CN108303652A - 一种锂电池剩余寿命预测方法 - Google Patents
一种锂电池剩余寿命预测方法 Download PDFInfo
- Publication number
- CN108303652A CN108303652A CN201810052667.4A CN201810052667A CN108303652A CN 108303652 A CN108303652 A CN 108303652A CN 201810052667 A CN201810052667 A CN 201810052667A CN 108303652 A CN108303652 A CN 108303652A
- Authority
- CN
- China
- Prior art keywords
- sequence
- battery
- prediction
- decomposition
- useful life
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池剩余寿命预测方法,包含两个阶段:第一阶段为分解阶段,应用EMD将复杂的电池健康状态(State‑of‑Health,SOH)序列分解为有限个本征模函数(Intrinsic Mode Function,IMF)以及一个残余函数。第二阶段为预测阶段,利用自回归积分滑动平均模型(ARIMA)对分解后的各个函数进行预测,并再将各个预测相加得到整体SOH预测值,进而得到电池剩余寿命。本发明充分考虑电池SOH序列的局部波动部分,预测更加真实有效。
Description
技术领域
本发明属于电池技术领域,涉及一种电池剩余寿命的预测方法,具体涉及一种融合经验模态分解和自回归积分滑动平均模型的锂电池剩余寿命预测方法。
背景技术
电动汽车是未来汽车发展的必然趋势。由于动力电池的老化特性,持续衰减的续驶里程及安全问题始终是电动汽车大范围迅速普及的制约因素。电池老化不仅造成电池容量的减少,也大大降低了电动汽车最大瞬时功率的输出,继而造成汽车动力不足,在超车和上坡的情况下存在安全隐患;同时老化的电池发热严重,过热造成的起火亦是电动汽车安全隐患之一。国家《节能与新能源汽车技术路线图》中明确指出动力电池的中期发展方向为提升动力电池安全性、一致性和寿命。电池的剩余寿命一般指,从当前时刻到电池容量衰减到出厂容量的80%时所能继续充放电的次数。动力电池的剩余寿命(remaining usefullife,RUL)预测能有效规避因电池性能过度衰减导致的安全事故,并能提前规划电池的维修及替换。
目前,电池剩余寿命预测方法多种多样,有模型法、数据驱动法等。模型法常以电池充放电次数为输入得到电池剩余寿命。由于此方法中的模型常常由特定使用状况(如温度一定、恒流放电)下得到,因此模型法局限较大。近几年随着机器学习的兴起,越来越多的数据驱动方法应用到电池寿命预测,如神经网络、支持向量机等,虽然该类方法与前者相比具有不依赖电池使用状况的优点,但是其预测精度却与电池数据紧密相关,也与参数选取有关,虽然有时能得到较为精确地预测值,但是预测结果极不稳定。
电池电量衰减过程中伴随着电量再生(capacity regeneration),这是剩余寿命预测不可忽略的一部分。电量再生使得电池电量衰减序列极不稳定,因此上述两种方法都难以始终实现准确预测。
发明内容
为了解决上述技术问题,本发明提供了一种融合经验模态分解和自回归积分滑动平均模型的锂电池剩余寿命预测方法。
本发明所采用的技术方案是:一种锂电池剩余寿命预测方法,其特征在于:包括分解阶段和预测阶段;
所述分解阶段,是将电池电量序列分解为频率不同的几个微型序列和一个单调序列,前者为本征模函数,后者为残余函数;微型序列代表电池电量再生现象,而单调序列代表电池电量的衰减趋势;
所述预测阶段包括以下两个步骤:
步骤1:对分解后的每一个序列都进行单一预测;
首先判断序列是否为平稳序列,如若不平稳进行差分直至平稳;之后确定预测模型的阶数及参数,做出单一序列的预测;
步骤2:综合预测;
将所有的单一预测序列相加,得到电池电量的总体预测序列;将该序列与电池初始电量的80%对比,得到电池的剩余寿命。
相对于现有技术,本发明的有益效果是:
一、分解后的各序列完全保存了原SOH序列信息,分解后的序列不仅含有电池衰减整体趋势,也含有电池电量再生序列;基于此的预测更能反映电池衰减的实际情况。
二、分解后的序列比原SOH序列简单,容易应用适宜的预测模型,预测更加准确。而传统方法直接对SOH序列做预测,由于原始序列波动无规律,所以预测难度大,精度差。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例中单一预测流程图;
图3为本发明实施例的经过EMD分解后的电池SOH(电量百分制)序列。
图4为本发明实施例的SOH序列预测结果。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
经验模态分解能将电池电量序列分解为频率不同的几个微型序列和一个单调序列,前者即为本征模函数,后者为残余函数。微型序列代表电池电量再生现象,而单调序列代表电池电量的衰减趋势。分解后用ARIMA单独预测各个序列,既考虑了电池的电量再生现象,又参考了电池衰减趋势。因此理论上,该种融合了经验模态分解和自回归积分滑动平均模型的锂电池剩余寿命预测方法能显著提高预测性能。
基于上述理论,本发明提出了一种融合了经验模态分解(empirical modedecomposition,EMD)和自回归积分滑动平均模型(autoregressive integrated movingaverage,ARIMA)的锂电池剩余寿命预测方法。
请见图1,本发明包含两个阶段:第一阶段为分解阶段,应用经验模态分解(EMD)将复杂的电池健康状态(State-of-Health,SOH)序列分解为有限个本征模函数(IntrinsicMode Function,IMF)以及一个残余函数。第二阶段为预测阶段,利用自回归积分滑动平均模型(ARIMA)对分解后的各个函数进行单一预测,并再将各个预测相加得到整体SOH预测值,进而得到电池剩余寿命。
针对ARIMA模型,请见图2,本发明的单一预测具体实现过程是:
步骤1.1:判断序列是否为平稳序列;
若是,则执行步骤1.2;
若否,则对序列进行差分直至平稳,然后执行步骤1.2;
步骤1.2:确定ARIMA模型的阶数;
步骤1.3:利用最小二乘法决定ARIMA模型的参数;
步骤1.4:做出单一序列的预测;
步骤1.5:判断是否达到寿命终点;
若是,则本流程结束;
若否,则将预测点添加到训练序列,并回转执行步骤1.3。
本实施例将电池电量除以初始电量,并百分制得到电池SOH序列。利用EMD对电池SOH序列做分解,得到图3所示的各个序列。之后运用ARIMA对每个序列预测并将各个预测结果相加得到如图4所示的预测结果。然后,将预测值与失效阈值(初始电量的80%)作比较,从预测起始到达失效阈值的充放电次数即为剩余寿命。
需要说明的是,本实施例的电池电量序列分解不局限于经验模态分解,其他分解方法如小波分解、集合经验模态分解也受权利保护。
需要说明的是,本实施例的单一序列预测方法,不仅仅局限于ARIMA预测,亦可使用其他方法与RVM、SVM、高斯过程回归模型进行预测。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种锂电池剩余寿命预测方法,其特征在于:包括分解阶段和预测阶段;
所述分解阶段,是将电池电量序列分解为频率不同的几个微型序列和一个单调序列,前者为本征模函数,后者为残余函数;本征模函数代表电池电量再生现象,而残余函数代表电池电量的衰减趋势;
所述预测阶段包括以下两个步骤:
步骤1:对分解后的每一个序列都进行单一预测;
首先判断序列是否为平稳序列,如若不平稳进行差分直至平稳;之后确定预测模型的阶数及参数,做出单一序列的预测;
步骤2:综合预测;
将所有的单一预测序列相加,得到电池电量的总体预测序列;将该序列与电池初始电量的80%对比,得到电池的剩余寿命。
2.根据权利要求1所述的锂电池剩余寿命预测方法,其特征在于:所述分解阶段,将电池电量序列分解方法包括经验模态分解EMD、小波分解、集合经验模态分解。
3.根据权利要求1所述的锂电池剩余寿命预测方法,其特征在于:步骤1中所述预测模型包括ARIMA模型、RVM模型、SVM模型、高斯过程回归模型。
4.根据权利要求3所述的锂电池剩余寿命预测方法,其特征在于,所述单一预测,针对ARIMA预测模型,具体实现包括以下子步骤:
步骤1.1:判断序列是否为平稳序列;
若是,则执行步骤1.2;
若否,则对序列进行差分直至平稳,然后执行步骤1.2;
步骤1.2:确定预测模型的阶数;
步骤1.3:利用最小二乘法决定预测模型的参数;
步骤1.4:做出单一序列的预测;
步骤1.5:判断是否达到寿命终点;
若是,则本流程结束;
若否,则将预测点添加到训练序列,并回转执行步骤1.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052667.4A CN108303652A (zh) | 2018-01-18 | 2018-01-18 | 一种锂电池剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052667.4A CN108303652A (zh) | 2018-01-18 | 2018-01-18 | 一种锂电池剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108303652A true CN108303652A (zh) | 2018-07-20 |
Family
ID=62865921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810052667.4A Pending CN108303652A (zh) | 2018-01-18 | 2018-01-18 | 一种锂电池剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303652A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
CN111143973A (zh) * | 2019-12-05 | 2020-05-12 | 云南电网有限责任公司玉溪供电局 | 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN112666483A (zh) * | 2020-12-29 | 2021-04-16 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN113406525A (zh) * | 2021-06-15 | 2021-09-17 | 安庆师范大学 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN115032541A (zh) * | 2022-04-13 | 2022-09-09 | 北京理工大学 | 一种锂离子电池容量退化预测方法及装置 |
CN115808627A (zh) * | 2023-02-03 | 2023-03-17 | 泉州装备制造研究所 | 一种锂电池soh预测方法及装置 |
WO2024109760A1 (zh) * | 2022-11-22 | 2024-05-30 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测***及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN107464226A (zh) * | 2017-07-31 | 2017-12-12 | 东南大学 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
-
2018
- 2018-01-18 CN CN201810052667.4A patent/CN108303652A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
CN107464226A (zh) * | 2017-07-31 | 2017-12-12 | 东南大学 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
Non-Patent Citations (1)
Title |
---|
岳相臣: "《经验模态分解算法应用研究》", 《硕士学位论文》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031153B (zh) * | 2018-10-16 | 2020-01-24 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN109031153A (zh) * | 2018-10-16 | 2018-12-18 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110221225B (zh) * | 2019-07-08 | 2021-02-26 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
CN110888077A (zh) * | 2019-10-30 | 2020-03-17 | 无锡市产品质量监督检验院 | 一种基于arima时间序列的锂离子电池寿命加速评估方法 |
CN111143973B (zh) * | 2019-12-05 | 2021-01-26 | 云南电网有限责任公司玉溪供电局 | 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法 |
CN111143973A (zh) * | 2019-12-05 | 2020-05-12 | 云南电网有限责任公司玉溪供电局 | 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法 |
CN111157897B (zh) * | 2019-12-31 | 2022-05-10 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN112540317A (zh) * | 2020-12-16 | 2021-03-23 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN112540317B (zh) * | 2020-12-16 | 2022-12-02 | 武汉理工大学 | 基于实车数据的电池健康状态估计与剩余寿命预测方法 |
CN112666483A (zh) * | 2020-12-29 | 2021-04-16 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN112666483B (zh) * | 2020-12-29 | 2022-06-21 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN113406525A (zh) * | 2021-06-15 | 2021-09-17 | 安庆师范大学 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113406525B (zh) * | 2021-06-15 | 2023-06-02 | 金陵科技学院 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN115032541A (zh) * | 2022-04-13 | 2022-09-09 | 北京理工大学 | 一种锂离子电池容量退化预测方法及装置 |
CN115032541B (zh) * | 2022-04-13 | 2023-12-05 | 北京理工大学 | 一种锂离子电池容量退化预测方法及装置 |
WO2024109760A1 (zh) * | 2022-11-22 | 2024-05-30 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测***及计算机设备 |
CN115808627A (zh) * | 2023-02-03 | 2023-03-17 | 泉州装备制造研究所 | 一种锂电池soh预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303652A (zh) | 一种锂电池剩余寿命预测方法 | |
Chen et al. | A novel energy management method for series plug-in hybrid electric vehicles | |
CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
Maia et al. | Expanding the lifetime of Li-ion batteries through optimization of charging profiles | |
CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN108110349B (zh) | 一种电池充电的方法及装置、计算机可读存储介质 | |
CN102044717A (zh) | 一种锂离子电池组的最大可充放电功率控制方法 | |
CN104408257A (zh) | 基于模拟退火粒子群算法的混合动力汽车参数优化方法 | |
CN110364775A (zh) | 电池的充电控制方法、充电控制装置及终端 | |
CN115303290B (zh) | 车辆混合关键级***的***关键级切换方法及*** | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、***、设备及介质 | |
CN116436019A (zh) | 一种多资源协调优化方法、装置及存储介质 | |
CN114583734A (zh) | 多类型储能***能量管理方法、***、设备和存储介质 | |
CN117207905B (zh) | 一种新能源汽车的电源运维方法、***及存储介质 | |
CN110648013A (zh) | 一种基于对偶型最大熵的电动汽车充电负荷预测方法 | |
CN109031946A (zh) | 一种混合储能***的控制方法及装置 | |
CN113459897B (zh) | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 | |
CN110061510B (zh) | 一种时段解耦安全约束经济调度快速求解方法和*** | |
CN116643177A (zh) | 一种电池健康度在线预测方法、装置、设备及介质 | |
Zhang et al. | A comparison study on electric vehicle growth forecasting based on grey system theory and NAR neural network | |
CN106060668A (zh) | 智能电视设置方法及装置 | |
CN115499315A (zh) | Ota升级任务的执行方法、装置和电子设备 | |
CN115549256A (zh) | 储能***的充放电控制方法、储能***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |