[發(fā)明專利]基于NSDP-AR模型的鋰離子電池循環(huán)壽命預測方法

有效

• 申請?zhí)枺?/td>: 201310331999.3
• 申請日: 2013-08-01
• 公開（公告）號: CN103399280A
• 公開（公告）日: 2013-11-20
• 發(fā)明（設計）人: 劉大同;馬云彤;郭力萌;彭宇;彭喜元
• 申請（專利權）人: 哈爾濱工業(yè)大學
• 主分類號: G01R31/36
• 分類號: G01R31/36
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 張利明

技術領域

本發(fā)明涉及一種鋰離子電池循環(huán)壽命預測方法，特別涉及一種采用非線性AR模型實現鋰離子電池循環(huán)壽命預測方法。?

背景技術

目前針對鋰離子電池剩余壽命（Remaining?Useful?Life，RUL）預測的方法大致分為基于物理模型（Model-based?Prognostics）和基于數據驅動（Data-Driven）方法，對于失效機理復雜、模型難以建立的電子待測鋰電池，大部分研究集中于基于數據驅動的方法。數據驅動方法中包含一類基于統(tǒng)計濾波的統(tǒng)計數據驅動方法如粒子濾波（Particle?Filter，PF），卡爾曼濾波（Kalman?Filter，KF）和擴展卡爾曼濾波（Extended?Kalman?Filter，EKF），通過建立待測鋰電池狀態(tài)轉移方程實現預測與更新，充分考慮待測鋰電池內部狀態(tài)轉移特性，但是某一退化模型對不同類型電池及不同工作狀態(tài)缺乏良好適應性；另一類是基于純數據驅動的方法如自回歸滑動平均（Autoregressive?Moving?average，ARMA）模型，著眼分析數據本身特征而未考慮數據所屬于的待測鋰電池的特性。目前，將統(tǒng)計濾波方法與純數據驅動方法進行融合的混合預測框架不斷被提出與改善，將二者的優(yōu)點進行結合以彌補各自獨立應用時出現的缺陷，但是目前的這些基于模型的方法存在對于不同電池及不同工作狀態(tài)適應能力低的問題。?

發(fā)明內容

本發(fā)明是為了解決AR模型對電池容量非線性退化特征預測能力較差的問題，提出了基于NSDP-AR模型的鋰離子電池循環(huán)壽命預測方法。?

基于NSDP-AR模型的鋰離子電池循環(huán)壽命預測方法為：?

步驟一：根據待預測的鋰離子電池的AR模型對鋰離子電池進行容量的預測，獲得容量預測序列ARpredict；?

其中為自回歸系數，p為最優(yōu)模型階次，a_t,t=0,±1,…為相互獨立的白噪聲序列，且服從均值為0，方差為的正態(tài)分布；?

步驟二：根據步驟一得到的容量預測序列ARpredict，提取近似全壽命周期百分比kp’序列；?

步驟三：在待預測的鋰離子電池投入在線使用前，對擬合組各電池進行離線測試平臺?的模擬在線條件的充放電測試，并同樣進行AR模型建模和kp’提取，并依據各電池的根據kp’序列及真實容量離線測試信息，得到基于kp’的非線性退化因子K_T參數，建立擬合組各電池各自的NSDP-AR模型

所述非線性退化因子K_T參數的表達式有兩種，?

其中一種為：K_T=a·e^b·kp'+c·e^d·kp'????????（11），?

另外一種為：KT=11+a·(kp′+b)---(12),]]>

式中kp’代表的是全壽命周期百分比的近似值，a、b、c、d代表待確定參數；?

步驟四：應用灰色關聯(lián)分析對待預測的鋰離子電池與擬合組各電池的容量退化趨勢進行關聯(lián)性分析，得到序列變化趨勢之間的關聯(lián)度r_i，根據關聯(lián)度r_i利用加權手段確定在線時待預測的鋰離子電池NSDP-AR模型中非線性退化因子的參數估計結果m，其中?