分布为正态分布,均值函数u(t)与特征函数φk(t),k=1,2,...,K都是固定的。假设锂电池退化模型为先验分布ξik服从ξik~N(0,λk),其中ξ1,ξ2,...,ξK不相关,ε(t)服从ε(t)~N(0,σ2),其中σ2是固定的。那么主成分得分的后验分布可以按以下公式计算:
其中 且
S(t)=(S(t1),S(t2),…,S(tm))′,u(t)=(u(t1),u(t2),…,u(tm))′,
Λ=diag(λ1,λ2,…,λK),
利用特征值λk,k=1,2,...,K,可以计算主成分得分分布,而特征值λkk=1,2,...,K及特征向量φk,k=1,2,...,K可通过对历史退化容量退化数据进行FPCA得到。因此,更新的主成分得分k=1,2,...,K其后验分布可以通过矩阵C和特征向量d获得。同时,更新的均值函数可以表示为:
1.3.2剩余寿命分布估计
大多数锂电池寿命预测方法仅能提供一个点估计。然而,在实际应用中锂电池的RLD更为重要。本部分发明内容在退化模型后验分布更新的基础上,提出了一个基于参数bootstrap方法,计算电池在给定时间t*的RLD,并计算置信度为α的置信区间。置信区间的估计过程如下:
(1)从更新的函数型主成分得分正态分布中进行采样
(2)对于b的每个取值,得到一个模拟信号如下:
(3)取Tb=inft∈[0,T]{Sb(t)≤D}
通过获取样本值T1,T2,...,TB,可以得到锂电池的RLD,置信区间为1-α的电池剩余寿命可以通过以下公式得出:
P(L≤T′-t*≤U|S*(·),T′≥t*)=1-α
考虑到L和U的计算比较困难,我们采用一个近似的1-α置信区间来进行估计,其中α/2和(1-α)/2分位点用采样值T1,T2,...,TB进行计算。
2.案例分析
2.1 NASA锂离子电池实验数据的描述
本研究采用NASA PCoE研究中心的锂离子电池寿命循环实验数据。本研究选择电池#5,#6,#7和#18验证该方法的有效性。如表1,AT,CC,DC,EOD和EOLC分别代表环境温度、充电电流、放电电流、放电终止电压、放电终止准则。
锂离子电池首先以1.5A恒流充电,当电池电压达到4.2V之后,继续以恒压充电直到充电电流降到20mA。放电阶段锂电池以2A恒流放电直到电池电压达到EOD时实验停止。在该实验中,EOLC指的是电池最大充电电量(MCC)降到额定容量的70%。因此,锂电池失效阀值是1.38Ah。图1显示了4个锂离子电池的容量退化曲线。考虑到电池#7的容量总是大于预设的故障阀值1.38Ah,因此在后续验证中不采用电池#7作为验证对象。
表1不同工况下的典型数据
2.2非参数退化模型
我们把电池#18作为验证对象,并假定电池#18的现场数据是前70个循环的容量数据。然后,我们利用电池#5,#6,#7的全部容量退化数据和电池#18的现场数据构建非参数退化模型,并用非参数估计法估计模型参数。所估计均函数与特征函数如图2所示。
为了验证锂电池退化模型的准确性,利用估计的均函数主成分得分{ξ1,ξ2}、特征函数φ1(t)、φ2(t)重构电池退化数据,并用均方根误差验证退化模型的准确性。图3显示了电池#5,#6,#7的实际容量曲线与重构曲线。表2中给出了相应的电池重构RMSE值。从表中可以看出,RMSE值都很小,这也证明了非参数退化模型的高度准确性。
表2电池#5,#6,#7重构RMSE
2.3基于退化模型的容量预测
在建立非参数退化模型之后,选取电池#18作为验证对象,预测其未来循环的最大充电电量及置信区间。图4为电池#18的预测结果,置信度为1-α=0.95。
同样,将电池#5和电池#6作为验证对象。现场数据假设为电池的前70个循环的容量数据。利用验证对象现场数据和其他电池的所有能量数据构建电池的退化模型。图5和图6为容量预测结果,置信区间为0.5到0.95。
2.4基于给定失效阀值的锂电池寿命预测
基于所估计的锂电池最大放电电量值,给定失效阈值,可以得到锂电池剩余使用寿命。在本研究中,故障阈值为1.38Ah,即额定容量的70%。同时,锂电池寿命置信区间设为1-α=0.95。分别采用第1~10循环,第1~20循环……第1~110循环,第1~120循环的容量退化数据作为现场数据对锂电池寿命进行预测,以验证不同数量的现场数据对电池退化模型准确性的影响。本研究采用电池#5作为验证对象。图7显示了利用电池#5第1~30,第1~60,第1~90,第1~120循环的容量数据作为现场数据的预测结果。电池容量RMSE值及预测误差用来估计本研究所提方法的准确性,如表3和图8所示。
表3现场数据量不同时电池#5的预测结果
如表3和图8所示,随着现场数据数量的增长,容量数据的RMSE值表现出下降的趋势,预测寿命越来越接近于实际寿命,利用更多的现场数据训练模型可以使非参数退化模型有着更高的准确性。从表3中可以看出,最佳的预测寿命结果为第133循环,最小预测误差为6个循环。
2.5基于贝叶斯更新的RLD计算
本部分内容采用经验贝叶斯方法实现锂电池退化模型实时更新,并用bootstrap方法计算锂离子电池的剩余寿命分布与置信区间。该部分内容仍采用电池#5作为验证对象。假设电池#5的现场数据为前80个周期的容量数据,用现场数据及其他电池的容量退化数据建立电池退化模型。Bootstrap方法的采样次数设为B=1000。每当获得新的容量数据,便对电池退化模型中的参数进行更新,从而得到更新的锂电池剩余寿命分布。从第81到第120循环,每测得一个新数据便执行一次更新,总计进行40次。图9显示了电池退化模型在第100、110、120循环进行更新所得到的剩余寿命分布及相应的经验累积分布函数(CDF),图中曲线为估计的正态密度函数。为了便于比较,将三条曲线放入一个图中,如图10所示。
表4基于贝叶斯更新的预测结果
从图9和图10可以看出,随着更新时间点的后移,RLD的中心越来越接近实际的电池寿命。同时,时间轴上的分布区间变狭窄,峰值变高,表明了预测结果的不确定性变小,准确度提高,这是因为随着用于贝叶斯更新的数据增多,退化模型包含了更多的个体信息,因此可以获得更准确的预测模型。
Claims (4)
1.一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,其特征在于:该方法步骤如下:
步骤一、利用函数型主成分分析(functional principal component analysis,FPCA)构建锂电池非参数退化模型,基于此退化模型对锂电池剩余寿命进行预测,并分析了不同数量的建模数据对预测精度的影响;
步骤二、为了实现锂电池非参数退化模型的实时更新,通过贝叶斯方法对锂电池退化模型进行实时修正,可以得到更精确的锂电池退化模型;
步骤三、采用参数bootstrap方法计算锂电池剩余寿命分布(distribution of the remaininglifetime,RLD),并计算其置信区间。
2.根据权利要求1所述的一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,其特征在于:步骤一中,基于FPCA的锂离子电池寿命预测模型从本质上来说是非参数模型,在预测过程中利用已知的同类型样本的退化数据和预测对象的现场数据,进行退化模型训练,并基于建立好的退化模型实现锂电池的寿命预测,具体过程如下:
(1)假定预测起始点为t0,验证对象在时刻t0以前的所有容量数据为同类型其他锂电池的容量数据为将两部分数据结合,用于建立非参数退化模型;
(2)利用结合后的数据集,采用FPCA方法建立非参数退化模型,并估计均值函数u(t),主成分得分ξik以及权重函数φk(tij);
(3)根据建立的退化模型,给出未来的时间序列其相应时间点的容量值可以预测。如对于时刻tl,d,该时刻的容量值Sl(tl,d)可以按照如下方法进行估计:
3.根据权利要求1所述的一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,其特征在于:步骤二中,采用贝叶斯方法实现退化模型的实时更新,假设在时刻t={t1,t2,…,tm}获得了新的观测值,tm是观测终止时间,假设主成分得分的先验分布为正态分布,均值函数u(t)与特征函数φk(t),k=1,2,...,K都是固定的,假设锂电池退化模型为先验分布ξik服从ξik~N(0,λk),其中ξ1,ξ2,...,ξK不相关,ε(t)服从ε(t)~N(0,σ2),其中σ2是固定的,那么主成分得分的后验分布可以按以下公式计算:
其中 且
S(t)=(S(t1),S(t2),…,S(tm))′,u(t)=(u(t1),u(t2),…,u(tm))′,
Λ=diag(λ1,λ2,…,λK),
利用特征值λk,k=1,2,...,K,可以计算主成分得分分布,而特征值λkk=1,2,...,K及特征向量φk,k=1,2,...,K可通过对历史退化容量退化数据进行FPCA得到,因此,更新的主成分得分k=1,2,...,K其后验分布可以通过矩阵C和特征向量d获得,同时,更新的均值函数可以表示为:
4.根据权利要求1所述的一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法,其特征在于:步骤三中,在退化模型后验分布更新的基础上,采用参数bootstrap方法,计算电池在给定时间t*的RLD,并计算置信度为α的置信区间,置信区间的估计过程如下:
(1)从更新的函数型主成分得分正态分布中进行采样
(2)对于b的每个取值,得到一个模拟信号如下:
(3)取Tb=inft∈[0,T]{Sb(t)≤D}
通过获取样本值T1,T2,...,TB,可以得到锂电池的RLD,置信区间为1-α的电池剩余寿命可以通过以下公式得出:
P(L≤T′-t*≤U|S*(·),T′≥t*)=1-α
考虑到L和U的计算比较困难,采用一个近似的1-α置信区间来进行估计,其中α/2和(1-α)/2分位点用采样值T1,T2,...,TB进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217102.3A CN104778337B (zh) | 2015-04-30 | 2015-04-30 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510217102.3A CN104778337B (zh) | 2015-04-30 | 2015-04-30 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778337A true CN104778337A (zh) | 2015-07-15 |
CN104778337B CN104778337B (zh) | 2017-03-22 |
Family
ID=53619798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510217102.3A Active CN104778337B (zh) | 2015-04-30 | 2015-04-30 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778337B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
CN106874634A (zh) * | 2017-04-11 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
CN106965685A (zh) * | 2015-10-20 | 2017-07-21 | 福特全球技术公司 | 用于指示电池老化的***和方法 |
CN107219461A (zh) * | 2016-03-22 | 2017-09-29 | 珠海光宇电池有限公司 | 二次电池的寿命预测方法及电源管理方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池***剩余可用寿命预测方法 |
CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
CN109446661A (zh) * | 2018-10-31 | 2019-03-08 | 河北工业大学 | 一种考虑锂电池退化特性的剩余寿命预测方法 |
CN109543769A (zh) * | 2018-11-30 | 2019-03-29 | 国网山东省电力公司电力科学研究院 | 一种基于函数型主成分分析和小波变换的变压器运行数据缺失点修补方法 |
CN110006844A (zh) * | 2019-05-22 | 2019-07-12 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和*** |
US10354462B1 (en) | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
US10650616B2 (en) | 2018-04-06 | 2020-05-12 | University Of Connecticut | Fault diagnosis using distributed PCA architecture |
CN111487549A (zh) * | 2020-04-01 | 2020-08-04 | 浙江大学城市学院 | 一种用于小型旋转翼纯电动无人机的锂电池状态估计方法 |
CN111487534A (zh) * | 2020-04-20 | 2020-08-04 | 芜湖职业技术学院 | 一种蓄电池剩余放电时间的预测方法 |
CN111639442A (zh) * | 2020-06-09 | 2020-09-08 | 山东交通学院 | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** |
CN111707956A (zh) * | 2020-08-11 | 2020-09-25 | 中北大学 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
CN111983474A (zh) * | 2020-08-25 | 2020-11-24 | 陕西科技大学 | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** |
US11113168B2 (en) | 2018-03-09 | 2021-09-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Distributed architecture for fault monitoring |
WO2022017984A1 (de) * | 2020-07-24 | 2022-01-27 | Robert Bosch Gmbh | Verfahren zum prädizieren einer restlebensdauer von fahrzeugbatterien einer flotte elektrischer fahrzeuge |
US11614491B2 (en) | 2021-04-20 | 2023-03-28 | Toyota Research Institute, Inc. | Systems and methods for predicting the cycle life of cycling protocols |
CN117291445A (zh) * | 2023-11-27 | 2023-12-26 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源***下基于状态转移的多目标预测方法 |
CN117890792A (zh) * | 2024-01-04 | 2024-04-16 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 动力电池容量的预测方法、装置、计算机设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
-
2015
- 2015-04-30 CN CN201510217102.3A patent/CN104778337B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN104459552A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 评估充电行为对电动汽车电池健康状况的影响的方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106965685A (zh) * | 2015-10-20 | 2017-07-21 | 福特全球技术公司 | 用于指示电池老化的***和方法 |
CN105277896A (zh) * | 2015-10-26 | 2016-01-27 | 安徽理工大学 | 基于elm-mukf的锂电池剩余寿命预测方法 |
CN107219461A (zh) * | 2016-03-22 | 2017-09-29 | 珠海光宇电池有限公司 | 二次电池的寿命预测方法及电源管理方法 |
CN107219461B (zh) * | 2016-03-22 | 2020-09-15 | 珠海冠宇电池股份有限公司 | 二次电池的寿命预测方法及电源管理方法 |
CN106226699B (zh) * | 2016-07-11 | 2019-01-22 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
CN106226699A (zh) * | 2016-07-11 | 2016-12-14 | 北京航空航天大学 | 一种基于时变权重最优匹配相似性的锂离子电池寿命预测方法 |
CN106597311A (zh) * | 2016-12-21 | 2017-04-26 | 哈尔滨工业大学 | 基于主成分分析的融合hi等效性锂离子电池退化预测方法 |
CN106874634A (zh) * | 2017-04-11 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
CN107238800A (zh) * | 2017-06-12 | 2017-10-10 | 北京理工大学 | 一种基于相关向量机和粒子滤波的动力电池***剩余可用寿命预测方法 |
CN107688556B (zh) * | 2017-07-24 | 2021-09-07 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
CN107688556A (zh) * | 2017-07-24 | 2018-02-13 | 中山大学 | 一种基于函数型主成分分析的实时行程时间计算方法 |
US11573877B2 (en) | 2018-03-09 | 2023-02-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Distributed architecture for fault monitoring |
US11113168B2 (en) | 2018-03-09 | 2021-09-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Distributed architecture for fault monitoring |
US10650616B2 (en) | 2018-04-06 | 2020-05-12 | University Of Connecticut | Fault diagnosis using distributed PCA architecture |
US10354462B1 (en) | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
CN108445421A (zh) * | 2018-06-06 | 2018-08-24 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池健康状态在线估计方法 |
CN109446661A (zh) * | 2018-10-31 | 2019-03-08 | 河北工业大学 | 一种考虑锂电池退化特性的剩余寿命预测方法 |
CN109543769A (zh) * | 2018-11-30 | 2019-03-29 | 国网山东省电力公司电力科学研究院 | 一种基于函数型主成分分析和小波变换的变压器运行数据缺失点修补方法 |
CN110006844A (zh) * | 2019-05-22 | 2019-07-12 | 安徽大学 | 基于函数性主元分析的近红外光谱特征提取方法和*** |
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110222431B (zh) * | 2019-06-11 | 2022-04-12 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN111487549A (zh) * | 2020-04-01 | 2020-08-04 | 浙江大学城市学院 | 一种用于小型旋转翼纯电动无人机的锂电池状态估计方法 |
CN111487534A (zh) * | 2020-04-20 | 2020-08-04 | 芜湖职业技术学院 | 一种蓄电池剩余放电时间的预测方法 |
CN111639442A (zh) * | 2020-06-09 | 2020-09-08 | 山东交通学院 | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** |
WO2022017984A1 (de) * | 2020-07-24 | 2022-01-27 | Robert Bosch Gmbh | Verfahren zum prädizieren einer restlebensdauer von fahrzeugbatterien einer flotte elektrischer fahrzeuge |
CN111707956A (zh) * | 2020-08-11 | 2020-09-25 | 中北大学 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
CN111707956B (zh) * | 2020-08-11 | 2022-08-30 | 中北大学 | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 |
CN111983474A (zh) * | 2020-08-25 | 2020-11-24 | 陕西科技大学 | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** |
US11614491B2 (en) | 2021-04-20 | 2023-03-28 | Toyota Research Institute, Inc. | Systems and methods for predicting the cycle life of cycling protocols |
CN117291445A (zh) * | 2023-11-27 | 2023-12-26 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源***下基于状态转移的多目标预测方法 |
CN117291445B (zh) * | 2023-11-27 | 2024-02-13 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源***下基于状态转移的多目标预测方法 |
CN117890792A (zh) * | 2024-01-04 | 2024-04-16 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 动力电池容量的预测方法、装置、计算机设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104778337B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778337A (zh) | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 | |
Zhang et al. | Remaining useful life prediction for lithium-ion batteries based on exponential model and particle filter | |
Li et al. | Lithium battery state-of-health estimation and remaining useful lifetime prediction based on non-parametric aging model and particle filter algorithm | |
CN103778280B (zh) | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 | |
Li et al. | A mutated particle filter technique for system state estimation and battery life prediction | |
CN102622473B (zh) | 基于贝叶斯理论的步进应力加速退化试验优化设计方法 | |
CN111443294A (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN103954915A (zh) | 基于概率集成的锂离子电池剩余寿命间接预测方法 | |
CN105445671A (zh) | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 | |
Yang et al. | A reliability assessment approach for electric power systems considering wind power uncertainty | |
CN103954913A (zh) | 电动汽车动力电池寿命预测方法 | |
CN103336913B (zh) | 一种适合于空间锂离子电池状态监测和截止电压预测的方法 | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN103033761A (zh) | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 | |
CN112816874A (zh) | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN107423496B (zh) | 一种新的降雨事件随机生成方法 | |
CN109917292A (zh) | 一种基于daupf的锂离子电池寿命预测方法 | |
CN103399281A (zh) | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 | |
CN110442941A (zh) | 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN105629175A (zh) | 一种基于无迹卡尔曼滤波的锂离子电池寿命预测方法 | |
CN113504483B (zh) | 考虑不确定性的锂离子电池剩余寿命集成预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200609 Address after: No. 214, xiaoxinzhuang village, Beifang Town, Huairou District, Beijing Patentee after: Beijing Hengxing Yikang Technology Co., Ltd Address before: 100191 Haidian District, Xueyuan Road, No. 37, Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |