[發明專利]基于BMS大數據和集成學習的鋰電池RUL預測方法及設備

在審

• 申請號: 202111285780.5
• 申請日: 2021-11-02
• 公開（公告）號: CN114167284A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 趙玲玲
• 申請（專利權）人: 江蘇博強新能源科技股份有限公司
• 主分類號: G01R31/36
• 分類號: G01R31/36
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

本發明涉及一種基于BMS大數據和集成學習的鋰電池RUL預測方法及設備，所述方法包括以下步驟：根據待測電池充電階段電池BMS監測到的電流、端電壓以及溫度信息，計算多個充電周期內的IC曲線、DV曲線、電壓曲線和溫度差分曲線，基于各曲線關鍵點提取特征向量序列(F_{IC_i}，F_{DV_i}，F_{V_i}，F_{DT_i}，F_{ind_i})；基于所提取的特征向量序列對未來循環周期進行預測，得到特征向量預測值；以所述特征向量預測值作為離線訓練好的最大剩余容量回歸模型的輸入，得到對應的最大剩余容量預測，從而得到RUL預測結果，其中，所述最大剩余容量回歸模型基于XGBoost集成學習模型建立。與現有技術相比，本發明具有適用范圍廣、預測精度高等優點。

技術領域

本發明涉及一種電池性能預測方法，尤其是涉及一種基于BMS大數據和集成學習的鋰電池RUL預測方法及設備。

背景技術

目前BMS不能對鋰離子剩余壽命(Remaining useful life,RUL)作出預測，更不能為預測性維護和保障提供支持信息。而鋰離子電池RUL進行預測對維護及保障電池系統的安全運行非常重要。

當前RUL預測技術包括直接法，主要通過測量的方法來獲取電池的內阻、阻抗或其他與剩余壽命相關的測量值，進而推斷剩余壽命。該方法較為準確，但需要進行離線實驗，在很多在線場景中無法應用。

另一類預測方法為基于性能的預測方法，在電池壽命預測的過程中可以使用各種不同的性能模型，同時考慮鋰離子電池內部的衰退過程和外力因素的影響。目前，基于性能的預測方法主要包括基于模型的預測方法、基于數據驅動的預測方法等。

基于模型的預測方法，主要是通過分析鋰離子電池本身的材料特性、運行條件以及衰退機理來實現鋰離子電池的壽命預測，從鋰離子電池電化學反應的本質機理角度分析電池的運行機理并建立老化模型。基于模型的預測需要研究荷電狀態、電解液濃度和擴散系數等內外部狀態變量等老化因素對狀態變量的影響，同時考慮電池內部運行機理和老化機理。此類方法從研究鋰離子電池系統內部工作機理出發，建立能夠反映系統性能退化物理規律的數學模型，利用數學模型預測退化發展趨勢，具有能夠深入研究對象本質的優點，能夠得到較精確的預測結果。但基于模型的預測從系統內部工作機理出發建立模型需要大量的專家知識，而當前鋰電池的退化過程復雜、退化機理尚不完全清楚，因此建立反映對象系統性能退化物理規律的精確數學模型較為困難。現有專利申請CN111007417A公開一種基于不一致性評估的電池組SOH和RUL預測方法，以串聯電池組為研究對象，對多個電池組進行離線特征提取和回歸模型的訓練。該方法直接建立電池組的聯合特征與RUL的回歸模型，進行RUL的預測，但由于RUL的相關因素較多，對采用的回歸模型的非線性表達能力、對離線訓練數據集的數據要求都更高，因此預測精度難以保證。

基于數據驅動的預測方法本質是通過深入挖掘鋰離子電池健康監測數據中的有效信息，以實現電池剩余壽命預測。它不需要考慮電池內部的物理化學反應，因此該方法可以在一定程度上避免基于模型的預測方法中存在適用性差以及動態準確性差的問題。基于數據驅動的預測方法可以利用原始數據構造相關的行為模型，不需要先驗的退化模型，有很好擬合非線性的能力和較強的適用性。基于數據驅動的方法不需要對象系統的精確數學模型和大量的先驗知識，但由于鋰離子電池的性能退化機理的復雜性，選擇哪些與剩余壽命相關的特征，選擇什么機器學習模型是能否進行準確預測的重要因素。而如支持向量機、線性回歸、神經網絡等直接的對RUL的預測仍不夠準確，粒子濾波等對假設的模型進行參數估計的方法也不能完全滿足當前RUL準確預測的需求。同時需要大量樣本標定，缺少面向實際運行的電池系統的在線RUL預測方法。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種預測精度高的基于BMS大數據和集成學習的鋰電池RUL預測方法及設備。

本發明的目的可以通過以下技術方案來實現：