[發明專利]一種基于模型學習的新能源車載電池剩余壽命估計方法

有效

• 申請號: 201811159219.0
• 申請日: 2018-09-30
• 公開（公告）號: CN109298351B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 張凱;高玉龍;李志恒;于海洋
• 申請（專利權）人: 清華大學深圳研究生院
• 主分類號: G01R31/396
• 分類號: G01R31/396;G01R31/392
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

本發明涉及一種基于模型學習的新能源車載電池剩余壽命估計方法，具體包括：選擇并確定反映車載電池剩余使用壽命的容量變量并收集電池容量的周期變化數據；對容量數據進行必要處理以滿足高斯過程回歸算法要求的輸入?輸出的學習關系；利用高斯過程回歸算法學習處理好的數據并通過共軛梯度算法來求解超參數；把均方根無跡卡爾曼濾波算法應用到學習好的模型中，通過該算法的時間更新和測量更新階段來提高對容量的估計準確度。本發明不僅避免了對車載電池內部復雜的機理分析問題，而且還通過算法數值穩定性的提升并根據實時的容量測量數據來提高對車載電池剩余使用壽命的實時的估計精度。

技術領域

本發明涉及車載電池剩余壽命的估計領域，尤其涉及一種模型學習的新能源車載電池剩余壽命估計方法。

背景技術

國內新能源汽車與傳統汽車的核心不同之處在于其是依賴于儲能電池的動力系統，隨著新能源汽車在國內的推廣普及，新能源汽車在應用中也存在一部分問題，比如車載電池容易受到溫度高低、電壓電流大小、充放電次數等的影響而使得電池的使用壽命降低，這除了需要從材料研發，產品創新等物理化學機制角度解決外，還需要人們從功能輔助性角度提高對車載電池健康狀況的預測能力，比如車載儲能電池的剩余使用壽命的預測問題，因此能否提高車載電池的剩余使用壽命的預測精度將直接關乎新能源車本身的性能指標，關乎新能源汽車在國內外市場上占有率以及國家制造強國的國際地位。

以往人們對于車載電池剩余使用壽命的預測依賴于建立車載電池的物理模型，比如直接對車載電池的內阻耗損進行測試，對車載電池的容量進行測試，電化學機理等以期望獲得能夠反映其剩余壽命變化的具體數學模型，但是這樣往往存在較大的誤差，即便克服了模型建立過程中尤其是測試這些數據的過程中存在的困難，也較難建立一個貼近真實剩余使用壽命的模型。基于高斯過程回歸的學習算法就能較好的解決建立的模型的復雜性以及存在較大誤差的問題，此算法在于學習能反映車載電池剩余使用壽命的數據來達到模型建立的目的，以回避復雜的內部機理分析或者數據擬合的問題，并且高斯過程回歸算法具有很大的靈活性，其可以把模型的輸出值看作為潛在函數模型的分布，并能給出估計的不確定性程度，再通過均方根形式的無跡卡爾曼濾波算法來進行時間更新和測量更新階段達到較為準確的跟蹤實際車載電池剩余使用壽命變化的動態過程效果，這種通過學習方式的算法相較于僅僅依靠機理分析的模型可以進一步提高車載電池的剩余使用壽命的預測精度。

對于較為復雜的的模型而言，為了能夠避免由于缺少先驗知識帶來的模型建立困難問題，我們通常會選擇機器學習的方法來學習這個模型，這也是給我們提供了一種解決問題的可借鑒的思路，而且高斯過程回歸算法本身的這種靈活性使得其不受具體輸入分布函數的影響，并且給出了輸出預測值以及預測值的不確定性程度，但是在學習模型之后對高斯過程回歸算法本身的參數求解問題，是一個非二次函數非凸型的求解問題，通常這個解并不是全局最優解，是一個非閉合解的局部最優解，但是在實際應用中也是合適的。

發明內容

本發明的目的在于不直接對車載電池使用壽命通過機理分析建立模型的情況下，通過學習能反映電池剩余使用壽命的數據的方式來達到提高車載電池剩余使用壽命預測準確度的目的。

為實現上述目的，本發明的技術方案包括如下步驟：

S1、選擇能反映車載電池剩余使用壽命的容量參數，收集車載電池容量隨充放電周期變化的數據；S2、處理數據使之能夠滿足高斯過程回歸算法的輸入輸出關系；S3、利用高斯過程回歸算法學習處理后的容量數據得到學習模型；S4把均方根無極卡爾曼濾波算法應用到S3中的模型中，通過該算法中的時間更新和測量更新兩個階段來估計車載電池實時的容量變化。

其中第一步的容量數據是為了用高斯過程回歸算法訓練出電池容量隨著充放電次數的增多變化的曲線模型，此步說的是把訓練出來的模型應用到電池中去來估計電池隨著充放電次數而發生的容量變化。

所述步驟S3設定高斯過程回歸的核函數為徑向基函數，同時為了保證狀態量各部分的獨立性，對于各部分的狀態量的徑向基函數和對應的超參數設置成如下的形式：