CN117074957B - 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 - Google Patents
一种基于数-模融合的锂离子电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN117074957B CN117074957B CN202311045089.9A CN202311045089A CN117074957B CN 117074957 B CN117074957 B CN 117074957B CN 202311045089 A CN202311045089 A CN 202311045089A CN 117074957 B CN117074957 B CN 117074957B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- service life
- algorithm
- digital
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 13
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000036541 health Effects 0.000 claims abstract description 17
- 238000006731 degradation reaction Methods 0.000 claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims abstract description 11
- 238000005562 fading Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007600 charging Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于数‑模融合的锂离子电池剩余使用寿命预测方法,本方法为了兼顾电池剩余使用寿命预测的准确性和不确定性表达,基于多个间接健康指标融合得到的融合健康指标,提出了一种基于粒子群算法优化极限学习机和随机扰动无迹粒子滤波算法结合的数‑模融合电池剩余使用寿命预测方法。该数‑模融合方法将构建的具有更高拟合精度的电池经验衰退模型作为状态方程,PSO‑ELM预测模型作为观测方程,并通过RP‑UPF算法获得模型后验参数并不断逼近电池的真实衰退曲线,继而预测电池剩余使用寿命。
Description
技术领域
本发明属于电池使用寿命预测技术领域,尤其涉及一种基于数-模融合的锂离子电池剩余使用寿命预测方法。
背景技术
动力电池作为新能源汽车的核心部件,其性能优劣直接影响着新能源汽车的续航里程、加速性能、安全性和寿命等。因此,动力电池的健康状态(State of Health,SOH)监测、电池RUL预测及其性能安全维护等问题成为研究热点及难点。目前常用的电池RUL预测方法有基于模型、基于数据驱动和基于融合的三类方法。基于模型是通过电池内部电化学特性和性能退化机理建立反映电池***运行规律的老化模型,进而对电池RUL预测。基于数据驱动是根据电池外部数据的动态变化与电池性能衰退的规律建立不考虑电池内部机理的电池RUL预测。由于电池性能衰退过程中存在多种非线性和非稳定性因素,在进行电池RUL预测时,有学者采取模型和数据驱动相融合或多种数据驱动融合的方法,以改善单一预测方法的缺陷。例如,曾文文等人提出基于模型和数据驱动相结合的融合方法,通过数据驱动建立误差补偿模型来对经验衰退模型进行补充。Liu D等人以自回归时间序列模型为观测方程,并基于粒子滤波算法实现电池RUL预测。因融合方法兼顾了模型和数据驱动的优势,更适合处理不同工况的电池预测,提高了电池RUL预测精度。
在电池RUL预测中,选取能够准确表征电池老化程度的健康指标(HealthIndicator,HI)相当重要。以电池容量和电池内阻作为电池直接HI时需要完整的充放电过程或基于电化学阻抗谱才能获得,其操作过程复杂且耗时。还没有通过间接HI实现电池RUL预测的相关技术。
发明内容
为解决上述技术问题,本发明提出了一种基于数-模融合的锂离子电池剩余使用寿命预测方法,以解决现有技术中存在的问题。
为实现上述目的,本发明提供了一种基于数-模融合的锂离子电池剩余使用寿命预测方法,包括以下步骤:
采集电池健康指标数据,分析所述电池健康指标数据与电池容量衰退的相关性,并将所述电池健康指标数据融合,获得融合数据;
建立PSO-ELM预测模型,将所述融合数据作为所述PSO-ELM预测模型输入,电池SOH作为输出,构建电池SOH在线估算模型,并通过所述电池SOH在线估算模型估算电池容量值;
改进粒子滤波算法得到RP-UPF算法,通过所述RP-UPF算法计算所述估算电池容量值的粒子权重并进行归一化处理,获得归一化的权重,基于归一化的权重通过随机扰动重采样法对粒子集合进行重采样,获得采样集合;
构建电池容量衰退经验模型,将所述采样集合输入到电池容量衰退经验模型中进行剩余使用寿命预测,得到电池剩余使用寿命。
优选地,所述电池健康指标数据包括3.8~4.2V电压间隔内的等压升充电时间、1000s~1500s时刻内的平均充电电压升流充电时间、1000s~1500s时刻内的平均充电电压恒流充电时间、经过1500s的相同时间间隔电流差值、电压为4V时的IC值、IC曲线峰值对应的电压值和电池达到最高温度时间。
优选地,所述分析所述电池健康指标数据与电池容量衰退的相关性的方法包括:通过Pearson和Spearman的相关系数进行分析,Pearson的相关系数用于衡量两个变量之间线性关系强度,Spearman的相关系数用于衡量两变量之间单调相关程度。
优选地,所述建立PSO-ELM预测模型的方法包括:将ELM输入层和隐藏层之间的权值及隐含层偏差作为PSO的粒子进行寻优,建立PSO-ELM预测模型。
优选地,所述改进粒子滤波算法得到RP-UPF算法的方法包括:在粒子滤波算法框架下,将通过UKF算法获得的密度分布作为重要性函数,得到RP-UPF算法。
优选地,所述随机扰动重采样法对粒子集合进行重采样的过程包括:将粒子集按照权值降序排列;计算有效粒子数;从降序排列的粒子集中取出有效粒子;使用扰动粒子替换退化粒子;更新粒子权值;基于更新后的权值进行重采样。
优选地,所述构建电池容量衰退经验模型的方法包括:基于双指数模型、高斯模型和多项式模型进行组合分析,构建电池容量衰退经验模型。
优选地,电池容量衰退经验模型中回归方程的拟合度通过Radj 2和最小化信息量准则进行衡量。
与现有技术相比,本发明具有如下优点和技术效果:
本发明所述的基于数-模融合的锂离子电池剩余使用寿命预测方法,为兼顾电池RUL预测的准确性和不确定性表达,通过基于融合HI,在构建拟合优度更高的电池容量衰退模型的基础上,结合PSO-ELM实时获取容量观测值,并基于RP-UPF算法对电池RUL进行预测,能够准确的预测电池剩余使用寿命。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的电池容量衰退曲线图;
图2为本发明实施例的B0007电池SOH估算结果图;
图3为本发明实施例的七种构建模型性能指标分布情况图,其中(a)为Radj 2指标分布图,(b)为AIC指标分布图;
图4为本发明实施例的k=50时的各电池RUL预测结果图,其中(a)为B0005组电池RUL预测结果图,(b)为B0006组电池RUL预测结果图,(c)为B0007组电池RUL预测结果图;
图5为本发明实施例的k=80时的各电池RUL预测结果图,其中(a)为B0005组电池RUL预测结果图,(b)为B0006组电池RUL预测结果图,(c)为B0007组电池RUL预测结果图;
图6为本发明实施例的基于数-模融合的锂离子电池剩余使用寿命预测方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图6所示,本发明提出了一种基于数-模融合的锂离子电池剩余使用寿命预测方法,包括以下步骤:
1、健康指标的提取及融合
1.1电池健康指标的提取
基于NASA公开的18650型号B0005、B0006、B0007和B0018四组电池数据集对电池RUL开展研究。图1为四组电池容量衰退曲线。
本申请以B0005组电池为例,对电池充电阶段电流、电压以及温度数据进行分析,提取了3.8~4.2V电压间隔内的等压升充电时间、1000s~1500s时刻内的平均充电电压升、恒流充电时间、经过1500s的相同时间间隔电流差值、电压为4V时的IC值、IC曲线峰值对应的电压值以及电池达到最高温度时间等七个间接HI。
1.2相关性分析和多指标融合
为了分析间接HI与电池容量衰退的相关性,本申请采用Pearson和Spearman的相关系数进行分析。Pearson相关系数r用于衡量两个变量之间线性关系强度,其值在[-1,1]之间,绝对值越大,线性相关越强。Spearman相关系数ρ用于衡量两变量之间单调相关程度,其值在[-1,1]之间,绝对值越大,单调相关越强。将七个间接HI分别用编号HI-1~HI-7表示,其与容量的Pearson和Spearman的相关系数如表1所示。
表1
从表1可知,七个HI与容量之间都具有较强的线性单调相关性,HI-4和HI-6与容量呈负相关,其余为正相关。但经分析,提取的七个HI之间存在信息重叠及高维问题。为降低数据维度和减小计算的复杂度,本申请采用主成分分析(Principal Component Analysis,PCA)方法对七个间接HI进行融合处理,各主成分及其贡献率如表2所示。
表2
从表2可知,在四组电池的主成分贡献率中,第一主成分的贡献率达到94%以上,因此本申请选取第一主成分进行分析。分别计算四组电池的第一主成分与电池容量的Pearson和Spearman相关系数,其值分别为B0005:0.9901,0.9844;B0006:0.9602,0.9606;B0007:0.9863,0.9770;B0018:0.8607,0.9085。由此可见,四组电池的相关系数都优于表2中各间接HI的相关系数,因此选取第一主成分作为表征电池健康状态的融合HI,用于电池RUL预测。
2、基于(PSO-ELM)-(RP-UPF)的电池RUL预测
为了兼顾电池RUL预测的准确性和预测的不确定性表达,本申请采用数据驱动和数学模型相结合的融合方法(简称数-模融合),将电池衰退模型作为状态方程,PSO-ELM预测模型作为观测方程,通过粒子滤波算法获得模型后验参数并不断逼近电池的真实衰退曲线,继而预测电池RUL。
2.1基于PSO-ELM算法的电池SOH估算
ELM算法具有训练速度快、对输入数据的扰动、噪声和缺失数据具有较强鲁棒性的优势,因此被广泛应用于模式识别、时间序列预测等领域。为了解决ELM算法随机给定权值及偏差,预测性能不稳定的问题,本申请将ELM输入层和隐藏层之间的权值及隐含层偏差作为PSO的粒子进行寻优,建立PSO-ELM预测模型。
将得到的融合HI作为PSO-ELM模型输入,电池SOH作为输出,建立电池SOH在线估算模型。以B0007号电池为例,分别采用ELM算法以及PSO-ELM算法对电池SOH估算,当预测起始点为80时,两种算法的估计结果如图2所示,误差如表3所示。
表3
从图2可以看出,与ELM算法相比,PSO-ELM模型对电池SOH的估算误差和误差波动幅值都更小,误差大部分在[-0.01,+0.01]区间波动。从表5可知,PSO-ELM算法比采用ELM的MAE、MAPE、RMSE分别降低了0.0128、1.67%、0.0133,对电池SOH估算的误差更小,准确性更高,估算结果也更加稳定。
2.2改进粒子滤波算法
为了解决PF算法中粒子退化和粒子多样性降低的问题,本申请从重采样和重要性函数两方面对PF进行改进。在重采样过程中,采用随机扰动使得每个粒子被选中的概率更加平均,从而增加了粒子的多样性。同时,由于随机扰动重采样在一定程度上可以降低计算量,从而提高了算法效率。其实现过程为:(1)将粒子集XK按照权值降序排列为Xd;(2)计算有效粒子数Neff;(3)从Xd中取出有效粒子:
n=round(Neff) (1)
式中,round(.)表示就近取整函数;
(4)使用扰动粒子替换退化粒子:
式中,κ为扰动的缩放参数,值越大代表扰动越大,一般取0<κ<1,本申请取κ为0.5;MK为随机扰动,MK~N(0,σM);
(5)更新粒子权值
在PF算法中,密度分布未考虑***的状态观测值,而是直接选取易采样的先验概率密度来代替,进而导致状态变量的选取依赖模型的精确度。因此本申请在PF算法框架下,将通过UKF算法获得的密度分布作为重要性函数,即RP-UPF算法。该算法的实现过程先从初始化先验分布中采样取得初始化状态,在重要性采样阶段,用UKF求出均值和方差,将最新的观测值带入并计算粒子权重和归一化处理,然后通过随机扰动重采样的方法将归一化的权重对粒子集合进行重采样。
2.3电池容量衰退模型的构建
粒子滤波算法是一种基于模型的预测方法,因此建立能够反映***真实状态的模型至关重要。由于电池性能衰退过程涉及复杂电化学反应过程,因此建立准确的电池性能衰退模型难度较大。为了更好表征电池容量衰退,本申请对常用的双指数模型、高斯模型以及多项式模型进行组合分析,构建出结构简单且拟合优度更佳的电池容量衰退经验模型。
经分析,双指数模型和高斯模型中的单一项、以及多项式中的单项都在电池容量衰退过程中起关键作用,因此将模型中的单一项和多项式中的单项进行不同的组合,构建C1~C7等七种不同模型如式(7)~(13):
为综合考虑各模型拟合精度和未知参数个数,实现模型的综合优化配置,本申请采用Radj 2衡量回归方程整体的拟合度,并引入可对模型复杂度和拟合优度进行平衡的最小化信息量准则(Akaike information criterion,AIC)作为辅助评判标准。由于计算得到的各模型AIC值为负值,因此AIC绝对值越大,Radj 2值越接近于1,模型拟合的效果越好,即模型的拟合优度高。图3为七种构建模型性能指标分布情况。
从图3可以看出,C5模型的AIC绝对值最大,Radj 2值最接近于1,所围成的三角形面积也最大,这表明C5模型的数据拟合效果更优,且发生过拟合的可能性较小。选取NASA四组电池以及马里兰大学CALCE公开的额定容量为0.9Ah的A5、A12号电池试验数据,对比C5模型与三种常用的经验模型对电池容量衰退趋势拟合效果,并以Radj 2和RMSE作为评价指标,四种模型的拟合优度如表4所示。
表4
由表4可知,构建的C5模型对六组电池的拟合优度均优于多项式模型、双指数模型和高斯模型。且C5模型中只包含四个未知参数,比高斯模型更简单。因此本申请选取构建的C5模型用于电池RUL预测。
3、电池RUL预测流程及结果分析
3.1电池RUL预测流程
本申请提出的基于数-模融合方法的电池RUL预测,是利用PSO-ELM算法实现电池容量的在线估算,再结合RP-UPF算法实现电池RUL的预测。
将RP-UPF算法应用于电池RUL预测时,由于构建的电池容量衰退模型参数是动态变化的,因此将模型中的四个参数作为观测模型的状态量,结合PSO-ELM及粒子滤波算法,建立状态转换方程和观测方程如式(14)和式(15):
yk=f(HI)+γ γ~N(0,δγ) (15)
式中,xk和yk分别为电池的状态估计和观测值,k为电池充放电循环周期,a、b、c和d为电池容量衰退模型拟合参数;w、γ分别为过程噪声和测量噪声,δ为噪声方差,f为基于PSO-ELM模型得到的当前循环周期的电池容量值的拟合函数。
本申请将锂离子电池的寿命阈值设置为额定容量的70%,通过求解式(16)获得电池剩余使用寿命:
式中,Qrated为电池额定容量;RULk为第k次迭代中状态估计xk所预测的电池RUL。即将电池容量衰退方程中的后验参数代入式(16)求解,得到k次循环周期时,电池寿命达到阈值时的电池RUL的预测值,且电池RUL预测值的概率密度函数可以通过式(17)计算得到。
式中,为第k次循环周期第i个粒子的状态估计/>所预测的电池RUL。
此外,粒子滤波算法对初始状态分布的选取也较为敏感,需要进行合理的初始化,否则可能会导致算法的偏差和方差较大,影响估计精度。为得到可靠的模型参数,本申请采用相关向量机(Relevance Vector Machine,RVM)来确定模型初始值。基于RVM初始化可以简单快速地获得模型初始参数,且能解决不同电池组存在差异导致以平均值作为初值不精确的问题,更具说服力。
3.2电池RUL预测结果分析
采用数-模融合方法对电池RUL预测时,需要将PSO-ELM模型估算的容量值作为观测值,因此需要保证电池容量估算的准确性。本章以B0007组168个融合HI和电池容量数据作为训练集,以B0005、B0006、B0018三组电池融合HI作为测试集,并将训练得到的PSO-ELM模型用于B0005、B0006、B0018三组电池的容量估算。
为了验证采用数-模融合方法对电池RUL预测在不同阶段的表现,本申请分别选择了前期第50次循环周期和后期第80次循环周期作为预测起始点,当电池容量达到额定容量70%,即1.4Ah时,电池RUL终止。在基于RVM得到第50次和第80次循环周期的模型初始参数后,基于数-模融合方法,并对比基于RP-UPF与基本PF算法对电池RUL预测结果。不同滤波方法的电池RUL预测结果如图4和图5所示,RUL预测性能量化指标如表5所示。
表5
由图4、图5和表5可知,基于数-模融合方法,分别采用PF和RP-UPF滤波方法预测得到的电池容量衰退曲线总体上与电池容量衰退趋势一致。以B0005组结果为例,前50个循环周期,采用RP-UPF算法得到的RUL预测结果的绝对误差、相对误差以及PDF宽度分别为2、2.7%和9,相比于PF算法分别降低了3、4.06%和10;前80个循环周期,采用RP-UPF算法得到的RUL预测结果的绝对误差、相对误差以及PDF宽度分别为0、0%和6,相比于PF算法分别降低了3、6.47%和3。研究结果表明:RP-UPF的滤波方法比PF的预测精度更高,PDF宽度范围更小,能为电池RUL预测提供更有价值的参考。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于数-模融合的锂离子电池剩余使用寿命预测方法,其特征在于,包括以下步骤:
采集电池健康指标数据,分析所述电池健康指标数据与电池容量衰退的相关性,并将所述电池健康指标数据融合,获得融合数据;
建立PSO-ELM预测模型,将所述融合数据作为所述PSO-ELM预测模型输入,电池SOH作为输出,构建电池SOH在线估算模型,并通过所述电池SOH在线估算模型估算电池容量值;
改进粒子滤波算法得到RP-UPF算法,通过所述RP-UPF算法计算所述估算电池容量值的粒子权重并进行归一化处理,获得归一化的权重,基于归一化的权重通过随机扰动重采样法对粒子集合进行重采样,获得采样集合;
构建电池容量衰退经验模型,将所述采样集合输入到电池容量衰退经验模型中进行剩余使用寿命预测,得到电池剩余使用寿命;
所述电池健康指标数据包括3.8~4.2V电压间隔内的等压升充电时间、1000s~1500s时刻内的平均充电电压升流充电时间、1000s~1500s时刻内的平均充电电压恒流充电时间、经过1500s的相同时间间隔电流差值、电压为4V时的IC值、IC曲线峰值对应的电压值和电池达到最高温度时间;
所述建立PSO-ELM预测模型的方法包括:将ELM输入层和隐藏层之间的权值及隐含层偏差作为PSO的粒子进行寻优,建立PSO-ELM预测模型;
所述改进粒子滤波算法得到RP-UPF算法的方法包括:在粒子滤波算法框架下,将通过UKF算法获得的密度分布作为重要性函数,得到RP-UPF算法;
所述随机扰动重采样法对粒子集合进行重采样的过程包括:将粒子集按照权值降序排列;计算有效粒子数;从降序排列的粒子集中取出有效粒子;使用扰动粒子替换退化粒子;更新粒子权值;基于更新后的权值进行重采样;
所述构建电池容量衰退经验模型的方法包括:基于双指数模型、高斯模型和多项式模型进行组合分析,构建电池容量衰退经验模型。
2.根据权利要求1所述的基于数-模融合的锂离子电池剩余使用寿命预测方法,其特征在于,
所述分析所述电池健康指标数据与电池容量衰退的相关性的方法包括:通过Pearson和Spearman的相关系数进行分析,Pearson的相关系数用于衡量两个变量之间线性关系强度,Spearman的相关系数用于衡量两变量之间单调相关程度。
3.根据权利要求1所述的基于数-模融合的锂离子电池剩余使用寿命预测方法,其特征在于,
电池容量衰退经验模型中回归方程的拟合度通过Radj 2和最小化信息量准则进行衡量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045089.9A CN117074957B (zh) | 2023-08-18 | 2023-08-18 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045089.9A CN117074957B (zh) | 2023-08-18 | 2023-08-18 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117074957A CN117074957A (zh) | 2023-11-17 |
CN117074957B true CN117074957B (zh) | 2024-05-24 |
Family
ID=88705573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311045089.9A Active CN117074957B (zh) | 2023-08-18 | 2023-08-18 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074957B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011148408A1 (ja) * | 2010-05-23 | 2011-12-01 | 株式会社 コアアプリ | 操作支援コンピュータプログラム、操作支援コンピュータシステム |
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 |
CN110457789A (zh) * | 2019-07-25 | 2019-11-15 | 桂林电子科技大学 | 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
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 |
CN112731183A (zh) * | 2020-12-21 | 2021-04-30 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
KR20230050812A (ko) * | 2021-10-08 | 2023-04-17 | 울산대학교 산학협력단 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN112733411B (zh) * | 2020-12-18 | 2022-09-30 | 武汉大学 | 基于二阶差分粒子滤波的锂电池soc估计方法及*** |
-
2023
- 2023-08-18 CN CN202311045089.9A patent/CN117074957B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011148408A1 (ja) * | 2010-05-23 | 2011-12-01 | 株式会社 コアアプリ | 操作支援コンピュータプログラム、操作支援コンピュータシステム |
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 |
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 |
CN110457789A (zh) * | 2019-07-25 | 2019-11-15 | 桂林电子科技大学 | 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
CN112731183A (zh) * | 2020-12-21 | 2021-04-30 | 首都师范大学 | 一种基于改进的elm的锂离子电池寿命预测方法 |
KR20230050812A (ko) * | 2021-10-08 | 2023-04-17 | 울산대학교 산학협력단 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
Non-Patent Citations (3)
Title |
---|
两种联合算法的三元锂电池SOC估计比较;葛才安 等;重庆理工大学学报(自然科学);20220829;全文 * |
基于小波包能量熵的电池剩余寿命预测;陈琳 等;电工技术学报;20200425;全文 * |
基于粒子滤波算法的锂离子电池剩余寿命预测方法研究;张凝 等;高技术通讯;20170815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117074957A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090047B (zh) | 一种基于多模型融合的锂电池健康状态估计方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
Xu et al. | A novel data-driven method for predicting the circulating capacity of lithium-ion battery under random variable current | |
CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和*** | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111781504A (zh) | 一种锂离子动力电池老化状态识别与开路电压重构方法 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN113866655B (zh) | 融合车联网运行数据与测试数据的动力电池容量评估方法 | |
CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
CN103983920A (zh) | 一种建立电动车辆的动力电池的模型的方法 | |
Ren et al. | Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
Shu et al. | Ensemble learning and voltage reconstruction based state of health estimation for lithium-ion batteries with twenty random samplings | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN117074957B (zh) | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及*** | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及*** | |
CN115993537A (zh) | 基于相关性分析和woa-lstm的锂电池容量预测方法 | |
CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 | |
CN114415034A (zh) | 一种基于内部机理分析的锂离子电池容量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |