CN108490365A - 一种估计电动汽车的动力电池的剩余寿命的方法 - Google Patents

Abstract

本发明涉及电动汽车的动力电池管理***，尤其涉及一种对电动汽车的动力电池的剩余寿命进行估计的方法。为解决现有技术预估动力电池的剩余寿命存在的精度低，成本高的问题，本发明提出一种估计电动汽车的动力电池剩余寿命的方法，在线估计出动力电池的实时剩余容量值C_m；计算出动力电池的实时健康状态SOH，确定动力电池的线性衰减阶段起始点；建立动力电池的线性老化模型SOH_k并辨识出线性老化模型的参数，估计动力电池的剩余充放电循环次数p，这种估计方法通过在线估计得出动力电池的剩余寿命，简单方便，估计精度高，成本低。

Description

一种估计电动汽车的动力电池的剩余寿命的方法

技术领域

本发明涉及电动汽车的动力电池管理***，尤其涉及一种对电动汽车的动力电池的剩余寿命进行估计的方法。

背景技术

由于锂离子动力电池具有高能量/功率密度及长寿命周期等特性，故被广泛应用于电动汽车领域。动力电池的性能在工作过程中不断衰减，当其健康状态值衰减至健康状态初始值的80％时，则认为动力电池达到截止寿命(End of life，简称EOL)。由此可见，提前对动力电池尤其是电动汽车中的动力电池的剩余寿命(Remaining useful life，简称RUL)进行预估，可帮助用户提前对动力电池进行维修保养，避免因动力电池失效而导致电动汽车无法使用，甚至引发交通事故，对用户造成人员及财产损失。

目前，对动力电池的剩余寿命进行估计的方法可分为基于模型的估计方法和基于数据驱动的估计方法两类。其中，基于模型的估计方法是利用非线性老化模型结合滤波技术对动力电池的剩余寿命进行预估，该方法需先根据动力电池的离线实验数据对非线性老化模型进行初始化，再使用滤波技术根据动力电池的部分在线数据对非线性老化模型进行更新，完成对动力电池的剩余寿命的预估。但是，由于电动汽车的行驶工况复杂多变，故实验人员很难设计出与电动汽车的动力电池在线工作条件完全相同的加速寿命实验来采集有效的离线数据，进而无法获得精确的预测结果。

基于数据驱动的预估方法是基于离线或者在线训练数据，应用机器学习技术对动力电池的剩余寿命进行预估，现在已应用于动力电池剩余寿命预估的机器学习技术有自适应循环神经网络(Adaptive recurrent neural network，简称ARNN)技术、支持向量机(Support vector machine，简称SVM)技术以及相关向量机(Relevance vector machine，简称RVM)技术。机器学习技术又分为基于离线数据的机器学习方法和基于在线数据的机器学习方法两类。其中，基于离线数据的机器学习方法需要大量的离线数据才能实现对动力电池模型的有效训练，进而预估得出动力电池的剩余寿命，运算量大，估计成本高。基于在线数据的机器学习方法不需要离线数据，完全依赖在线数据实现对动力电池的剩余寿命的预估，且每一次预估均需要对所有在线数据进行不断地训练，但是该种方法完全没有考虑动力电池老化的衰减特性，故预估得到的动力电池的剩余寿命精确度低，不可靠。

发明内容

为解决现有技术预估动力电池的剩余寿命存在的精度低，成本高的问题，本发明提出一种估计电动汽车的动力电池剩余寿命的方法，该方法包括如下步骤：

步骤S1、在所述动力电池工作过程中，实时采集所述动力电池的充放电电流及端电压，并在线估计出所述动力电池的实时剩余容量值C_m；

步骤S2、根据所述动力电池的实时剩余容量值C_m和所述动力电池的初始容量值C₀，计算出所述动力电池的实时健康状态SOH，且

步骤S3、对所述动力电池的实时健康状态值SOH和所述动力电池的衰减轨迹的拐点对应的健康状态值SOH₀进行比较，当所述动力电池的实时健康状态值SOH小于所述动力电池的衰减轨迹拐点对应的健康状态SOH₀时，所述动力电池的实时健康状态值SOH₀对应的充放电循环次数k₀为所述动力电池的线性衰减阶段的起始点；

步骤S4、根据所述动力电池的线性衰减阶段的衰减轨迹建立所述动力电池的线性老化模型：SOH_k＝b₀+b₁·k+ε_k，ε_k～N(0，σ²)，

其中，

k表示所述动力电池在当前时刻对应的充放电循环次数，

b₀，b₁表示所述动力电池的线性老化模型的待辨识参数，

ε_k为均值为0、方差为σ²的独立正态随机误差项，

N表示正态分布，

并根据实时采集的所述动力电池的充放电电流及端电压值，在线辨识得出所述线性老化模型的待辨识参数；

步骤S5、估计所述动力电池的剩余充放电循环次数，且

其中，

表示所述动力电池在寿命截止时刻对应的健康状态值，

L表示所述动力电池自线性衰减阶段起始点起至当前时刻进行的充放电循环次数，

p表示所述动力电池自当前时刻起至寿命截止时刻的剩余充放电循环次数。这种估计电动汽车的动力电池的剩余寿命的方法通过递推的方式对动力电池的在线数据进行迭代运算，精确地预估出动力电池的剩余寿命，有效提升预估结果的稳定性和可靠性。另外，这种估计方法，既不需采集动力电池的大量离线数据，也不需对在线数据进行反复训练，简单方便，大大降低了预估动力电池的剩余寿命的成本。

优选地，在所述步骤S3中，对与所述动力电池相同型号的动力电池进行加速寿命实验，得出所述动力电池的线性衰减阶段的起始点。

优选地，在所述步骤S4中，采用带有遗忘因子的递推最小二乘法辨识出所述线性老化模型的待辨识参数。

优选地，辨识过程如下：

首先，初始化带有遗忘因子的递推最小二乘估计器，

其中，

θ表示所述动力电池的线性老化模型的待辨识参数向量，且θ＝[b₀，b₁]^T，T表示矩阵转置，

为所述动力电池的线性老化模型的待辨识参数向量的初始估计值，设定

E表示取平均运算，

Q表示所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

Q₀为所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵的初始值，设定Q₀＝10⁶·I，且I为单位矩阵；

接着，向所述带有遗忘因子的递推最小二乘估计器中输入所述动力电池在线性衰减阶段的线性衰减数据点的个数i，且i＝1,2,3,,L，所述线性衰减数据点包括所述动力电池的充放电循环次数k和所述动力电池在充放电循环次数为k时对应的健康状态值SOH_k，

更新增益矩阵K_i，且

更新所述动力电池的线性老化模型的待辨识参数向量估计值且

更新所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q_i，且

其中，

表示所述带有遗忘因子的递推最小二乘估计器的输入向量，且

y表示所述带有遗忘因子的递推最小二乘估计器的观测值，且y＝SOH_k，

μ表示遗忘因子，且μ的取值范围为(0，1)；

最后，根据辨识出所述动力电池的线性老化模型的待辨识参数。

优选地，所述遗忘因子μ的取值范围为(0.95，1)，这样，可保证带有遗忘因子的递推最小二乘估计器的鲁棒特性。

另外，本发明还提出一种应用上述任意一种估计电动汽车的动力电池的剩余寿命的方法对电动汽车的动力电池的剩余寿命进行估计的动力电池管理***。这样的动力电池管理***在对电动汽车的动力电池的剩余寿命进行估计时，相对现有的主流的动力电池管理***，估计精度高，安全可靠且成本低。

附图说明

图1为对循环放电倍率分别为0.5C、1C、1.5C、2C的四个动力电池进行加速寿命实验得到的动力电池的健康状态值SOH的衰减轨迹示意图，其中，图1(a)为对循环放电倍率为0.5C的动力电池进行加速寿命实验得到的动力电池的健康状态值SOH的衰减轨迹示意图，图1(b)为对循环放电倍率为1C的动力电池进行加速寿命实验得到的动力电池的健康状态值SOH的衰减轨迹示意图，图1(c)为对循环放电倍率为1.5C的动力电池进行加速寿命实验得到的动力电池的健康状态值SOH的衰减轨迹示意图，图1(d)为对循环放电倍率为2C的动力电池进行加速寿命实验得到的动力电池的健康状态值SOH的衰减轨迹示意图；

图2为采用本发明估计方法依次对循环放电倍率为0.5C、1C、1.5C、2C的四个动力电池的剩余寿命的估计结果，其中，图2(a)为对循环放电倍率为0.5C的动力电池的剩余寿命的估计结果，图2(b)为对循环放电倍率为1C的动力电池的剩余寿命的估计结果，图2(c)为对循环放电倍率为1.5C的动力电池的剩余寿命的估计结果，图2(d)为对循环放电倍率为2C的动力电池的剩余寿命的估计结果。

具体实施方式

下面，结合图1和2，对本发明估计电动汽车的动力电池的剩余寿命的方法进行详细说明。具体的估计过程如下：

在电动汽车的动力电池工作过程中，利用电动汽车的动力电池管理***(BMS)实时采集动力电池的充放电电流及端电压，并利用戴维南模型结合H无穷滤波方法在线估计出动力电池的实时剩余容量值C_m。当然，也可采用双极化模型或多阶RC网络模型结合滤波方法对动力电池的实时剩余容量值C_m进行在线估计。

根据动力电池的实时剩余容量值C_m和初始容量值C₀，计算出动力电池的实时健康状态值SOH，且

由于动力电池的最大可用容量会随着充放电的进行而不断衰减，故动力电池的最大可用容量是随着充放电循环次数的增加而不断变化的。在动力电池进行充放电的过程中，当动力电池的累计放电容量等于该动力电池的额定容量时，则认为该动力电池进行了一个充放电循环。由此可见，动力电池每进行一次充放电循环后，其对应的最大可用容量都会有一个新的值。也就是说，动力电池的每一个循环次数均对应一个最大可用容量值。另外，动力电池的每一个循环次数对应的新的最大可用容量值可通过在线数据实时估计得出。

在动力电池进行充放电的过程中，由于动力电池的最大可用容量会随着其充放电的进行而不断衰减，故该动力电池的健康状态值SOH也会随着动力电池的充放电的进行而不断衰减，进而可得到动力电池的健康状态值SOH随着充放电循环次数的增大而不断衰减的衰减轨迹。以依次包含0.5C、1C、1.5C、2C循环放电倍率的四个动力电池为例，分别进行加速寿命实验，可得出该四个动力电池的健康状态值SOH的衰减轨迹分别如图1(a)、1(b)、1(c)和1(d)所示，故，动力电池的健康状态值SOH的衰减轨迹一般分为多个阶段，包括起始段的衰减快速的非线性衰减阶段和第二阶段的衰减缓慢的线性衰减阶段，且第二阶段的线性衰减阶段与起始阶段的非线性衰减阶段的连接点称为衰减轨迹的拐点，该拐点对应的数据点包括一个充放电循环次数和与该充放电循环次数对应的健康状态值，且可将动力电池在其衰减轨迹的拐点时对应的充放电循环次数记为k₀，对应的健康状态值记为SOH₀。也就是说，动力电池的衰减轨迹的拐点既可以称为是该动力电池的非线性衰减阶段的终点，也可以称为是该动力电池的线性衰减阶段的起始点。另外，通过对同一型号的动力电池的健康状态值的衰减轨迹进行观察，可发现，对于某一型号的动力电池来说，其衰减轨迹的拐点通常对应一个特定的健康状态值，即该型号的动力电池在其衰减轨迹的拐点时对应的健康状态值SOH₀是个特定值。由此可见，可通过对通型号的动力电池进行加速寿命实验，来确定动力电池的衰减轨迹的拐点对应的健康状态值SOH₀，并在估计电动汽车的动力电池的剩余寿命时，将该型号的动力电池的拐点对应的健康状态值SOH₀作为判断该型号动力电池的拐点用的预设值，即当动力电池的实时健康状态值SOH小于其衰减轨迹的拐点对应的健康状态值SOH₀时，该动力电池的健康状态值的衰减轨迹进入线性衰减阶段，同时可将该动力电池在其健康状态值的衰减轨迹的拐点处对应的充放电循环次数k₀记为该动力电池的线性衰减阶段的起始点。

综上可见，根据动力电池的实时健康状态值SOH可辨识得出动力电池的线性衰减阶段起始点，即当动力电池的实时健康状态值SOH小于动力电池的衰减轨迹的拐点对应的健康状态值SOH₀时，动力电池对应的充放电循环次数k₀即为动力电池的线性衰减阶段起始点。

根据该型号的动力电池的线性衰减轨迹建立待预估的动力电池的线性老化模型：SOH_k＝b₀+b₁·k+ε_k，ε_k～N(0，σ²)，

其中，

k表示动力电池在当前时刻对应的充放电循环次数，

b₀，b₁表示动力电池的线性老化模型的待辨识参数，

ε_k表示均值为0、方差为σ²的独立正态随机误差项，

N表示正态分布。

根据实时采集到的动力电池的充放电电流及端电压值，在线辨识得出动力电池的线性老化模型的待辨识参数。

相对于普通递推最小二乘法，带有遗传因子的最小二乘法是在不断获取新数据的基础上不断遗弃旧数据，从而能够更好地跟踪新数据构建出能够精确描述动力电池的健康状态值的衰减轨迹的老化模型。故，优选采用带有遗忘因子的递推最小二乘法辨识动力电池的线性老化模型的待辨识参数。

在进行参数辨识时，通常需要向构建的动力电池的线性老化模型中输入一定量的输入数据，才能获得较为精确的模型参数。因此，在采用带有遗忘因子的递推最小二乘法辨识动力电池的线性老化模型的待辨识参数时，需在辨识开始前预设动力电池的线性衰减轨迹的数据长度即线性衰减轨迹包括的数据点的个数，且当预设的线性衰减轨迹的数据长度为L₀时，也就是说当动力电池在第二阶段的线性衰减阶段的衰减轨迹的数据长度大于预设值L₀时，启动带有遗忘因子的递推最小二乘法对所构建的线性老化模型的待辨识参数进行辨识。由于在动力电池的线性衰减轨迹中的每个数据点均对应一个充放电循环次数，故，可认为当动力电池在线性衰减阶段的充放电循环次数大于预设值L₀时，启动带有遗忘因子的递推最小二乘法对所构建的线性老化模型的待辨识参数进行辨识。在实际进行辨识时，L₀的值可根据实际情况进行选取，一般来说，L₀越大，所辨识得出的线性老化模型的参数越精确，但是所构建的可以对动力电池的剩余寿命进行预估的线性老化模型的起始循环数也越大，即预估动力电池的剩余寿命的起始充放电循环数越延迟。

具体辨识过程如下：

首先，初始化带有遗忘因子的递推最小二乘估计器，

其中，

θ表示动力电池的线性老化模型的待辨识参数向量，且θ＝[b₀，b₁]^T，T表示矩阵转置，

为动力电池的线性老化模型的待辨识参数向量的初始估计值，设定

E表示取平均运算，

Q表示动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

Q₀为动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵的初始值，设定Q₀＝10⁶·I，且I为单位矩阵；

接着，向带有遗忘因子的递推最小二乘估计器中输入动力电池在线性衰减阶段的线性衰减数据点的个数i，且i＝1,2,3,,L，不断采集动力电池的新的充放电循环数据并更新动力电池的线性老化模型的待辨识参数向量的估计值直到采集到的动力电池的新的充放电循环数据为当前时刻的充放电循环次数对应的数据点个数(动力电池自线性衰减阶段起始点起至当前时刻进行的充放电循环次数)L，从而更新得到动力电池的线性老化模型的待辨识参数向量的估计值其中，线性衰减数据点包括动力电池在该线性衰减数据点时对应的充放电循环次数k和健康状态值SOH_k，k＝k₀-1+i，且充放电循环次数k₀为动力电池的健康状态在第二阶段的线性衰减阶段的起始充放电循环次数。此时，描述动力电池在第二阶段的线性衰减阶段的老化模型为：

即，

具体更新过程如下：

当i＝1时，基于初始化的结果，

更新增益矩阵K得到，

其中，

K₁表示对应动力电池在线性衰减阶段的第1个数据点的增益矩阵，

Q₀表示对应第0个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

表示带有遗忘因子的递推最小二乘估计器的输入向量，且

表示带有遗忘因子的递推最小二乘估计器在第1个线性衰减数据点时对应的输入向量，且即

更新动力电池的线性老化模型的待辨识参数向量估计值得到

其中，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第1个数据点时的向量估计值，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第0个数据点时的向量估计值，

y表示带有遗忘因子的递推最小二乘估计器的观测值，且y＝SOH_k，

y₁表示带有遗忘因子的递推最小二乘估计器在第1个线性衰减数据点时的观测值，即且动力电池的健康状态值为动力电池的健康状态在第二阶段的线性衰减阶段的起始值；

更新动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q，得到

其中，

Q₁表示对应第1个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵；

μ表示遗忘因子，且μ的取值范围为(0，1)。

当i＝2时，基于i＝1的更新结果，

更新增益矩阵K得到，

其中，

K₂表示对应动力电池在线性衰减阶段的第2个数据点的增益矩阵，

表示带有遗忘因子的递推最小二乘估计器在第1个线性衰减数据点时对应的输入向量，且充放电循环次数k₀+1为动力电池的健康状态在第二阶段的线性衰减阶段的第二个充放电循环次数；

更新动力电池的线性老化模型的待辨识参数向量估计值得到

其中，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第2个数据点时的向量估计值，

y₂表示带有遗忘因子的递推最小二乘估计器在第2个线性衰减数据点时的观测值，且动力电池的健康状态值为动力电池的健康状态在第二阶段的线性衰减阶段的第二值；

更新动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q_i，得到

其中，

Q₂表示对应第2个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

μ表示遗忘因子，且μ的取值范围为(0，1)。

依次类推，

当i＝i时，基于i＝i-1的更新结果

更新增益矩阵K，得到

其中，

K_i表示对应动力电池在线性衰减阶段的第i个数据点的增益矩阵，

Q_i-1表示对应第i-1个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

表示带有遗忘因子的递推最小二乘估计器在第i个线性衰减数据点时对应的输入向量，且

更新动力电池的线性老化模型的待辨识参数向量估计值且

其中，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第i个数据点时的向量估计值，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第i-1个数据点时的向量估计值，

y_i表示带有遗忘因子的递推最小二乘估计器在第i个线性衰减数据点时的观测值，且

更新动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q，且

其中，

Q_i表示对应第i个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

μ表示遗忘因子，且μ的取值范围为(0，1)。

......

当i＝L时，基于i＝L-1的更新结果，

更新增益矩阵K，得到

其中，

K_L表示对应动力电池在线性衰减阶段的第L个数据点的增益矩阵，

Q_L-1表示对应第L-1个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

表示带有遗忘因子的递推最小二乘估计器在第L个线性衰减数据点时对应的输入向量，且

更新动力电池的线性老化模型的待辨识参数向量估计值且

其中，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第L个数据点时的向量估计值，

表示动力电池的线性老化模型的待辨识参数在线性衰减阶段的第L-1个数据点时的向量估计值，

y_L表示带有遗忘因子的递推最小二乘估计器在第L个线性衰减数据点时的观测值，且

更新动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q，且

其中，

Q_L表示对应第L个线性衰减数据点时动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

μ表示遗忘因子，且μ的取值范围为(0，1)。

在更新过程中，μ的取值范围优选为(0.95，1)，这样，可保证带有遗忘因子的递推最小二乘估计器的鲁棒特性。

最后，根据辨识出动力电池的线性老化模型的待辨识参数。

在本领域中，当动力电池的实时健康状态SOH_k小于80％时，即认为该动力电池的寿命截止。故，当动力电池的剩余寿命即剩余的充放电循环次数为p时，则该动力电池在寿命截止时刻的健康状态值可表示为且

进而估计得出该动力电池的剩余充放电循环次数即剩余寿命。

这种估计电动汽车的动力电池的剩余寿命的方法通过递推的方式对动力电池的在线数据进行迭代运算，精确地预估出动力电池的剩余寿命，有效提升预估结果的稳定性和可靠性。另外，这种估计方法，既不需采集动力电池的大量离线数据，也不需对在线数据进行反复训练，简单方便，大大降低了预估动力电池的剩余寿命的成本。

下面，以依次包含0.5C、1C、1.5C、2C循环放电倍率的四种动力电池为例，对本发明提出的估计电动汽车的动力电池的剩余寿命的方法进行验证。

首先，对依次包含0.5C、1C、1.5C、2C循环放电倍率的四个动力电池进行加速寿命实验，得到该四个动力电池的健康状态值SOH的衰减轨迹依次如图1(a)、1(b)、1(c)和1(d)所示，且该4幅图中的实线均表示在对应的充放电循环次数时实际测量得出的动力电池的健康状态值SOH，对应动力电池的健康状态的实际测量值；虚线则表示线性拟合得到的动力电池在第二阶段的线性衰减阶段的衰减轨迹，对应动力电池的健康状态的线性拟合值，且进行线性拟合时，动力电池的健康状态值SOH在第二阶段的衰减轨迹的线性拟合特性如表1所示。

表1动力电池的健康状态值SOH在第二阶段的衰减轨迹的线性拟合特性

倍率	R平方	均方根值(％)
			0.5C	0.9975	0.19
1C	0.9972	0.19
			1.5C	0.9852	0.46
2C	0.9946	0.31

其中，

R平方代表动力电池的健康状态值SOH在第二阶段的衰减轨迹的线性度，R平方在0和1之间变化，且R平方越接近于1，表明数据的线性度越好；

均方根值代表线性拟合值与实际测量值之间的差距，且均方根值越小，说明线性拟合值与实际测量值越接近，实际数据线性衰减特征越明显。

由图1可知，在0.5C、1C、1.5C、2C循环放电倍率下时，动力电池在线性衰减阶段的起始点的健康状态值SOH₀均可预设为92％，此时，动力电池的健康状态值SOH的线性拟合值与实际测量值非常接近，尤其是在循环放电倍率为0.5C、1C和2C时，动力电池的健康状态值SOH的线性拟合值与实际测量值几乎一样；在循环放电倍率为1.5C时，动力电池的健康状态值SOH的线性拟合值与实际测量值之间的重合度虽不如其他循环放电倍率下的情况好，但是二者之间仍表现出了较好的重合度。另外，由表1可知，当循环放电倍率为0.5C、1C和2C时，R平方都在0.99以上，均方根都在0.5％以下；当循环放电倍率为1.5C时，R平方接近0.99，均方根也在0.5％以下。由此可见，当设定92％为动力电池的衰减轨迹的第二阶段即线性衰减阶段的起始点的健康状态值时，动力电池的健康状态的线性衰减阶段具有非常好的线性衰减特性，且四个动力电池的线性衰减阶段的起始点对应的充放电循环次数依次为100、123、142和172。

由于L₀的值可根据实际情况选取，为了能够较早地对动力电池的剩余寿命进行预估，并获得精确的剩余寿命估计值，发明人在进行验证时将L₀设定为50。由于遗忘因子μ的取值范围为(0，1)，且遗忘因子μ取值越大，递推最小二乘法估计器对历史信息的依赖性越强，鲁棒性越好；遗忘因子μ取值越小，递推最小二乘法估计器对新信息的依赖性越强，对信息的跟踪性越好。发明人为综合递推最小二乘法的鲁棒性和跟踪性，将μ的取值范围设定为(0.95，1)。在进行预估时，可根据实际应用选取该取值范围内的任意一个值。在验证实验中，发明人选取0.95和1之间的中间数作为遗忘因子μ的取值，即μ＝0.97。

在确定动力电池的健康状态的线性衰减阶段的起始点的健康状态值SOH₀为92％，预设的线性衰减轨迹的数据长度L₀为50，遗忘因子为0.97后，采用带有遗忘因子的递推最小二乘法对动力电池的线性老化模型的待辨识参数进行辨识，并依据辨识结果得出动力电池的线性老化模型，进而利用该线性老化模型预估出循环放电倍率依次为0.5C、1C、1.5C、2C的四个动力电池的剩余寿命，如图2所示，且图2中所示的预估结果是每10个充放电循环对应的剩余寿命估计值，其中，误差边界值与动力电池的剩余寿命的真实值相差50个充放电循环，动力电池的剩余寿命的预估值落入误差边界内，即可认为该动力电池的剩余寿命的预估值是精确的预测值。由图2可知，对于循环放电倍率为0.5C和1C的动力电池，本发明提出的估计方法能够从预估起始点便获得了精确的动力电池的剩余寿命预测值，即实现动力电池的剩余寿命的较早的精确预测，且随着采集到的实时剩余容量值C_m的个数的增加，估计得到的动力电池的剩余寿命的估计值迅速向该动力电池的剩余寿命的真实值收敛，并在动力电池的剩余寿命循环末期与动力电池的剩余寿命的真实值几乎相同。对于循环放电倍率为1.5C和2C的动力电池，本发明提出的估计方法仍然能够实现动力电池剩余寿命的***，其中，对于循环放电倍率为1.5C的动力电池，其剩余寿命的估计值在接近350个充放电循环时落入误差边界内，且随着采集到的实时剩余容量值C_m的个数的增加，估计得到的动力电池的剩余寿命的估计值迅速收敛于真实值，并在动力电池的剩余寿命循环末期与动力电池的剩余寿命的真实值几乎相同；对于循环放电倍率为2C的动力电池，其剩余寿命的估计值在接近250个充放电循环时落入误差边界内，且随着采集到的实时剩余容量值C_m的个数的增加，估计得到的动力电池的剩余寿命的估计值迅速收敛于真实值，并在动力电池的剩余寿命循环末期与动力电池的剩余寿命的真实值几乎相同。综上可见，对于循环放电倍率为0.5C、1C、1.5C和2C的动力电池，本发明估计方法均能够精确地预测出动力电池的剩余寿命。

另外，本发明还提出一种动力电池管理***，该动力电池管理***应用上述任意一种估计电动汽车的动力电池的剩余寿命的方法对电动汽车的动力电池的剩余寿命行估计。这样的动力电池管理***在对电动汽车的动力电池的剩余寿命进行估计时，相对现有的主流的动力电池管理***，估计精度高，安全可靠且成本低。

Claims (6)

1.一种估计电动汽车的动力电池的剩余寿命的方法，其特征在于，该方法包括如下步骤：

步骤S1、在所述动力电池工作过程中，实时采集所述动力电池的充放电电流及端电压，并在线估计出所述动力电池的实时剩余容量值C_m；

步骤S2、根据所述动力电池的实时剩余容量值C_m和所述动力电池的初始容量值C₀，计算出所述动力电池的实时健康状态SOH，且

步骤S3、对所述动力电池的实时健康状态值SOH和所述动力电池的衰减轨迹的拐点对应的健康状态值SOH₀进行比较，当所述动力电池的实时健康状态值SOH小于所述动力电池的衰减轨迹拐点对应的健康状态SOH₀时，所述动力电池的实时健康状态值SOH₀对应的充放电循环次数k₀为所述动力电池的线性衰减阶段的起始点；

步骤S4、根据所述动力电池的线性衰减阶段的衰减轨迹建立所述动力电池的线性老化模型：SOH_k＝b₀+b₁·k+ε_k，ε_k～N(0，σ²)，

其中，

k表示所述动力电池在当前时刻对应的充放电循环次数，

b₀，b₁表示所述动力电池的线性老化模型的待辨识参数，

ε_k为均值为0、方差为σ²的独立正态随机误差项，

N表示正态分布，

并根据实时采集的所述动力电池的充放电电流及端电压值，在线辨识得出所述线性老化模型的待辨识参数；

步骤S5、估计所述动力电池的剩余充放电循环次数，且

其中，

表示所述动力电池在寿命截止时刻对应的健康状态值，

L表示所述动力电池自线性衰减阶段起始点起至当前时刻进行的充放电循环次数，

p表示所述动力电池自当前时刻起至寿命截止时刻的剩余充放电循环次数。

2.根据权利要求1所述的估计电动汽车的动力电池的剩余寿命的方法，其特征在于，在所述步骤S3中，对与所述动力电池相同型号的动力电池进行加速寿命实验，得出所述动力电池的线性衰减阶段的起始点。

3.根据权利要求1或2所述的估计电动汽车的动力电池的剩余寿命的方法，其特征在于，在所述步骤S4中，采用带有遗忘因子的递推最小二乘法辨识出所述线性老化模型的待辨识参数。

4.根据权利要求3所述的估计电动汽车的动力电池的剩余寿命的方法，其特征在于，辨识过程如下：

首先，初始化带有遗忘因子的递推最小二乘估计器，

其中，

θ表示所述动力电池的线性老化模型的待辨识参数向量，且θ＝[b₀，b₁]^T，T表示矩阵转置，

为所述动力电池的线性老化模型的待辨识参数向量的初始估计值，设定

E表示取平均运算，

Q表示所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵，

Q₀为所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵的初始值，设定Q₀＝10⁶·I，且I为单位矩阵；

接着，向所述带有遗忘因子的递推最小二乘估计器中输入所述动力电池在线性衰减阶段的线性衰减数据点的个数i，且i＝1,2,3，，L，所述线性衰减数据点包括所述动力电池的充放电循环次数k和所述动力电池在充放电循环次数为k时对应的健康状态值SOH_k，且k＝k₀-1+i，

更新增益矩阵K_i，且

更新所述动力电池的线性老化模型的待辨识参数向量估计值且

更新所述动力电池的线性老化模型的待辨识参数向量估计值的误差协方差矩阵Q_i，且

其中，

表示所述带有遗忘因子的递推最小二乘估计器的输入向量，且

y表示所述带有遗忘因子的递推最小二乘估计器的观测值，且y＝SOH_k，

μ表示遗忘因子，且μ的取值范围为(0,1)；

最后，根据辨识出所述动力电池的线性老化模型的待辨识参数。

5.根据权利要求4所述的估计电动汽车的动力电池的剩余寿命的方法，其特征在于，所述遗忘因子μ的取值范围为(0.95，1)。

6.一种应用权利要求1-5中任意一项所述的方法对电动汽车的动力电池的剩余寿命进行估计的动力电池管理***。