[發明專利]一種適用動力鋰電池非線性衰退過程的RUL預測方法

有效

• 申請號: 202111058653.1
• 申請日: 2021-09-10
• 公開（公告）號: CN113504473B
• 公開（公告）日: 2021-12-10
• 發明（設計）人: 孟錦豪;陳丹;黃煥煬;劉平;盧繼武;劉天琪
• 申請（專利權）人: 四川大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/378;G01R31/392
• 代理公司: 成都環泰專利代理事務所(特殊普通合伙) 51242
• 代理人: 李斌;李輝

本發明公開了一種適用動力鋰電池非線性衰退過程的RUL預測方法，所述預測方法包括：S1、使用以GPR為核心的數據驅動方法對數據進行訓練；S2、建立電池容量退化的經驗模型或；S3、融合GPR模型和經驗模型的結果進行跟蹤，得容量值；S4、將步驟S3中容量值帶入經驗模型參數粒子濾波器中濾波修正得，再將修正參數后的經驗模型返回至步驟S3；S5、循環執行步驟S3、S4，當電池容量估計值逼近失效閾值，計算出當前電池容量下的剩余壽命。本發明提供了能夠減小經驗模型在濾波過程中的誤差，實時地調整模型達到更優的容量預測結果，根據容量失效閾值來計算出電池當前的剩余使用壽命。

技術領域

本發明涉及動力鋰電池應用領域，具體是一種適用動力鋰電池非線性衰退過程的RUL預測方法，特別適用于動力鋰電池非線性衰退過程的經驗-數據融合的剩余壽命預測方法。

背景技術

目前針對剩余壽命預測的基于經驗模型的方法是依照歷史數據進行經驗模型擬合，通過濾波器進行濾除狀態與觀測噪聲的干擾，進行健康狀態追蹤完成估計。但是，經驗模型是根據一塊或有限的幾塊電池歷史數據建立，應用到其他電池單體可能出現擬合效果不理想的情況，應對加速退化過程將會得到誤差較大的預測結果。基于數據驅動方法進行壽命預測是以電池的電壓、電流等數據為基礎，通過數據挖掘跟電池健康壽命相關的隱含信息實現容量的判斷或預測，并不需要知道電池內部的物理化學變化，但是數據驅動方法依賴于訓練數據的有效性和訓練方法的選擇，若單一的依賴于數據驅動方法來訓練早期退化信息較少的數據，可能導致加速老化階段的結果不合理。基于兩者聯合的方法通常采用以數據驅動方法映射系統健康狀態和特征之間的關系，使用分析模型（如經驗退化模型）實現容量預測，當電池容量接近失效閾值時計算RUL。在此種方法下，預測結果的準確性很大程度上依賴于數據驅動方法對于狀態估計的準確性，但目前為止應對容量跳水現象的融合方法的研究還較少，若以融合方法進行壽命預測，那么關鍵是提高估計方法的泛化能力。

發明內容

針對上述問題，本發明提供了一種適用動力鋰電池非線性衰退過程的RUL預測方法，提出雙粒子濾波的估計算法，將基于電壓片段進行訓練的高斯過程回歸（GaussianProcess Regression, GPR）和經驗模型兩者當前時刻的容量估計結果通過粒子濾波器融合，將得到的新容量輸入至第二個粒子濾波器中對經驗模型的參數進行修正使其更貼近真實的容量變化過程，減小經驗模型在濾波過程中的誤差，當容量處于加速衰減的階段中，能實時地調整模型達到更優的容量預測結果，根據容量失效閾值，通過近似后驗概率密度分布計算出電池當前的剩余使用壽命。

本發明的技術方案是：

一種適用動力鋰電池非線性衰退過程的RUL預測方法，所述預測方法包括以下步驟：

S1、以鋰電池作為實驗對象，以鋰電池的充電電壓片段作為特征輸入到GPR數據模型中，對所述鋰電池的充電數據進行訓練，通過訓練輸出對應的電池容量來表示電池健康狀態；

S2、建立鋰電池容量退化的經驗模型或，其中，t為時間，k為循環次數，為容量值，為模型參數；

S3、將電池容量和經驗模型輸出的容量值融合，并通過粒子濾波對容量退化路徑進行跟蹤，得到新容量值；

S4、將步驟S3所得新容量值帶入到經驗模型參數粒子濾波器中，對初始的模型參數進行濾波，對參數進行修正得到新模型參數，使新容量值更接近真實容量，減小誤差，以修正參數后的新經驗模型返回至步驟S3；

S5、循環執行步驟S3、S4，直至鋰電池的容量的估計值逼近失效閾值，計算出當前鋰電池容量下的剩余壽命。

上述技術方案的有益效果如下：