[發明專利]基于概率集成的鋰離子電池剩余壽命間接預測方法

有效

• 申請號: 201410208662.8
• 申請日: 2014-05-16
• 公開（公告）號: CN103954915B
• 公開（公告）日: 2017-02-01
• 發明（設計）人: 劉大同;彭宇;龐景月;賀思捷;彭喜元
• 申請（專利權）人: 哈爾濱工業大學
• 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: 張宏威

技術領域

本發明涉及鋰離子電池剩余壽命(Remaining?Useful?Life,?RUL)預測技術領域。

背景技術

相比于傳統的NiMH電池和NiCd電池，鋰離子電池存在諸多優點，比如，高能量密度、長壽命、高輸出電壓、低自放電率、高可靠性和安全性等等。因此，鋰離子電池被廣泛應用于電動汽車、消費電子、通訊、導航、航海、航空、航天等領域，尤其是，鋰離子電池已經成為第三代衛星電池，可以有效提高載荷效率和降低航天器自重。

隨著鋰離子電池技術的快速發展，以及在諸多工業領域的快速推廣，電池的性能退化、預測和壽命預計、維修優化等，吸引了研究者的關注，已經成為能源、電源、可靠性工程和航空航天工程領域的研究熱點。

然而，由于鋰離子電池本身是一個復雜的電化學系統，難于監測其內部的狀態，以建立泛化的、準確的物理模型。參數的識別也是模型應用的另外一個挑戰，尤其是在動態負載、環境變化影響以及其他的不確定性因素影響。

近年來，該研究領域轉向基于數據驅動的故障預測方法，實現電池的退化建模和壽命預計。特別地，數據驅動方法僅依賴于測試和監測數據，可以實現健康狀態評估和可靠性估計。換句話說，數據驅動方法不需要考慮復雜的化學過程、物理原理等，因此，大量的基于統計、計算智能和人工智能的方法，如自回歸模型(AutoRegressive,?AR)，粒子濾波(Particle?Filter,?PF)，高斯回歸過程(Gaussian?Process?Regression,?GPR)，相關向量機(Relevance?Vector?Machine,?RVM)，支持向量機(Support?Vector?Machine,?SVM)和人工神經網絡，用于實現電池的壽命預測。然而，數據驅動的方法針對不同問題、或者同一問題的不確定性，存在不穩定性和模型失配的問題。

為提升這些數據驅動預測方法的能力，基于融合的預測方法逐漸成為主流。Liu等提出一種將數據驅動和基于模型的PF方法融合的預測框架，提升長時預測性能。Saha等提出一種電池的壽命預測方法，融合了RVM方法和PF方法。Xing等提出了一種集成模型，將回歸模型和PF方法融合。Hu等提出了一種集成數據驅動的方法，將不同數據驅動方法通過加權模型進行融合。

理論上，遞歸神經網絡(Recurrent?Neural?Network，RNN)可以近似任意動態系統，但傳統遞歸神經網絡模型難以建立，訓練效率低導致其難以在現實中應用。儲備池計算技術(reservoir?computing,?RC)作為一種新型的遞歸神經網絡，可以克服傳統方法的缺點。隨著RC的發展，Jaeger提出了回聲狀態網絡(Echo?State?Network,?ESN)。回聲狀態網絡保持傳統遞歸神經網絡高度非線性逼近能力，同時解決傳統遞歸神經網絡在使用中遇到的問題。回聲狀態網絡是一種新型的遞歸神經網絡，它采用儲備池結構代替傳統神經網絡的隱含層，將低維輸入空間映射到高維的狀態空間，使其具有高度的非線性逼近能力。同時網絡輸出空間和狀態空間滿足線性關系，可以采用最小二乘方法計算ESN輸出權值的最優值，使ESN的輸出值和真實值之間滿足誤差平方和最小原則。

如圖1所示。假設系統有M維輸出變量，N維內部處理單元，L維輸入變量，在時刻k的輸入單元、內部處理單元和輸出單元可以表達為：u(k)＝(u₁(k),…,u_L(k)),x(k)＝(x₁(k),…,x_N(k)),?and?y(k)＝(y₁(k),…,y_M(k))，內部處理單元的更新方程為：

x(k)＝f(Wⁱⁿu(k)+Wx(k-1)+W^backy(k-1)),?????????????????????(1)