本发明专利技术涉及一种具有模型主动更新策略的锂离子电池剩余寿命预测方法，根据放电曲线的电压范围得出的时间序列进行变换得出每次放电循环等价的放电差异序列，并以此得出锂电池的健康指数时间序列，根据这个放电电压序列与健康指数序列的对应进行时间序列预测以确定电池的剩余寿命。通过对于放电电压曲线进行采样熵特征提取并建模以提供一个完整且精确的充放电过程与电池性能指标的联系。在此性能指标模型的基础上，将短期时间序列预测结果不断地更新到已知性能指标数据序列中，并进行相关性分析，根据相关性程度不同，通过扩充训练集的方式进行重新训练，与原有的迭代更新训练方式有所不同，动态地更新预测模型，从而提高预测精度。
【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种，根据放电曲线的电压范围得出的时间序列进行变换得出每次放电循环等价的放电差异序列，并以此得出锂电池的健康指数时间序列，根据这个放电电压序列与健康指数序列的对应进行时间序列预测以确定电池的剩余寿命。通过对于放电电压曲线进行采样熵特征提取并建模以提供一个完整且精确的充放电过程与电池性能指标的联系。在此性能指标模型的基础上，将短期时间序列预测结果不断地更新到已知性能指标数据序列中，并进行相关性分析，根据相关性程度不同，通过扩充训练集的方式进行重新训练，与原有的迭代更新训练方式有所不同，动态地更新预测模型，从而提高预测精度。【专利说明】
本专利技术涉及一种，用于电子设备的可靠性监控，属于蓄电池领域。
技术介绍
由于锂电池基于其重量轻、能量密度大和使用寿命长等优点，目前已被广泛应用于移动通信装置、电动车辆、军用电子设备以及航空航天电子系统等领域。然而，锂电池在使用过程中随着充放电循环的进行，锂离子电池内阻增大，性能会逐渐衰退，它的失效不仅会带来由于故障停机、更换或维修而产生的巨大经济损失，还可能导致灾难性的事故。因此，锂电池的预测与健康管理(PHM，Prognostics and Health Management)技术,及早准确地预测出锂电池的剩余寿命(RUL, Remain Useful Life),对于电子系统的安全性、稳定性和经济性具有重要意义。剩余寿命预测是个典型的多步时序预测问题，多步预测通常有两种方法:1)直接法，即通过一定的数学模型直接逼近η步的预测公式；2)迭代法，即通过一定的数学模型逼近I步预测公式，然后通过对其进行迭代操作，进而实现多步预测。目前，剩余寿命预测方法可分为基于模型和数据驱动两类。基于模型的方法从电池内部的电化学反应出发建立电池等效电路模型，预测精度依赖模型的准确性，由于电池锂电池内部物理化学结构非常复杂，难以建立物理失效模型，受此影响，现有的基于模型的方法主要是寻找数学模型去拟合锂电池的退化轨迹，然后运用粒子滤波方法实现预测。数据驱动方法则主要包括神经网络、支持向量机等方法。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力，但缺点在于缺乏理论基础，过于依靠开发者经验；需要较多的数据进行离线训练，且计算量大；单次预测不包含不确定性信息。支持向量机方法针对小样本、非线性问题具有明显优势，已经被广泛应用于预测领域，但其主要缺点是只能给出单点预测值。更为重要的是，由于在电池的完整生命周期中，会出现能量再生现象使得模型产生明显变化，也就意味着原模型的失效，导致锂离子电池剩余寿命预测的精度不高。因此本领域技术人员致力于寻找一种消除由于不正常的充放电循环带来的偏差的方法。
技术实现思路
针对现有技术中存在的问题，本专利技术的目的在于提供一种锂离子电池剩余寿命预测方法，解决现有锂离子电池剩余寿命预测方法中存在的依赖经验模型来建立状态转移方程预测精度差、对于模型的失配无法自适应调整的问题。锂离子电池容量退化总体呈下降趋势，局部存在明显的容量再生现象。且锂离子容量数据是典型的小样本数据。直接采用回归预测方法进行迭代预测时，由于较少的数据样本很难获得较高的精度。另一方面迭代预测依赖于准确的单步预测，单步预测误差会随着迭代过程的进行而逐渐累积，最终导致滚动时间窗迭代预测方法预测精度急剧下降。本专利技术提供一种，能有效地根据高斯过程回归模型预测置信度的变化，给出对应的反馈，即是否更新模型或继续用此模型进行预测，并因此实现高精度、自适应模型校正的锂离子电池剩余寿命预测方法。由于直接方案对训练数据的要求较高，在实际应用中通常难以满足，故本专利技术是针对锂离子电池剩余寿命预测实现基于模型主动更新策略的迭代预测方案。高斯过程回归(Gaussian Process Regression, GPR)是近几年发展起来的一种机器学习回归方法，它有着严格的统计学习理论基础，对处理高维数、小样本、非线性等复杂的问题具有很好的适应性，且泛化能力强。与神经网络、支持向量机相比，GPR具有容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等优点。高斯过程回归是一种非参数贝叶斯回归框架，具有灵活的非参数推断、超参数自适应获取等优点，是一个具有概率意义的核学习机，可对预测输出做出概率解释，应用高斯过程回归进行预测可以很好地克服能量再生预测的困难。本专利技术提供一种锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤:(I)建立高斯过程回归模型；(2)计算SOH指数序列；(3)根据所述高斯过程回归模型，进行η步时间序列预测，得到η个SOH指数预测值ES0H，其中η为时间序列预测的步数，其中η为大于或等于I的整数，并根据所述SOH指数序列按照滚动时间窗方式得到SOH'指数序列；(4)对SOH'指数序列与所述SOH指数序列，进行相关系数计算；(5)根据步骤(4)得到的相关系数进行判断，如果相关系数大于或者等于设定值，将所述SOH'指数序列作为新的SOH指数序列；如果相关系数小于设定值，将η个SOH指数预测值ESOH加入SOH指数序列中，得到新的SOH指数序列；(6)根据步骤(5)得到的SOH指数序列，建立SOH向量，以SOH向量作为输入向量，重新建立高斯过程回归模型；(7)根据步骤(6)得到的高斯过程回归模型，进行η步时间序列预测，得到η个SOH指数预测值ESOH ；(8)将步骤(7)得到的η个所述SOH指数预测值ES0H，与失效阈值U分别进行比较，如果η个SOH指数预测值ESOH中的每一个都小于失效阈值，停止预测，停止预测时对应的充放电循环次数，为锂离子电池剩余寿命预测值；否则，将η个SOH指数预测值ES0H，根据步骤(5) SOH指数序列按照滚动时间窗方式，得到新的SOH'指数序列，执行步骤(4)。进一步地，步骤(I)中建立高斯过程回归模型，包括以下步骤:(11)选择锂离子电池放电的电压测量数据集合Xinit及电池容量数据Yinit,构成训练数据序列集合{xinit，YinitI ;(12)分别对所述放电的电压测量数据集合Xinit的每次放电电压数据序列，通过采样熵方法进行特征提取，得到向量X ;(13)将电池容量数据Yinit进行归一化处理，得到向量Y ;(14)以向量X为输入向量，以向量Y作为输出向量，建立高斯过程回归模型。进一步地，步骤(12)中对放电的电压测量数据集合Xinit的每次放电电压数据序列，通过采样熵方法进行特征提取，计算采样熵的方法包括以下步骤:(121)选取由步骤(11)得到的系统运行当前时刻之前的充放电循环的锂离子放电电压数据序列集合【权利要求】1.一种锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤: (1)建立高斯过程回归模型； (2)计算得到SOH指数序列； (3)根据所述高斯过程回归模型，进行η步时间序列预测，得到η个SOH指数预测值ES0H，其中η为时间序列预测的步数，η为大于或等于I的整数，并根据所述SOH指数序列按照滚动时间窗方式得到SOH'指数序列； (4)对所述SOH'指数序列与所述SOH指数序列，进行相关系数计算； (5)根据步骤(4)得到的所述相关系数进行判断，如果所述相关系数大于或者等于设定值，将SOH'指数序列作本文档来自技高网...
【技术保护点】
一种锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：（1）建立高斯过程回归模型；（2）计算得到SOH指数序列；（3）根据所述高斯过程回归模型，进行n步时间序列预测，得到n个SOH指数预测值ESOH，其中n为时间序列预测的步数，n为大于或等于1的整数，并根据所述SOH指数序列按照滚动时间窗方式得到SOH′指数序列；（4）对所述SOH′指数序列与所述SOH指数序列，进行相关系数计算；（5）根据步骤（4）得到的所述相关系数进行判断，如果所述相关系数大于或者等于设定值，将SOH′指数序列作为新的SOH指数序列；如果所述相关系数小于所述设定值，将n个所述SOH指数预测值ESOH加入所述SOH指数序列中，得到新的SOH指数序列；（6）根据步骤（5）得到的SOH指数序列，建立SOH向量，以所述SOH向量作为输入向量，重新建立高斯过程回归模型；（7）根据步骤（6）得到的所述高斯过程回归模型，进行n步时间序列预测，得到n个SOH指数预测值ESOH；（8）将步骤（7）得到的n个所述SOH指数预测值ESOH，与失效阈值U分别进行比较，如果得到的n个所述SOH指数预测值ESOH中的每一个都小于失效阈值，停止预测，停止预测时所对应的充放电循环次数，为锂离子电池剩余寿命预测值；否则，将n个所述SOH指数预测值ESOH，根据步骤（5）SOH指数序列按照滚动时间窗方式，得到新的SOH′指数序列，执行步骤（4）。...
【技术特征摘要】
【专利技术属性】
技术研发人员：魏岩，张峰华，王毓，杨煜普，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。