CN113761751A - 基于温度加速因子的锂离子电池剩余寿命预测方法及*** - Google Patents

基于温度加速因子的锂离子电池剩余寿命预测方法及*** Download PDF

Info

Publication number
CN113761751A
CN113761751A CN202111076003.XA CN202111076003A CN113761751A CN 113761751 A CN113761751 A CN 113761751A CN 202111076003 A CN202111076003 A CN 202111076003A CN 113761751 A CN113761751 A CN 113761751A
Authority
CN
China
Prior art keywords
value
degradation
time
function
nonlinear
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
Application number
CN202111076003.XA
Other languages
English (en)
Inventor
王冬
孔金震
侯炳昌
刘洁
朱景哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111076003.XA priority Critical patent/CN113761751A/zh
Publication of CN113761751A publication Critical patent/CN113761751A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于温度加速因子的锂离子电池剩余寿命预测方法及***，包括：在不同环境温度下对锂离子电池进行加速循环老化试验，得到每个充、放电循环下的放电容量；取放电容量损失数据并归一化处理；根据容量损失数据，基于改进维纳过程建立非线性退化模型，推导得到寿命概率密度表达式；构建温度加速漂移函数；从而构建出基于温度加速因子的锂离子电池非线性退化模型；通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；对状态空间方程中的隐含状态进行参数估计及更新；根据所提非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。

Description

基于温度加速因子的锂离子电池剩余寿命预测方法及***
技术领域
本发明涉及电池健康管理的技术领域，具体地，涉及一种基于温度加速因子的锂离子电池剩余寿命预测方法及***，更为具体地涉及基于温度加速因子的锂离子电池剩余使用寿命预测方法。
背景技术
近年来，由于新能源汽车行业的发展迅猛，锂离子电池在工业界和学术界都受到广泛关注。电池技术正在迅速发展，以追求更好的特性，如更轻的重量、更长的循环寿命、更高的能量密度和更低的自放电率。然而，由于长时间的使用，电池的性能退化问题会对服役设备造成潜在的安全隐患，极有可能导致重大的安全事故。为了确保运行的安全性和可靠性，应该提升电池管理***(BMS)的性能。
BMS的主要功能之一是电池的预测和健康管理(PHM)，包括充电状态(SOC)估计、健康状态(SOH)估计和剩余使用寿命(RUL)预测等。近年来，许多研究者都在探索更加先进的方法，以提高电池SOH估计和RUL预测的效果，然而，电池的内部物理和化学反应以及实际中复杂的操作条件使得进行准确预测电池健康状态仍具有挑战性。
电池的退化主要是由充电和放电过程中的固体电解质-中间相(SEI)的增长引起的。相关的化学反应很复杂，而且容易受到各种因素的影响，因此在实践中，电池的RUL预测将面临很多挑战。首先，电池的退化特性一般都是非线性的，电池容量损失的本质是微观化学动力学的宏观结果，这给精确的退化建模和电池预测带来很大的困难。其次，电池RUL反映了未来的长期状态，因此RUL的预测与SOC和SOH的估计相比要难得多。第三，RUL会受到一些压力的影响，如不同的操作条件和用户行为。环境温度和放电率等外部因素将在一定程度上影响电池的退化特性，使退化建模和RUL预测更加困难。这些挑战加剧了对更有效的电池退化模型和预测方法的需求。现在已有的大多数方法都假设电池退化过程中的操作条件是恒定不变的，在实际应用中存在很大误差。环境温度等外部因素将在一定程度上影响电池的退化特性，温度过高或过低，都可能会导致电池的退化速度加快，温度因素对电池性能退化的影响使退化建模和RUL预测更加困难。
对不同温度条件下的锂离子电池剩余使用寿命的预测，需要在电池退化建模过程中将温度因素考虑在内，建立温度相关的非线性退化模型，来表征不同温度条件下的退化差异性，实现更为准确的RUL预测。而现有技术方法大多假设环境温度是恒定的，没有将锂离子电池使用过程中的外部环境温度因素对退化率的影响考虑在内，导致RUL预测精度不足，因此，需要提出一种技术方案以改善上述技术问题。
专利文献CN112068003A(申请号：CN202011274895.X)公开了一种基于线性维纳过程的镉镍蓄电池寿命预测方法和装置，该发明公开提供了基于线性维纳过程的镉镍蓄电池寿命预测方法和装置。所述方法包括：建立电池的性能退化的具有随机效应的维纳过程模型；确定电池的剩余寿命与电池容量退化量的关系；确定电池的剩余寿命的全概率条件概率密度函数与条件累计分布函数；根据已有预设数量的电池的容量退化数据确定所述维纳过程模型的未知参数，生成预测镉镍蓄电池寿命的维纳过程模型。但该发明只考虑了线性的维纳过程用来建模，对非线性退化过程无法很好的估计和描述，且没有考虑环境温度对电池退化速率的影响。
专利文献CN111753416A(申请号：CN202010554225.7)公开了一种基于两阶段Wiener过程的锂离子电池RUL预测方法，该发明涉及一种基于两阶段Wiener过程的锂离子电池RUL预测方法，属于锂离子电池剩余使用寿命预测技术领域，具体包括：1)确定两阶段Wiener过程锂离子电池容量退化模型；2)确定考虑随机效应的两阶段Wiener过程锂离子电池容量退化模型的寿命分布；3)确定带随机漂移的两阶段Wiener过程锂离子电池剩余使用寿命的概率密度函数；4)确定两阶段Wiener过程锂离子电池容量的变点估计表达式；5)确定基于EM算法对两个阶段漂移系数的超参数辨识；6)确定基于Bayesian方法的锂离子电池容量退化模型的参数更新。该发明没有考虑不同环境温度对电池退化过程的影响，只能适用于某一特定温度下的电池退化，对不同环境温度下的电池退化过程及剩余寿命无法进行准确的估计和预测。
专利文献CN107064800A(申请号：CN201611078237.7)公开了一种锂离子电池剩余使用寿命的实时预测方法。该方法包括如下步骤：建立锂离子电池容量衰退模型；选取合适的锂离子电池容量衰退模型参数的先验分布；选取合适的锂离子电池衰退模型参数的似然函数；基于贝叶斯理论计算锂离子电池容量衰退模型参数的后验分布；推算锂离子电池容量的预测分布；最后计算得到待预测锂离子电池的剩余使用寿命及其置信度。该发明没有考虑不同环境温度对电池退化过程的影响，只能适用于某一特定温度下的电池退化，对不同环境温度下的电池退化过程及剩余寿命无法进行准确的估计和预测。
专利文献CN106291372A(申请号：CN201610587459.5)公开了一种新的锂离子动力电池剩余寿命预测方法，步骤为：抽取实验样品，确定样品电池的额定容量和电池的额定内阻，分别设置不同的环境温度、放电倍率以及放电深度三种影响因素，测量电池内阻在单一因素影响下和两两耦合因素下的增长速率，建立校正因子数据库，利用曲线拟合方法确定电池内阻的三个校正因子，并通过实时采集恒流充电时间，利用三个校正因子和电池的额定内阻获得实时变化的电池内阻，采用蒙特卡洛方法预测电池剩余寿命。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于温度加速因子的锂离子电池剩余寿命预测方法及***。
根据本发明提供的一种基于温度加速因子的锂离子电池剩余寿命预测方法，包括：
步骤S1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
步骤S2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
步骤S3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
步骤S4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
步骤S4：基于Arrhenius方程构建温度加速漂移函数；
步骤S5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
步骤S6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
步骤S7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
步骤S8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
优选地，在所述步骤S1中：在不同环境温度下对锂离子电池进行加速循环老化试验，充放电模式采用恒流恒压模式，直到电池达到预先设定的失效阈值；加速循环老化数据是为了验证方法模型有效，作为模型输入的数据。
优选地，在所述步骤S2中：取从加速循环老化数据转化来的容量损失数据并对其进行归一化，得到不同循环下的容量损失数据，初始值为0；容量损失数据直接用于建模，是模型输入，为了验证所建立模型的准确性；
容量损失数据由下式求得：
Figure BDA0003262214660000042
其中，Qχ为每个数据样本点的容量，Q0为初始容量。
优选地，在所述步骤S3中：
将环境温度因素考虑在内，建立基于改进维纳过程的非线性退化模型，将维纳过程的漂移系数改进为环境温度的函数，用来表征不同温度下的退化特征；并且选择了一般的非线性函数来描述退化趋势，可以得到非线性退化模型如下式：
Figure BDA0003262214660000041
其中：
X(t)：非线性退化过程，初始值设为0；
t：时间变量；
X(0)：初始退化量，即t＝0时刻的退化量；
λ(T)：环境温度相关漂移函数；
T：环境温度；
μ(τ；θ)：描述退化趋势的非线性函数，其中θ为函数的参数集合；
σB：扩散系数；
B(t)：标准布朗运动；
定义寿命为退化过程首次穿过失效阈值的时间，经过时间空间转换操作，得到非线性模型的寿命概率密度函数表达式，
Figure BDA0003262214660000051
其中：
Figure BDA0003262214660000052
为寿命的概率密度函数；
exp(·)为指数函数的标号；
SB(t)为与标准维纳过程相关的软失效阈值，定义为
Figure BDA0003262214660000053
ω为预先定义的失效阈值。
优选地，在所述步骤S4中：
Arrhenius方程如下式所示：
Figure BDA0003262214660000054
其中：
k为动力反应速率；
Ea为活化能；
R为通用气体常数；
A为速率常数；
基于Arrhenius方程，构建温度加速漂移函数，如下式所示：
λ(T)＝rexp(-s/T)(5)
其中，λ(T)为环境温度相关漂移函数，用以表示不同温度下的退化速率，r和s为模型中的未知参数，后面需要对其进行估计。
优选地，在所述步骤S5中：
基于温度加速因子的改进的退化模型如下式：
Figure BDA0003262214660000055
其中，X(t,T)为不同温度下的电池容量损失；r、s、a、b：模型中的未知参数。
优选地，在所述步骤S6中：
为了实时更新模型参数，考虑多个隐含状态
Figure BDA0003262214660000056
构建状态空间方程，状态空间方程是为了能够实时更新参数而建立的，是后续建模的基础，隐含状态是包含在状态空间方程中的中间变量，能表征***状态；
状态空间方程如下式：
Figure BDA0003262214660000061
κ1，κ2：高斯误差项，上式中两个参数λ,θ的误差项，表征隐含状态的不确定性；
i：时刻点
λi(T)：ti时刻的环境温度相关漂移函数值；
ti：第i个时刻点；
λi-1(T)：ti-1时刻的环境温度相关漂移函数值；
ti-1：第i-1个时刻点；
θi：ti时刻的隐含状态θ的值；
θi-1：ti-1时刻的隐含状态θ的值；
xi：ti时刻退化量的值；
xi-1：ti-1时刻退化量的值；
ti-1-ti：退化值的时间间隔；
μ(τ；θi)：表征ti时刻退化过程特征的非线性函数；
μ(τ；θi-1)：表征ti-1时刻退化过程特征的非线性函数。
优选地，在所述步骤S7中：
估计隐含状态的均值和方差，基于无迹变换，对隐含状态进行后验参数估计，给定观测值X0:i＝{x0,...,xi}，X0:i为0到ti时刻的退化值，x0为初始退化值，xi为ti时刻的退化值；对于隐含状态
Figure BDA0003262214660000062
λ为环境温度相关漂移函数值，θ为非线性函数μ的参数，假设隐含状态
Figure BDA0003262214660000063
服从于一个多元高斯分布，其均值向量和方差均值分别为m,P，后验概率密度函数可以表示为p(λi-1,θi-1|X0:i-1)＝p(λi-1,θi-1|mi-1,Pi-1)，p(λi-1,θi-1|X0:i-1)表示为在观测值X0:i-1已知的条件下参数λi-1,θi-1的后验概率，mi-1,Pi-1表示第i-1次迭代中的后验概率密度函数的平均值和协方差，λi-1表示为ti-1时刻的漂移参数值，则无迹变换的步骤可以表示为：
a、在第i-1次迭代中，按照下面的规则，生成2n+1个sigma点Ψi-1：
Figure BDA0003262214660000071
Figure BDA0003262214660000072
Figure BDA0003262214660000073
其中：
Figure BDA0003262214660000074
第i-1次迭代中生成的初始sigma点；
Figure BDA0003262214660000075
第i-1次迭代中生成的第j个sigma点；
Pi-1：第i-1次迭代中的协方差矩阵；
Figure BDA0003262214660000076
第i-1次迭代中生成的第j+n个sigma点；
尺度参数为γ＝α2(n+ξ)-n，γ为尺度参数，n为sigma点数目参数，ξ,α为控制sigma点散布范围的参数，矩阵的平方根满足
Figure BDA0003262214660000077
b、在第i次迭代中，在测量值得到之前，根据状态空间模型的状态方程，可以得到第i次迭代中的sigma点Φi：
Figure BDA0003262214660000078
Figure BDA0003262214660000079
Figure BDA00032622146600000710
其中：
Figure BDA00032622146600000711
第i次迭代中生成的初始sigma点；
Figure BDA00032622146600000712
第i次迭代中生成的第j个sigma点；
Σ：协方差矩阵；
Figure BDA00032622146600000713
第i次迭代中生成的第j+n个sigma点；
c、通过转换方程
Figure BDA00032622146600000714
来进行sigma点的传播，
Figure BDA00032622146600000715
为转换方程，可以得到转换后的sigma点：
Figure BDA00032622146600000716
其中：
Figure BDA00032622146600000717
隐含状态参数集
Figure BDA00032622146600000718
λ(T)：环境温度相关漂移函数值；
Figure BDA00032622146600000719
转换后的第j个sigma点；
xi-1：第i次迭代中的观测值；
Figure BDA0003262214660000081
第i次迭代中的转换方程值；
Figure BDA0003262214660000082
第i-1次迭代的转换方程值；
d、计算隐含状态和转换后变量的均值和方差：
Figure BDA0003262214660000083
Figure BDA0003262214660000084
Figure BDA0003262214660000085
其中，uUi，SUi，CUi分别为预测的均值、方差和协方差；
Figure BDA0003262214660000086
平均权值；
Figure BDA0003262214660000087
协方差权值；
σB：布朗运动的方差；
B(ti-ti-1)：在时间间隔下的标准布朗运动的值；
Figure BDA0003262214660000088
第i次迭代中生成的第j个sigma点；
mi-1：第i次迭代的均值向量；
恒值权重定义为：
Figure BDA0003262214660000089
Figure BDA00032622146600000810
其中：
Figure BDA00032622146600000811
平均权值初值；
Figure BDA00032622146600000812
协方差权值初值；
β：控制隐含状态先验信息的参数；
e、观测值xi已知后，更新后验非线性模型的寿命概率密度函数的平均值和协方差，可得更新后的均值向量mi和方差矩阵Pi：
mi＝mi-1+CUi(SUi)-1(xi-uUi)
Pi＝Pi-1-CUi(SUi)-1SUi(CUi(SUi)-1)T (13)
其中：
CUi：第i次迭代非线性转换中的交叉协方差；
SUi：第i次迭代非线性转换中的协方差；
xi：第i次迭代的观测值；
UUi：第i次迭代非线性转换中的均值；
Pi-1：第i-1次迭代的方差矩阵；
则隐含状态的后验非线性模型的寿命概率密度函数
Figure BDA0003262214660000091
可以推导得：
Figure BDA0003262214660000092
其中：
Figure BDA0003262214660000093
第i次迭代的隐含状态参数值；
优选地，在所述步骤S8中：
首次穿过失效阈值的时间的非线性模型的寿命概率密度函数
Figure BDA0003262214660000094
为：
Figure BDA0003262214660000095
其中：
li：ti时刻的剩余寿命值，
X0:i：0时刻到ti时刻的观测值集合；
x0：观测值初值；
ω：失效阈值；
Figure BDA0003262214660000096
针对第1个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000097
第1个sigma点的隐含状态值；
Figure BDA0003262214660000098
针对第j个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000101
第j个sigma点的隐含状态值；
Figure BDA0003262214660000102
第1个sigma点的温度相关漂移函数值；
ti：ti时刻；
Figure BDA0003262214660000103
第1个sigma点τ时刻的非线性函数值；
Figure BDA0003262214660000104
第1个sigma点ti+li时刻的非线性函数值；
Figure BDA0003262214660000105
第j个sigma点的温度相关漂移函数值；
Figure BDA0003262214660000106
第j个sigma点τ时刻的非线性函数值；
Figure BDA0003262214660000107
第j个sigma点ti+li时刻的非线性函数值；
根据非线性模型的寿命概率密度函数的结果对电池的剩余使用寿命进行预测，非线性模型的寿命概率密度函数的最大值对应的值为剩余使用寿命，将预测结果与实际值进行比较，从而计算出预测误差。
根据本发明提供的一种基于温度加速因子的锂离子电池剩余寿命预测***，包括：
模块M1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
模块M2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
模块M3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
模块M4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
模块M4：基于Arrhenius方程构建温度加速漂移函数；
模块M5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
模块M6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
模块M7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
模块M8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提出了一种新的基于温度加速因子的锂离子电池剩余使用寿命预测方法，能够考虑环境温度因素，对锂离子电池在不同温度下的RUL进行更加准确的预测；
2、提出了一种基于温度加速度应力的非线性维纳过程模型，将电池退化与环境温度变量相结合；将环境温度对退化速率的影响考虑在退化建模中，使电池的退化模型更加准确；
3、基于Arrhenius方程构建的温度加速漂移函数能很好地反应温度与退化速率之间的相关关系；
4、由退化模型构建出状态空间模型，并自适应更新状态空间模型的多个隐含状态，实现对锂离子电池的RUL预测和预测不确定性分析；方法的RUL预测精度高于现有的模型,并给出预测结果的不确定性度量；
5、解决锂离子电池在不同温度条件下的性能退化建模问题，建立温度相关的加速退化因子来表征不同环境温度条件下电池各异的退化率，并在线更新模型参数。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的基于温度加速因子的锂离子电池剩余使用寿命预测方法流程图；
图2为本发明实施例中不同温度下的多个电池容量退化曲线。
图3为本发明实施例中不同温度下的多个电池容量损失曲线。
图4为本发明实施例中25℃温度条件下的RUL预测结果曲线。
图5为本发明实施例中35℃温度条件下的RUL预测结果曲线。
图6为本发明实施例中45℃温度条件下的RUL预测结果曲线。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
根据本发明提供的一种基于温度加速因子的锂离子电池剩余寿命预测方法，包括：
步骤S1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
步骤S2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
步骤S3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
步骤S4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
步骤S4：基于Arrhenius方程构建温度加速漂移函数；
步骤S5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
步骤S6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
步骤S7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
步骤S8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
具体地，在所述步骤S1中：在不同环境温度下对锂离子电池进行加速循环老化试验，充放电模式采用恒流恒压模式，直到电池达到预先设定的失效阈值；加速循环老化数据是为了验证方法模型有效，作为模型输入的数据。
具体地，在所述步骤S2中：取从加速循环老化数据转化来的容量损失数据并对其进行归一化，得到不同循环下的容量损失数据，初始值为0；容量损失数据直接用于建模，是模型输入，为了验证所建立模型的准确性；
容量损失数据由下式求得：
Figure BDA0003262214660000121
其中，Qχ为每个数据样本点的容量，Q0为初始容量。
具体地，在所述步骤S3中：
将环境温度因素考虑在内，建立基于改进维纳过程的非线性退化模型，将维纳过程的漂移系数改进为环境温度的函数，用来表征不同温度下的退化特征；并且选择了一般的非线性函数来描述退化趋势，可以得到非线性退化模型如下式：
Figure BDA0003262214660000131
其中：
X(t)：非线性退化过程，初始值设为0；
t：时间变量；
X(0)：初始退化量，即t＝0时刻的退化量；
λ(T)：环境温度相关漂移函数；
T：环境温度；
μ(τ；θ)：描述退化趋势的非线性函数，其中θ为函数的参数集合；
σB：扩散系数；
B(t)：标准布朗运动；
定义寿命为退化过程首次穿过失效阈值的时间，经过时间空间转换操作，得到非线性模型的寿命概率密度函数表达式，
Figure BDA0003262214660000132
其中：
Figure BDA0003262214660000133
为寿命的概率密度函数；
exp(·)为指数函数的标号；
SB(t)为与标准维纳过程相关的软失效阈值，定义为
Figure BDA0003262214660000134
ω为预先定义的失效阈值。
具体地，在所述步骤S4中：
Arrhenius方程如下式所示：
Figure BDA0003262214660000135
其中：
k为动力反应速率；
Ea为活化能；
R为通用气体常数；
A为速率常数；
基于Arrhenius方程，构建温度加速漂移函数，如下式所示：
λ(T)＝rexp(-s/T) (5)
其中，λ(T)为环境温度相关漂移函数，用以表示不同温度下的退化速率，r和s为模型中的未知参数，后面需要对其进行估计。
具体地，在所述步骤S5中：
基于温度加速因子的改进的退化模型如下式：
Figure BDA0003262214660000141
其中，X(t,T)为不同温度下的电池容量损失；r、s、a、b：模型中的未知参数。
具体地，在所述步骤S6中：
为了实时更新模型参数，考虑多个隐含状态
Figure BDA0003262214660000142
构建状态空间方程，状态空间方程是为了能够实时更新参数而建立的，是后续建模的基础，隐含状态是包含在状态空间方程中的中间变量，能表征***状态；
状态空间方程如下式：
Figure BDA0003262214660000143
κ1，κ2：高斯误差项，上式中两个参数λ,θ的误差项，表征隐含状态的不确定性；
i：时刻点
λi(T)：ti时刻的环境温度相关漂移函数值；
ti：第i个时刻点；
λi-1(T)：ti-1时刻的环境温度相关漂移函数值；
ti-1：第i-1个时刻点；
θi：ti时刻的隐含状态θ的值；
θi-1：ti-1时刻的隐含状态θ的值；
xi：ti时刻退化量的值；
xi-1：ti-1时刻退化量的值；
ti-1-ti：退化值的时间间隔；
μ(τ；θi)：表征ti时刻退化过程特征的非线性函数；
μ(τ；θi-1)：表征ti-1时刻退化过程特征的非线性函数。
具体地，在所述步骤S7中：
估计隐含状态的均值和方差，基于无迹变换，对隐含状态进行后验参数估计，给定观测值X0:i＝{x0,...,xi}，X0:i为0到ti时刻的退化值，x0为初始退化值，xi为ti时刻的退化值；对于隐含状态
Figure BDA0003262214660000151
λ为环境温度相关漂移函数值，θ为非线性函数μ的参数，假设隐含状态
Figure BDA0003262214660000152
服从于一个多元高斯分布，其均值向量和方差均值分别为m,P，后验概率密度函数可以表示为p(λi-1,θi-1|X0:i-1)＝p(λi-1,θi-1|mi-1,Pi-1)，p(λi-1,θi-1|X0:i-1)表示为在观测值X0:i-1已知的条件下参数λi-1,θi-1的后验概率，mi-1,Pi-1表示第i-1次迭代中的后验概率密度函数的平均值和协方差，λi-1表示为ti-1时刻的漂移参数值，则无迹变换的步骤可以表示为：
a、在第i-1次迭代中，按照下面的规则，生成2n+1个sigma点Ψi-1：
Figure BDA0003262214660000153
Figure BDA0003262214660000154
Figure BDA0003262214660000155
其中：
Figure BDA0003262214660000156
第i-1次迭代中生成的初始sigma点；
Figure BDA0003262214660000157
第i-1次迭代中生成的第j个sigma点；
Pi-1：第i-1次迭代中的协方差矩阵；
Figure BDA0003262214660000158
第i-1次迭代中生成的第j+n个sigma点；
尺度参数为γ＝α2(n+ξ)-n，γ为尺度参数，n为sigma点数目参数，ξ,α为控制sigma点散布范围的参数，矩阵的平方根满足
Figure BDA0003262214660000159
b、在第i次迭代中，在测量值得到之前，根据状态空间模型的状态方程，可以得到第i次迭代中的sigma点Φi：
Figure BDA00032622146600001510
Figure BDA00032622146600001511
Figure BDA00032622146600001512
其中：
Figure BDA0003262214660000161
第i次迭代中生成的初始sigma点；
Figure BDA0003262214660000162
第i次迭代中生成的第j个sigma点；
Σ：协方差矩阵；
Figure BDA0003262214660000163
第i次迭代中生成的第j+n个sigma点；
c、通过转换方程
Figure BDA0003262214660000164
来进行sigma点的传播，
Figure BDA0003262214660000165
为转换方程，可以得到转换后的sigma点：
Figure BDA0003262214660000166
其中：
Figure BDA0003262214660000167
隐含状态参数集
Figure BDA0003262214660000168
λ(T)：环境温度相关漂移函数值；
Figure BDA0003262214660000169
转换后的第j个sigma点；
xi-1：第i次迭代中的观测值；
Figure BDA00032622146600001610
第i次迭代中的转换方程值；
Figure BDA00032622146600001611
第i-1次迭代的转换方程值；
d、计算隐含状态和转换后变量的均值和方差：
Figure BDA00032622146600001612
Figure BDA00032622146600001613
Figure BDA00032622146600001614
其中，uUi，SUi，CUi分别为预测的均值、方差和协方差；
Figure BDA00032622146600001615
平均权值；
Figure BDA00032622146600001616
协方差权值；
σB：布朗运动的方差；
B(ti-ti-1)：在时间间隔下的标准布朗运动的值；
Figure BDA00032622146600001617
第i次迭代中生成的第j个sigma点；
mi-1：第i次迭代的均值向量；
恒值权重定义为：
Figure BDA0003262214660000171
Figure BDA0003262214660000172
其中：
Figure BDA0003262214660000173
平均权值初值；
Figure BDA0003262214660000174
协方差权值初值；
β：控制隐含状态先验信息的参数；
e、观测值xi已知后，更新后验非线性模型的寿命概率密度函数的平均值和协方差，可得更新后的均值向量mi和方差矩阵Pi：
mi＝mi-1+CUi(SUi)-1(xi-uUi)
Pi＝Pi-1-CUi(SUi)-1SUi(CUi(SUi)-1)T (13)
其中：
CUi：第i次迭代非线性转换中的交叉协方差；
SUi：第i次迭代非线性转换中的协方差；
xi：第i次迭代的观测值；
UUi：第i次迭代非线性转换中的均值；
Pi-1：第i-1次迭代的方差矩阵；
则隐含状态的后验非线性模型的寿命概率密度函数
Figure BDA0003262214660000175
可以推导得：
Figure BDA0003262214660000176
其中：
Figure BDA0003262214660000177
第i次迭代的隐含状态参数值；
具体地，在所述步骤S8中：
首次穿过失效阈值的时间的非线性模型的寿命概率密度函数
Figure BDA0003262214660000178
为：
Figure BDA0003262214660000181
其中：
li：ti时刻的剩余寿命值，
X0:i：0时刻到ti时刻的观测值集合；
x0：观测值初值；
ω：失效阈值；
Figure BDA0003262214660000182
针对第1个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000183
第1个sigma点的隐含状态值；
Figure BDA0003262214660000184
针对第j个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000185
第j个sigma点的隐含状态值；
Figure BDA0003262214660000186
第1个sigma点的温度相关漂移函数值；
ti：ti时刻；
Figure BDA0003262214660000187
第1个sigma点τ时刻的非线性函数值；
Figure BDA0003262214660000188
第1个sigma点ti+li时刻的非线性函数值；
Figure BDA0003262214660000189
第j个sigma点的温度相关漂移函数值；
Figure BDA00032622146600001810
第j个sigma点τ时刻的非线性函数值；
Figure BDA00032622146600001811
第j个sigma点ti+li时刻的非线性函数值；
根据非线性模型的寿命概率密度函数的结果对电池的剩余使用寿命进行预测，非线性模型的寿命概率密度函数的最大值对应的值为剩余使用寿命，将预测结果与实际值进行比较，从而计算出预测误差。
根据本发明提供的一种基于温度加速因子的锂离子电池剩余寿命预测***，包括：
模块M1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
模块M2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
模块M3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
模块M4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
模块M4：基于Arrhenius方程构建温度加速漂移函数；
模块M5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
模块M6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
模块M7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
模块M8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
具体地，在所述模块M1中：在不同环境温度下对锂离子电池进行加速循环老化试验，充放电模式采用恒流恒压模式，直到电池达到预先设定的失效阈值；加速循环老化数据是为了验证方法模型有效，作为模型输入的数据。
具体地，在所述模块M2中：取从加速循环老化数据转化来的容量损失数据并对其进行归一化，得到不同循环下的容量损失数据，初始值为0；容量损失数据直接用于建模，是模型输入，为了验证所建立模型的准确性；
容量损失数据由下式求得：
Figure BDA0003262214660000191
其中，Qχ为每个数据样本点的容量，Q0为初始容量。
具体地，在所述模块M3中：
将环境温度因素考虑在内，建立基于改进维纳过程的非线性退化模型，将维纳过程的漂移系数改进为环境温度的函数，用来表征不同温度下的退化特征；并且选择了一般的非线性函数来描述退化趋势，可以得到非线性退化模型如下式：
Figure BDA0003262214660000201
其中：
X(t)：非线性退化过程，初始值设为0；
t：时间变量；
X(0)：初始退化量，即t＝0时刻的退化量；
λ(T)：环境温度相关漂移函数；
T：环境温度；
μ(τ；θ)：描述退化趋势的非线性函数，其中θ为函数的参数集合；
σB：扩散系数；
B(t)：标准布朗运动；
定义寿命为退化过程首次穿过失效阈值的时间，经过时间空间转换操作，得到非线性模型的寿命概率密度函数表达式，
Figure BDA0003262214660000202
其中：
Figure BDA0003262214660000203
为寿命的概率密度函数；
exp(·)为指数函数的标号；
SB(t)为与标准维纳过程相关的软失效阈值，定义为
Figure BDA0003262214660000204
ω为预先定义的失效阈值。
具体地，在所述模块M4中：
Arrhenius方程如下式所示：
Figure BDA0003262214660000205
其中：
k为动力反应速率；
Ea为活化能；
R为通用气体常数；
A为速率常数；
基于Arrhenius方程，构建温度加速漂移函数，如下式所示：
λ(T)＝rexp(-s/T) (5)
其中，λ(T)为环境温度相关漂移函数，用以表示不同温度下的退化速率，r和s为模型中的未知参数，后面需要对其进行估计。
具体地，在所述模块M5中：
基于温度加速因子的改进的退化模型如下式：
Figure BDA0003262214660000211
其中，X(t,T)为不同温度下的电池容量损失；r、s、a、b：模型中的未知参数。
具体地，在所述模块M6中：
为了实时更新模型参数，考虑多个隐含状态
Figure BDA0003262214660000212
构建状态空间方程，状态空间方程是为了能够实时更新参数而建立的，是后续建模的基础，隐含状态是包含在状态空间方程中的中间变量，能表征***状态；
状态空间方程如下式：
Figure BDA0003262214660000213
κ1，κ2：高斯误差项，上式中两个参数λ,θ的误差项，表征隐含状态的不确定性；
i：时刻点
λi(T)：ti时刻的环境温度相关漂移函数值；
ti：第i个时刻点；
λi-1(T)：ti-1时刻的环境温度相关漂移函数值；
ti-1：第i-1个时刻点；
θi：ti时刻的隐含状态θ的值；
θi-1：ti-1时刻的隐含状态θ的值；
xi：ti时刻退化量的值；
xi-1：ti-1时刻退化量的值；
ti-1-ti：退化值的时间间隔；
μ(τ；θi)：表征ti时刻退化过程特征的非线性函数；
μ(τ；θi-1)：表征ti-1时刻退化过程特征的非线性函数。
具体地，在所述模块M7中：
估计隐含状态的均值和方差，基于无迹变换，对隐含状态进行后验参数估计，给定观测值X0:i＝{x0,...,xi}，X0:i为0到ti时刻的退化值，x0为初始退化值，xi为ti时刻的退化值；对于隐含状态
Figure BDA0003262214660000221
λ为环境温度相关漂移函数值，θ为非线性函数μ的参数，假设隐含状态
Figure BDA0003262214660000222
服从于一个多元高斯分布，其均值向量和方差均值分别为m,P，后验概率密度函数可以表示为p(λi-1,θi-1|X0:i-1)＝p(λi-1,θi-1|mi-1,Pi-1)，p(λi-1,θi-1|X0:i-1)表示为在观测值X0:i-1已知的条件下参数λi-1,θi-1的后验概率，mi-1,Pi-1表示第i-1次迭代中的后验概率密度函数的平均值和协方差，λi-1表示为ti-1时刻的漂移参数值，则无迹变换的步骤可以表示为：
a、在第i-1次迭代中，按照下面的规则，生成2n+1个sigma点Ψi-1：
Figure BDA0003262214660000223
Figure BDA0003262214660000224
Figure BDA0003262214660000225
其中：
Figure BDA0003262214660000226
第i-1次迭代中生成的初始sigma点；
Figure BDA0003262214660000227
第i-1次迭代中生成的第j个sigma点；
Pi-1：第i-1次迭代中的协方差矩阵
Figure BDA0003262214660000228
第i-1次迭代中生成的第j+n个sigma点；
尺度参数为γ＝α2(n+ξ)-n，γ为尺度参数，n为sigma点数目参数，ξ,α为控制sigma点散布范围的参数，矩阵的平方根满足
Figure BDA0003262214660000229
b、在第i次迭代中，在测量值得到之前，根据状态空间模型的状态方程，可以得到第i次迭代中的sigma点Φi：
Figure BDA00032622146600002210
Figure BDA00032622146600002211
Figure BDA00032622146600002212
其中：
Figure BDA00032622146600002213
第i次迭代中生成的初始sigma点；
Figure BDA00032622146600002214
第i次迭代中生成的第j个sigma点；
Σ：协方差矩阵；
Figure BDA0003262214660000231
第i次迭代中生成的第j+n个sigma点；
c、通过转换方程
Figure BDA0003262214660000232
来进行sigma点的传播，
Figure BDA0003262214660000233
为转换方程，可以得到转换后的sigma点：
Figure BDA0003262214660000234
其中：
Figure BDA0003262214660000235
隐含状态参数集
Figure BDA0003262214660000236
λ(T)：环境温度相关漂移函数值；
Figure BDA0003262214660000237
转换后的第j个sigma点；
xi-1：第i次迭代中的观测值；
Figure BDA0003262214660000238
第i次迭代中的转换方程值；
Figure BDA0003262214660000239
第i-1次迭代的转换方程值；
d、计算隐含状态和转换后变量的均值和方差：
Figure BDA00032622146600002310
Figure BDA00032622146600002311
Figure BDA00032622146600002312
其中，uUi，SUi，CUi分别为预测的均值、方差和协方差；
Figure BDA00032622146600002313
平均权值；
Figure BDA00032622146600002314
协方差权值；
σB：布朗运动的方差；
B(ti-ti-1)：在时间间隔下的标准布朗运动的值；
Figure BDA00032622146600002315
第i次迭代中生成的第j个sigma点；
mi-1：第i次迭代的均值向量；
恒值权重定义为：
Figure BDA00032622146600002316
Figure BDA00032622146600002317
其中：
Figure BDA0003262214660000241
平均权值初值；
Figure BDA0003262214660000242
协方差权值初值；
β：控制隐含状态先验信息的参数；
e、观测值xi已知后，更新后验非线性模型的寿命概率密度函数的平均值和协方差，可得更新后的均值向量mi和方差矩阵Pi：
mi＝mi-1+CUi(SUi)-1(xi-uUi)
Pi＝Pi-1-CUi(SUi)-1SUi(CUi(SUi)-1)T (13)
其中：
CUi：第i次迭代非线性转换中的交叉协方差；
SUi：第i次迭代非线性转换中的协方差；
xi：第i次迭代的观测值；
UUi：第i次迭代非线性转换中的均值；
Pi-1：第i-1次迭代的方差矩阵；
则隐含状态的后验非线性模型的寿命概率密度函数
Figure BDA0003262214660000243
可以推导得：
Figure BDA0003262214660000244
其中：
Figure BDA0003262214660000245
第i次迭代的隐含状态参数值；
具体地，在所述模块M8中：
首次穿过失效阈值的时间的非线性模型的寿命概率密度函数
Figure BDA0003262214660000246
为：
Figure BDA0003262214660000251
其中：
li：ti时刻的剩余寿命值，
X0:i：0时刻到ti时刻的观测值集合；
x0：观测值初值；
ω：失效阈值；
Figure BDA0003262214660000252
针对第1个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000253
第1个sigma点的隐含状态值；
Figure BDA0003262214660000254
针对第j个sigma点的剩余寿命概率密度函数；
Figure BDA0003262214660000255
第j个sigma点的隐含状态值；
Figure BDA0003262214660000256
第1个sigma点的温度相关漂移函数值；
ti：ti时刻；
Figure BDA0003262214660000257
第1个sigma点τ时刻的非线性函数值；
Figure BDA0003262214660000258
第1个sigma点ti+li时刻的非线性函数值；
Figure BDA0003262214660000259
第j个sigma点的温度相关漂移函数值；
Figure BDA00032622146600002510
第j个sigma点τ时刻的非线性函数值；
Figure BDA00032622146600002511
第j个sigma点ti+li时刻的非线性函数值；
根据非线性模型的寿命概率密度函数的结果对电池的剩余使用寿命进行预测，非线性模型的寿命概率密度函数的最大值对应的值为剩余使用寿命，将预测结果与实际值进行比较，从而计算出预测误差。
实施例2：
本领域技术人员可以将本实施例理解为实施例1的优选例。
一种基于温度加速因子的锂离子电池剩余使用寿命预测方法，方法的流程图如图1所示，包括以下步骤：
步骤1：在不同环境温度下(如25℃、35℃、45℃等)，对锂离子电池进行加速循环老化试验，充放电模式采用恒流恒压模式(CCCV)，直到电池达到预先设定的失效阈值(如容量衰减到初始容量的80％)。
步骤2：获取锂离子电池的加速循环老化数据，得到每个充放电循环下的放电容量。图2给出了电池在不同温度下的容量衰减示例图(从剑桥大学公开数据集中获取的7个电池在不同温度下的容量衰减数据，图中使用标签“T25B03”来表示03号电池在25℃时的退化数据。)。为了保证退化数据的维度一致，取容量损失数据并对其进行归一化，得到不同循环下的容量损失数据。图3给出了电池在不同温度下的容量损失示例图，容量损失数据由下式求得：
Figure BDA0003262214660000261
其中，Qχ为每个数据样本点的容量，Q0为初始容量。
步骤3：将环境温度因素考虑在内，建立基于改进维纳过程的非线性退化模型。维纳过程中的漂移系数和扩散系数分别表示退化过程的速率和不确定性。在本专利中，将维纳过程的漂移系数改进为环境温度的函数，用来表征不同温度下各异的退化特征。并且选择了一般的非线性函数来描述退化趋势，可以得到非线性退化模型如下式：
Figure BDA0003262214660000262
其中：
X(t)：非线性退化过程，初始值一般设为0
λ(T)：环境温度相关漂移函数
T：环境温度
μ(τ；θ)：描述退化趋势的非线性函数，其中θ为函数的参数集合
σB：扩散系数
B(t)：标准布朗运动
步骤4：定义寿命为退化过程的首达时间(FHT，即首次穿过失效阈值的时间)。
L＝inf{t:X(t)≥ω|xk}
经过时间空间转换(time-spacetransformation)操作，得到上述非线性模型的寿命概率密度函数(PDF)表达式，
Figure BDA0003262214660000271
其中，
Figure BDA0003262214660000272
步骤5：基于Arrhenius方程构建温度加速漂移函数。Arrhenius方程由一位瑞典学者建立，由于表示退化速率与温度的关系，Arrhenius方程如下式所示：
Figure BDA0003262214660000273
其中，
k：动力反应速率；
T：温度；
Ea：活化能；
R：通用气体常数；
A：速率常数。
基于Arrhenius方程，构建温度加速漂移函数，构建过程如下所示：
ln(λ(T))＝-s/T+lnr
整理后得：
λ(T)＝rexp(-s/T)
其中，λ(T)为不同温度下的退化速率，r和s为需要估计的参数。
步骤6：得到基于温度加速因子的改进的退化模型。如下式：
Figure BDA0003262214660000274
X(t,T)为不同温度下的电池容量损失。
步骤7：为了实时更新模型参数，如漂移系数、非线性函数的参数等，考虑多个隐含状态
Figure BDA0003262214660000275
构建相应的状态空间方程，如下式：
Figure BDA0003262214660000281
κ1，κ2：高斯误差项
步骤8：估计隐含状态的均值和方差。基于无迹变换(unscentedtransform，UT)，对隐含状态进行后验参数估计。给定观测值X0:i＝{x0,...,xi}，对于隐含状态
Figure BDA0003262214660000282
假设后验概率密度函数可以表示为p(λi-1,θi-1|X0:i-1)＝p(λi-1,θi-1|mi-1,Pi-1)，则UT的步骤可以表示为：
(1)在第i-1次迭代中，按照下面的规则，生成2n+1个sigma点。
Figure BDA0003262214660000283
Figure BDA0003262214660000284
Figure BDA0003262214660000285
其中，尺度参数为γ＝α2(n+ξ)-n，ξ,α为控制sigma点散布范围的参数，矩阵的平方根满足
Figure BDA0003262214660000286
(2)在第i次迭代中，在测量值得到之前，根据状态空间模型的状态方程，可以得到：
Figure BDA0003262214660000287
Figure BDA0003262214660000288
Figure BDA0003262214660000289
(3)通过转换方程
Figure BDA00032622146600002810
来进行sigma点的传播，可以得到转换后的sigma点：
Figure BDA00032622146600002811
(4)计算隐含状态和转换后变量的均值和方差：
Figure BDA00032622146600002812
Figure BDA00032622146600002813
Figure BDA00032622146600002814
其中，uUi，SUi，CUi分别是预测的均值、方差和协方差，权重被定义为：
Figure BDA00032622146600002815
Figure BDA00032622146600002816
(5)测量值xi已知后，更新后验PDF的平均值和协方差，可得：
mi＝mi-1+CUi(SUi)-1(xi-uUi)
Pi＝Pi-1-CUi(SUi)-1SUi(CUi(SUi)-1)T
则隐含状态的后验PDF可以推导得：
Figure BDA0003262214660000291
步骤9：针对不同温度的锂离子电池退化过程进行RUL的预测。
由以上分析，通过进一步推导，得FHT的PDF为：
Figure BDA0003262214660000292
根据PDF的结果对电池的RUL进行预测，PDF的最大值对应的值为RUL。将预测结果与实际值进行比较，从而计算出预测误差。
分别取开始预测的时刻为实际寿命的65％～95％，则图4、图5、图6展示了此方法在不同温度条件下的最终预测结果。
实施例3：
本领域技术人员可以将本实施例理解为实施例1的优选例。
本领域技术人员可以将本发明提供的一种基于温度加速因子的锂离子电池剩余寿命预测方法，理解为基于温度加速因子的锂离子电池剩余寿命预测***的具体实施方式，即所述基于温度加速因子的锂离子电池剩余寿命预测***可以通过执行所述基于温度加速因子的锂离子电池剩余寿命预测方法的步骤流程予以实现。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的***、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，包括：
步骤S1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
步骤S2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
步骤S3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
步骤S4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
步骤S4：基于Arrhenius方程构建温度加速漂移函数；
步骤S5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
步骤S6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
步骤S7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
步骤S8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
2.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于：在所述步骤S1中：在不同环境温度下对锂离子电池进行加速循环老化试验，充放电模式采用恒流恒压模式，直到电池达到预先设定的失效阈值；加速循环老化数据是为了验证方法模型有效，作为模型输入的数据。
3.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于：在所述步骤S2中：取从加速循环老化数据转化来的容量损失数据并对其进行归一化，得到不同循环下的容量损失数据，初始值为0；容量损失数据直接用于建模，是模型输入，为了验证所建立模型的准确性；
容量损失数据由下式求得：
Figure FDA0003262214650000011
其中，Qχ为每个数据样本点的容量，Q0为初始容量。
4.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，在所述步骤S3中：
将环境温度因素考虑在内，建立基于改进维纳过程的非线性退化模型，将维纳过程的漂移系数改进为环境温度的函数，用来表征不同温度下的退化特征；并且选择了一般的非线性函数来描述退化趋势，可以得到非线性退化模型如下式：
Figure FDA0003262214650000021
其中：
X(t)：非线性退化过程，初始值设为0；
t：时间变量；
X(0)：初始退化量，即t＝0时刻的退化量；
λ(T)：环境温度相关漂移函数；
T：环境温度；
μ(τ；θ)：描述退化趋势的非线性函数，其中θ为函数的参数集合；
σB：扩散系数；
B(t)：标准布朗运动；
定义寿命为退化过程首次穿过失效阈值的时间，经过时间空间转换操作，得到非线性模型的寿命概率密度函数表达式，
Figure FDA0003262214650000022
其中：
Figure FDA0003262214650000023
为寿命的概率密度函数；
exp(·)为指数函数的标号；
SB(t)为与标准维纳过程相关的软失效阈值，定义为
Figure FDA0003262214650000024
ω为预先定义的失效阈值。
5.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于：在所述步骤S4中：
Arrhenius方程如下式所示：
Figure FDA0003262214650000025
其中：
k为动力反应速率；
Ea为活化能；
R为通用气体常数；
A为速率常数；
基于Arrhenius方程，构建温度加速漂移函数，如下式所示：
λ(T)＝rexp(-s/T)(5)
其中，λ(T)为环境温度相关漂移函数，用以表示不同温度下的退化速率，r和s为模型中的未知参数，后面需要对其进行估计。
6.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，在所述步骤S5中：
基于温度加速因子的改进的退化模型如下式：
Figure FDA0003262214650000031
其中，X(t,T)为不同温度下的电池容量损失；r、s、a、b：模型中的未知参数。
7.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，在所述步骤S6中：
为了实时更新模型参数，考虑多个隐含状态
Figure FDA0003262214650000032
构建状态空间方程，状态空间方程是为了能够实时更新参数而建立的，是后续建模的基础，隐含状态是包含在状态空间方程中的中间变量，能表征***状态；
状态空间方程如下式：
Figure FDA0003262214650000033
κ1，κ2：高斯误差项，上式中两个参数λ,θ的误差项，表征隐含状态的不确定性；
i：时刻点
λi(T)：ti时刻的环境温度相关漂移函数值；
ti：第i个时刻点；
λi-1(T)：ti-1时刻的环境温度相关漂移函数值；
ti-1：第i-1个时刻点；
θi：ti时刻的隐含状态θ的值；
θi-1：ti-1时刻的隐含状态θ的值；
xi：ti时刻退化量的值；
xi-1：ti-1时刻退化量的值；
ti-1-ti：退化值的时间间隔；
μ(τ；θi)：表征ti时刻退化过程特征的非线性函数；
μ(τ；θi-1)：表征ti-1时刻退化过程特征的非线性函数。
8.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，在所述步骤S7中：
估计隐含状态的均值和方差，基于无迹变换，对隐含状态进行后验参数估计，给定观测值X0:i＝{x0,...,xi}，X0:i为0到ti时刻的退化值，x0为初始退化值，xi为ti时刻的退化值；对于隐含状态
Figure FDA0003262214650000041
λ为环境温度相关漂移函数值，θ为非线性函数μ的参数，假设隐含状态
Figure FDA0003262214650000042
服从于一个多元高斯分布，其均值向量和方差均值分别为m,P，后验概率密度函数可以表示为p(λi-1,θi-1|X0:i-1)＝p(λi-1,θi-1|mi-1,Pi-1)，p(λi-1,θi-1|X0:i-1)表示为在观测值X0:i-1已知的条件下参数λi-1,θi-1的后验概率，mi-1,Pi-1表示第i-1次迭代中的后验概率密度函数的平均值和协方差，λi-1表示为ti-1时刻的漂移参数值，则无迹变换的步骤可以表示为：
a、在第i-1次迭代中，按照下面的规则，生成2n+1个sigma点Ψi-1：
Figure FDA0003262214650000043
Figure FDA0003262214650000044
Figure FDA0003262214650000045
其中：
Figure FDA0003262214650000046
第i-1次迭代中生成的初始sigma点；
Figure FDA0003262214650000047
第i-1次迭代中生成的第j个sigma点；
Pi-1：第i-1次迭代中的协方差矩阵；
Figure FDA0003262214650000048
第i-1次迭代中生成的第j+n个sigma点；
尺度参数为γ＝α2(n+ξ)-n，γ为尺度参数，n为sigma点数目参数，ξ,α为控制sigma 点散布范围的参数，矩阵的平方根满足
Figure FDA0003262214650000051
b、在第i次迭代中，在测量值得到之前，根据状态空间模型的状态方程，可以得到第i次迭代中的sigma点Φi：
Figure FDA0003262214650000052
Figure FDA0003262214650000053
Figure FDA0003262214650000054
其中：
Figure FDA0003262214650000055
第i次迭代中生成的初始sigma点；
Figure FDA0003262214650000056
第i次迭代中生成的第j个sigma点；
Σ：协方差矩阵；
Figure FDA0003262214650000057
第i次迭代中生成的第j+n个sigma点；
c、通过转换方程
Figure FDA0003262214650000058
来进行sigma点的传播，
Figure FDA0003262214650000059
为转换方程，可以得到转换后的sigma点：
Figure FDA00032622146500000510
其中：
Figure FDA00032622146500000511
隐含状态参数集
Figure FDA00032622146500000512
λ(T)：环境温度相关漂移函数值；
Figure FDA00032622146500000513
转换后的第j个sigma点；
xi-1：第i次迭代中的观测值；
Figure FDA00032622146500000514
第i次迭代中的转换方程值；
Figure FDA00032622146500000515
第i-1次迭代的转换方程值；
d、计算隐含状态和转换后变量的均值和方差：
Figure FDA00032622146500000516
Figure FDA00032622146500000517
Figure FDA00032622146500000518
其中，uUi，SUi，CUi分别为预测的均值、方差和协方差；
Figure FDA00032622146500000519
平均权值；
Figure FDA00032622146500000520
协方差权值；
σB：布朗运动的方差；
B(ti-ti-1)：在时间间隔下的标准布朗运动的值；
Figure FDA0003262214650000061
第i次迭代中生成的第j个sigma点；
mi-1：第i次迭代的均值向量；
恒值权重定义为：
Figure FDA0003262214650000062
Figure FDA0003262214650000063
其中：
Figure FDA0003262214650000064
平均权值初值；
Figure FDA0003262214650000065
协方差权值初值；
β：控制隐含状态先验信息的参数；
e、观测值xi已知后，更新后验非线性模型的寿命概率密度函数的平均值和协方差，可得更新后的均值向量mi和方差矩阵Pi：
mi＝mi-1+CUi(SUi)-1(xi-uUi)
Pi＝Pi-1-CUi(SUi)-1SUi(CUi(SUi)-1)T (13)
其中：
CUi：第i次迭代非线性转换中的交叉协方差；
SUi：第i次迭代非线性转换中的协方差；
xi：第i次迭代的观测值；
UUi：第i次迭代非线性转换中的均值；
Pi-1：第i-1次迭代的方差矩阵；
则隐含状态的后验非线性模型的寿命概率密度函数
Figure FDA0003262214650000066
可以推导得：
Figure FDA0003262214650000067
其中：
Figure FDA0003262214650000068
第i次迭代的隐含状态参数值。
9.根据权利要求1所述的基于温度加速因子的锂离子电池剩余寿命预测方法，其特征在于，在所述步骤S8中：
首次穿过失效阈值的时间的非线性模型的寿命概率密度函数
Figure FDA0003262214650000071
为：
Figure FDA0003262214650000072
其中：
li：ti时刻的剩余寿命值，
X0:i：0时刻到ti时刻的观测值集合；
x0：观测值初值；
ω：失效阈值；
Figure FDA0003262214650000073
针对第1个sigma点的剩余寿命概率密度函数；
Figure FDA0003262214650000074
第1个sigma点的隐含状态值；
Figure FDA0003262214650000075
针对第j个sigma点的剩余寿命概率密度函数；
Figure FDA0003262214650000076
第j个sigma点的隐含状态值；
Figure FDA00032622146500000710
第1个sigma点的温度相关漂移函数值；
ti：ti时刻；
Figure FDA00032622146500000712
第1个sigma点τ时刻的非线性函数值；
Figure FDA00032622146500000711
第1个sigma点ti+li时刻的非线性函数值；
Figure FDA0003262214650000077
第j个sigma点的温度相关漂移函数值；
Figure FDA0003262214650000078
第j个sigma点τ时刻的非线性函数值；
Figure FDA0003262214650000079
第j个sigma点ti+li时刻的非线性函数值；
根据非线性模型的寿命概率密度函数的结果对电池的剩余使用寿命进行预测，非线性模型的寿命概率密度函数的最大值对应的值为剩余使用寿命，将预测结果与实际值进行比较，从而计算出预测误差。
10.一种基于温度加速因子的锂离子电池剩余寿命预测***，其特征在于，包括：
模块M1：在不同环境温度下对锂离子电池进行加速循环老化试验，获取加速循环老化数据，得到每个充、放电循环下的放电容量；
模块M2：取放电容量损失数据并进行归一化处理，得到不同循环实验下的容量损失数据；
模块M3：考虑环境温度，根据容量损失数据，基于改进维纳过程建立非线性退化模型；
模块M4：基于非线性退化模型，经过时间空间转换操作，推导得到寿命概率密度表达式；
模块M4：基于Arrhenius方程构建温度加速漂移函数；
模块M5：根据基于改进维纳过程的非线性退化模型和温度加速飘移函数，构建基于温度加速因子的锂离子电池非线性退化模型；
模块M6：通过基于温度加速因子的锂离子电池非线性退化模型，考虑多个隐含状态，构建状态空间方程；
模块M7：基于无迹变换，对状态空间方程中的隐含状态进行参数估计及更新；
模块M8：根据非线性模型对不同温度条件下的电池的剩余使用寿命进行预测，得到剩余寿命概率密度函数及剩余寿命预测值，并计算预测误差。
CN202111076003.XA 2021-09-14 2021-09-14 基于温度加速因子的锂离子电池剩余寿命预测方法及*** Pending CN113761751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111076003.XA CN113761751A (zh) 2021-09-14 2021-09-14 基于温度加速因子的锂离子电池剩余寿命预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111076003.XA CN113761751A (zh) 2021-09-14 2021-09-14 基于温度加速因子的锂离子电池剩余寿命预测方法及***

Publications (1)

Publication Number Publication Date
CN113761751A true CN113761751A (zh) 2021-12-07

Family

ID=78795467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111076003.XA Pending CN113761751A (zh) 2021-09-14 2021-09-14 基于温度加速因子的锂离子电池剩余寿命预测方法及***

Country Status (1)

Country Link
CN (1) CN113761751A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091790A (zh) * 2022-01-20 2022-02-25 浙江大学 一种融合现场数据和两阶段加速退化数据的寿命预测方法
CN114169107A (zh) * 2021-12-14 2022-03-11 大连理工大学 一种基于随机停滞非线性退化模型的寿命预测算法
CN115308611A (zh) * 2022-10-11 2022-11-08 中国人民解放军国防科技大学 考虑温度补偿的锂离子电池剩余寿命预测方法
CN116879753A (zh) * 2023-06-21 2023-10-13 重庆邮电大学 一种基于大数据的电池寿命预测方法
CN117214725A (zh) * 2023-10-24 2023-12-12 燕山大学 基于改进对称点图构建锂离子电池容量预测方法
CN118011225A (zh) * 2024-04-08 2024-05-10 瑞浦兰钧能源股份有限公司 可充放电容量的修正方法、装置、存储介质及电子装置

Citations (7)

* Cited by examiner, † Cited by third party
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
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN103389472A (zh) * 2013-08-01 2013-11-13 哈尔滨工业大学 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
JP2015156195A (ja) * 2014-02-21 2015-08-27 株式会社東芝 蓄電池制御装置およびその方法
CN106371029A (zh) * 2016-08-26 2017-02-01 中国电力科学研究院 一种锂电池交流阻抗频谱的在线同步测试方法和装置
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN112949058A (zh) * 2021-02-27 2021-06-11 中国人民解放***箭军工程大学 一种基于隐含非线性维纳过程的锂电池启发式剩余寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
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
CN103389472A (zh) * 2013-08-01 2013-11-13 哈尔滨工业大学 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
JP2015156195A (ja) * 2014-02-21 2015-08-27 株式会社東芝 蓄電池制御装置およびその方法
CN106371029A (zh) * 2016-08-26 2017-02-01 中国电力科学研究院 一种锂电池交流阻抗频谱的在线同步测试方法和装置
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN112949058A (zh) * 2021-02-27 2021-06-11 中国人民解放***箭军工程大学 一种基于隐含非线性维纳过程的锂电池启发式剩余寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李玥锌;刘淑杰;高斯博;胡娅维;张洪潮: "基于维纳过程的锂离子电池剩余寿命预测", 大连理工大学学报, vol. 57, no. 2 *
金晓航;李建华;孙毅;: "基于二元维纳过程的轴承剩余寿命预测", 仪器仪表学报, no. 06 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169107A (zh) * 2021-12-14 2022-03-11 大连理工大学 一种基于随机停滞非线性退化模型的寿命预测算法
CN114169107B (zh) * 2021-12-14 2024-04-16 大连理工大学 一种基于随机停滞非线性退化模型的寿命预测算法
CN114091790A (zh) * 2022-01-20 2022-02-25 浙江大学 一种融合现场数据和两阶段加速退化数据的寿命预测方法
CN115308611A (zh) * 2022-10-11 2022-11-08 中国人民解放军国防科技大学 考虑温度补偿的锂离子电池剩余寿命预测方法
CN115308611B (zh) * 2022-10-11 2023-01-06 中国人民解放军国防科技大学 考虑温度补偿的锂离子电池剩余寿命预测方法
CN116879753A (zh) * 2023-06-21 2023-10-13 重庆邮电大学 一种基于大数据的电池寿命预测方法
CN117214725A (zh) * 2023-10-24 2023-12-12 燕山大学 基于改进对称点图构建锂离子电池容量预测方法
CN118011225A (zh) * 2024-04-08 2024-05-10 瑞浦兰钧能源股份有限公司 可充放电容量的修正方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN113761751A (zh) 基于温度加速因子的锂离子电池剩余寿命预测方法及***
Wang et al. Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries
Kim et al. Data-efficient parameter identification of electrochemical lithium-ion battery model using deep Bayesian harmony search
Chen et al. A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms
Li et al. A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter
Chen et al. Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications
Xiong et al. A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles
Wang et al. An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles
Li et al. A mutated particle filter technique for system state estimation and battery life prediction
CN110457789B (zh) 一种锂离子电池剩余寿命预测方法
Lai et al. A novel method for state of energy estimation of lithium-ion batteries using particle filter and extended Kalman filter
Cong et al. A hybrid method for the prediction of the remaining useful life of lithium-ion batteries with accelerated capacity degradation
Zhang et al. A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction
Chen et al. A long short-term memory neural network based Wiener process model for remaining useful life prediction
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
Ma et al. Robust state of charge estimation for Li-ion batteries based on cubature kalman filter with generalized maximum correntropy criterion
Wei et al. State of health assessment for echelon utilization batteries based on deep neural network learning with error correction
Ge et al. Lithium ion battery health prediction via variable mode decomposition and deep learning network with self-attention mechanism
US20230258733A1 (en) Predicting aging of batteries
Wong et al. Li-ion batteries state-of-charge estimation using deep lstm at various battery specifications and discharge cycles
CN114936682B (zh) 基于变分模态分解的锂离子电池剩余使用寿命预测方法
Wu et al. Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering
Guo et al. An adaptive approach for battery state of charge and state of power co-estimation with a fractional-order multi-model system considering temperatures
Cao et al. A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting
Jing et al. A systematic framework for battery performance estimation considering model and parameter uncertainties

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240524

AD01 Patent right deemed abandoned