CN108303652A - 一种锂电池剩余寿命预测方法 - Google Patents

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

一种锂电池剩余寿命预测方法

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。