一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法技术

本发明专利技术提出一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法：首先，以一种新的采样规则对新研制电池和截断的相似电池的退化数据进行坐标重构；然后，利用重构数据建立相似电池寿命与新研制电池寿命之间的映射关系；最后，使用寿命预测模型计算新研制电池的寿命。该方法能够借助不同配方、结构或使用环境下的相似电池的全寿命退化数据预测新研制电池的寿命，可以大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，提升企业核心竞争力。

【技术实现步骤摘要】

本专利技术涉及锂电池健康管理的
，具体涉及一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法。
技术介绍
锂离子电池广泛应用于航空航天(如飞机、卫星)、舰船(如航空母舰、轮船)、车辆(电动汽车、一般汽车)和消费电子(手机、照相机、笔记本、移动电源)等产品中，电池性能的好坏直接影响整个系统的运行安全、使命任务的完成及消费者的生活品质。为了延长电池的使用寿命，人们进行了大量的相关研究，比如探索新的电极与电解质材料、设计新的电池结构、研究电池性能退化演化机理等。对于锂电池制造商而言，为了获得使电池寿命最大化的设计配方、结构参数和使用环境，需要针对不同的设计配方、结构参数和使用环境等进行大量的寿命试验。如果能借助相似电池(参考电池)的全寿命退化数据预测新研制电池(待预测电池)的寿命，无疑可以大幅度地减少寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，进而提升企业的核心竞争力。因而，电池寿命预测不仅有益于电池的合理使用和维护，还能在研发阶段辅助新产品的设计开发。当前，国内外学者采用各种各样的方法对锂电池的使用寿命预测技术进行了大量的研究。现阶段的寿命预测方法主要分为机理模型方法和数据驱动方法两大类。机理模型方法需要建立系统动力学特性或退化演化机理的数学模型，常用的模型有经验退化模型和集总电路模型。近几年，很多研究者都在退化建模的基础上利用卡尔曼滤波器或粒子滤波器去预测锂电池的剩余使用寿命。然而，当电池的退化机理未知时，建立物理模型通常是不经济，甚至是不可能的。此外，机理模型通常只适用于某种特定型号的电池。当历史退化数据已知时，数据驱动方法可以在不建立退化模型的条件下预测锂电池的寿命。数据驱动预测方法分为数据外推方法和基于知识的方法两类。数据外推预测方法首先将锂电池容量或者健康指数序列向未来时间进行外推，然后判断得到的外推值是否达到预定义的失效阈值，若满足条件则计算剩余使用寿命。使用外推方法进行寿命预测需要迭代的对未来状态进行估计，产生大量的迭代误差，因而该方法只适用于短期状态预测和晚期剩余使用寿命预测。基于知识的方法直接建模状态数据和使用寿命之间的映射关系，在寿命预测中不会产生任何迭代误差，在实际中广泛被采用。
技术实现思路
本专利技术提出一种新的基于知识的锂电池寿命预测方法：为便于挖掘待预测电池(新研制电池)退化数据和参考电池(相似电池)退化数据之间的内在联系，首先将性能退化数据进行坐标重构，重构的另一个好处使退化数据变得非常规整，便于处理；其次，基于坐标重构后的性能退化数据，采用最优化方法获得待预测(新研制电池)电池寿命与参考电池(相似电池)寿命之间的映射关系；最后计算待预测电池(新研制电池)的使用寿命。本专利技术采用的技术方案为：一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法，包括：(1)依据新研制电池已知数据的性能退化量截断相似电池全寿命性能退化数据，获得与新研制电池等量退化的相似电池数据，应用经验模态分解方法对退化数据进行平滑，使其严格单调；(2)交换平滑后退化轨迹的横坐标与纵坐标，根据设定的重构采样序列，使用PCHIP插值算法计算重构轨迹数据；(3)以重构采样序列和所有相似电池重构后的循环序列数据为自变量，以新研制电池重构后的循环序列数据为因变量，建立失效阈值、相似电池寿命——新研制电池寿命之间的映射关系；(4)依据预定义的失效阈值确定各相似电池的寿命，并以失效阈值和相似电池寿命为预测模型输入，计算新研制电池的寿命。本专利技术与现有技术相比的优点在于：(1)、本专利技术提出性能退化轨迹坐标重构，将不同长度的电池性能退化数据转变为同样的长度，便于挖掘不同电池样本性能衰退规律之间的关系。(2)、本专利技术在建模相似电池寿命与新研制电池寿命之间的映射关系时考虑时变因素的影响，将各采样点的健康指数也作为模型的一个输入，能够建立较准确的预测模型。(3)、本专利技术提出的寿命预测方法能在已知数据很少的条件下实现很高的预测精度，能够大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，提升企业核心竞争力。附图说明图1为基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测流程；图2为新研制电池与相似电池的性能退化轨迹；图3为性能退化轨迹坐标重构原理及过程，其中，图3(a)为原始数据，图3(b)旋转90度后数据，图3(c)重构后数据；图4为寿命预测建模原理图；图5为锂离子电池健康指数退化序列；图6为不同已知数据条件下的寿命预测结果，其中，图6(a)为#1电池，图6(b)为#3电池，图6(c)为#5电池。具体实施方式下面结合附图以及具体实施方式进一步说明本专利技术。本专利技术基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法流程如图1所示，具体包括如下步骤：第一步，依据新研制电池已知数据的性能退化量截断相似电池全寿命性能退化数据，获得与新研制电池等量退化的相似电池数据；第二步，使用数据平滑方法对新研制电池和截断的相似电池性能退化数据进行平滑，使性能退化数据完全单调递减；第三步，交换平滑后退化轨迹的横坐标与纵坐标，根据设定的重构采样序列，使用PCHIP插值算法计算重构轨迹数据；第四步，以重构采样序列和所有相似电池重构后的循环序列数据为自变量，以新研制电池重构后的循环序列数据为因变量，建立失效阈值、相似电池寿命——新研制电池寿命之间的映射关系；第五步，依据预定义的失效阈值确定各相似电池的寿命，并以失效阈值和相似电池寿命为预测模型输入，计算新研制电池的寿命。基于数据驱动的锂电池寿命预测方法主要有数据外推方法和基于知识的方法。锂电池在不同的寿命退化阶段往往具有不同的退化模型参数，甚至具有不同的退化模型。因为趋势外推方法只能简单地将历史退化趋势向未来时间推广，因而在已知数据很少的情况下，使用该方法得到的寿命预测结果具有巨大的误差。相比之下，基于知识的方法在已知数据很少的情况下仍然具有较高的预测精度。本专利技术提出一种新的基于知识的锂电池寿命预测方法，具体内容详细介绍如下：1.退化轨迹坐标重构图2示意了新研制电池及与之相似的参考电池的性能退化轨迹。从图2可以看出，由于配方的不同新研制电池与各参考电池的性能退化轨迹差距较大，数据外推和基于相似性原理的方法均不能取得较好的预测精度。同时，性能退化数据是以时间为基准、按照等时间间隔来采集的。不同配方电池具有不同的寿命，因而性能退化序列的采样点数不同，这给挖掘不同电池性能衰退演变规律之间的关联关系带来了很大困难，而客观上退化数据又只能按照等时间间隔来采样。如果将退化轨迹和坐标系同时逆时针旋转90度，将以时间为基准的退化数据转化为以退化量为基准，对原始性能退化轨迹进行坐标重构，上述问题就可以迎刃而解。鉴于所有电池样本都是在同样的退化量下定义功能失效的，重构后各样本之间的采样基准是统一的，这有利于挖掘数据之间的相互关联关系。图3直观地展示了性能退化轨迹坐标重构的原理及过程。无论是数据外推还是基于知识的方法，从本质上讲寿命预测问题在数学上均是回归问题。回归问题分为预测(与“寿命预测”的“预测”含义不同)和控制两类。数学中预测的定义为：基于已有的自变量与因变量(函数值)数据，使用数学方法获取它们之间的函数关系，然后推断其他自变量对应的函数值的过程。本文档来自技高网...

【技术保护点】
一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法，其特征在于：包括如下核心内容：(1)依据新研制电池已知数据的性能退化量截断相似电池全寿命性能退化数据，获得与新研制电池等量退化的相似电池数据，应用经验模态分解方法对退化数据进行平滑，使其严格单调；(2)交换平滑后退化轨迹的横坐标与纵坐标，根据设定的重构采样序列，使用PCHIP插值算法计算重构轨迹数据；(3)以重构采样序列和所有相似电池重构后的循环序列数据为自变量，以新研制电池重构后的循环序列数据为因变量，建立失效阈值、相似电池寿命——新研制电池寿命之间的映射关系；(4)依据预定义的失效阈值确定各相似电池的寿命，并以失效阈值和相似电池寿命为预测模型输入，计算新研制电池的寿命。

【技术特征摘要】
1.一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法，其特征在于：包括如下核心内容：(1)依据新研制电池已知数据的性能退化量截断相似电池全寿命性能退化数据，获得与新研制电池等量退化的相似电池数据，应用经验模态分解方法对退化数据进行平滑，使其严格单调；(2)交换平滑后退化轨迹的横坐标与纵坐标，根据设定的重构采样序...

【专利技术属性】
技术研发人员：刘红梅，李连峰，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11