基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法和系统技术方案

本发明专利技术针对锂离子电池剩余使用寿命预测健康指标测量难度大、冗余性高的问题，提出一种基于PCA‑NARX神经网络的锂离子电池剩余使用寿命预测方法和系统。该方法包括：1)分析锂离子电池在不同放电周期的恒流放电电压变化规律，提取出能反映电池性能退化的参数；2)验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性，并利用PCA算法去除参数的冗余，将去除冗余后得到的主成分作为锂离子电池的健康指标；3)将得到的锂离子电池的健康指标输入NARX神经网络，进行锂离子电池容量估计和剩余使用寿命预测。实验结果证明本发明专利技术方法的预测精度高，可用于锂离子电池剩余使用寿命精确预测。

Prediction method and system for remaining service life of lithium ion battery based on PCA-NARX neural network

Aiming at the problems of great difficulty and high redundancy in measuring the remaining life prediction health indexes of lithium ion batteries, the present invention proposes a method and system for predicting the remaining life of lithium ion batteries based on PCA_NARX neural network. The method includes: 1) analyzing the variation of constant current discharge voltage of lithium-ion batteries in different discharge cycles, extracting the parameters reflecting the degradation of battery performance; 2) verifying the correlation between the parameters extracted and the capacity of lithium-ion batteries, and removing the redundancy of the parameters by PCA algorithm. The remaining principal components are used as the health indicators of lithium-ion batteries; 3) The health indicators of lithium-ion batteries are input into NARX neural network to estimate the capacity of lithium-ion batteries and predict the remaining service life. The experimental results show that the method has high prediction accuracy and can be used to accurately predict the remaining service life of lithium ion batteries.

【技术实现步骤摘要】
基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法和系统
本专利技术属于锂离子电池
，具体涉及一种基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法和系统。
技术介绍
锂离子电池是一种理想供电能源，以其高密度、寿命长、无污染等优势，成为目前多数主流系统装置的能量供应组件。但在实际应用中，由于受到温度变化、过充、过放等影响，电池往往不能达到预期的寿命值。由电池性能退化引发的安全问题对人们的人身、财产安全产生了极大威胁。准确估计锂离子电池健康状况(StateofHealth,SOH)并预测其剩余使用寿命(RemainingUsefulLife,RUL)，对锂离子电池管理和维护、预防危险事故发生等具有重要价值。锂离子电池的剩余使用寿命即RUL，指的是容量退化到不可接受水平之前剩余的可用服务时间，可定义为(WuJ,ZhangC,ChenZ.Anonlinemethodforlithium-ionbatteryremainingusefullifeestimationusingimportancesamplingandneuralnetworks[J].AppliedEnergy,2016,173:134-140.)：NRUL＝NEOL-NECL(1)其中NRUL表示电池RUL，即电池剩余充放电循环次数；NEOL为当电池实际容量退化到不可接受水平时对应的电池充放电循环次数；NECL表示当前电池的循环充放电次数。目前，对锂离子电池进行RUL预测的方法主要有两类：基于模型预测和基于数据驱动预测。基于模型预测的方法难点在于电池机理模型结构复杂，很难精确建模。基于数据驱动的方法，避开了对锂离子电池复杂的内部机理和电化学反应过程的研究，直接从电池性能状态监测数据中挖掘出潜存的电池退化信息，成为电池寿命研究热点，但该方法易受健康指标选取的不确定性和不完整性的影响，适应性较差。锂离子电池健康指标选择的好坏直接影响RUL预测的精度，在以往研究中，主要使用电池容量、阻抗作为电池RUL预测的健康指标，但实际应用中这些指标无法直接获取，需要精密、昂贵的专业仪器测量。因此，有学者考虑将测量成本低的电池参数作为间接估计电池RUL的健康指标，如选择电池端电压、等压降的时间间隔等独立指标作为电池RUL预测的健康指标，或使用电池重复放电阶段的电荷量、放电功率、放电深度和温度共同作为健康指标估计电动汽车锂离子电池的容量衰减。这些方法虽然选择了容易测量的健康指标，但极少分析特征指标的有效性和指标之间的相关性，而健康指标不足或冗余都会导致预测出现偏差。因此，提取出能够显著反应锂离子电池性能退化且相互独立的可测健康指标对锂离子电池的RUL预测有重要的理论意义和实践价值。此外，锂离子电池的性能随充放电次数增加逐渐退化，且该变化在时间维度上不可逆转，因此锂离子电池RUL预测是一种基于时间序列的非线性预测模式。而非线性自回归神经网络(NonlinearAutoRegressiveNetworkwithExogenousInputs，NARX)是一种有效的时间序列预测技术，能够对锂离子电池这种高度非线性系统进行很好的拟合和自学习，适合用于锂离子电池的RUL预测。
技术实现思路
本专利技术针对锂离子电池剩余使用寿命预测健康指标测量难度大、冗余性高的问题，提出一种基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法和系统，该方法和系统具有良好的预测性能。本专利技术采用的技术方案如下：一种基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法，包括以下步骤：1)分析锂离子电池在不同放电周期的恒流放电电压变化规律，提取出能反映电池性能退化的参数；2)验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性，并利用PCA算法去除参数的冗余，将去除冗余后得到的主成分作为锂离子电池的健康指标；3)将得到的锂离子电池的健康指标输入NARX神经网络，进行锂离子电池容量估计和剩余使用寿命预测。示例性的，步骤1)所述参数包括：电压初始骤降幅值、平台放电时长、平台电压变化率、欧姆内阻、平均温度、放电能量、放电深度、放电功率。进一步地，步骤2)通过计算Spearman秩相关系数和假设检验验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性。进一步地，步骤3)采用串-并行NARX神经网络结构的容量和健康指标的关系模型，进行所述电池容量估计。进一步地，步骤3)采用并行结构模式NARX神经网络，来进行所述剩余使用寿命预测。一种基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测系统，其包括：参数提取模块，负责分析锂离子电池在不同放电周期的恒流放电电压变化规律，提取出能反映电池性能退化的参数；健康指标提取模块，验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性，并利用PCA算法去除参数的冗余，将去除冗余后得到的主成分作为锂离子电池的健康指标；剩余使用寿命预测模块，负责以所述锂离子电池的健康指标为输入，采用NARX神经网络进行锂离子电池容量估计和剩余使用寿命预测。进一步地，所述健康指标提取模块通过计算Spearman秩相关系数和假设检验验证所提取的参数间、所提取的参数与锂离子电池容量之间的相关性。进一步地，所述剩余使用寿命预测模块采用基于串-并行NARX神经网络结构的容量和健康指标的关系模型，进行所述电池容量估计；所述剩余使用寿命预测模块采用并行结构模式的NARX神经网络进行所述剩余使用寿命预测。本专利技术的锂离子电池剩余使用寿命预测方法，通过分析锂离子电池循环使用过程中各参数随电池性能退化的变化规律，选择了多个可显著反应电池性能退化的可测参数；通过计算Spearman秩相关系数和显著性检验，分析所提取的参数之间、所提取的参数与电池容量之间的相关性；并利用主成分分析法(PrincipleComponentAnalysis,PCA)去除参数间的相关性，提取出相互独立的特征；然后基于提取出的特征，构建了NARX神经网络锂离子电池容量估计模型；再基于估计的容量建立RUL预测模型。通过设计实验将基于PCA-NARX模型的预测结果分别与不使用PCA去除冗余的NARX模型预测结果和PCA-BP模型预测结果进行对比，证明本专利技术的方法预测精度更高，可用于锂离子电池剩余使用寿命精确预测。附图说明图1.不同周期的电池放电电压曲线图。图2.串-并行模式的NARX神经网络结构图。图3.并行结构的NARX神经网络结构图。图4.基于PCA-NARX模型的锂离子电池RUL预测流程图。图5.串-并行结构的容量和健康指标的关系模型示意图。图6.并行结构的容量和剩余使用寿命的关系模型示意图。图7.B5电池容量估计图。图8.B5电池RUL预测图。图9.B6电池RUL预测图。图10.B7电池RUL预测图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本专利技术做进一步详细说明。1.特征提取与分析1.1锂离子电池性能退化特征提取以电池在不同周期下的放电电压响应曲线分析锂离子电池退化特性，如图1所示。恒流放电初期，随着充放电次数的增加，欧姆内阻不断增大，电压骤降幅值随之增大，因此选择放电电压初始骤降幅值作为反映电池退化的参数。经一段本文档来自技高网...

【技术保护点】
1.一种基于PCA‑NARX神经网络的锂离子电池剩余使用寿命预测方法，其特征在于，包括以下步骤：1)分析锂离子电池在不同放电周期的恒流放电电压变化规律，提取出能反映电池性能退化的参数；2)验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性，并利用PCA算法去除参数的冗余，将去除冗余后得到的主成分作为锂离子电池的健康指标；3)将得到的锂离子电池的健康指标输入NARX神经网络，进行锂离子电池容量估计和剩余使用寿命预测。

【技术特征摘要】
1.一种基于PCA-NARX神经网络的锂离子电池剩余使用寿命预测方法，其特征在于，包括以下步骤：1)分析锂离子电池在不同放电周期的恒流放电电压变化规律，提取出能反映电池性能退化的参数；2)验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性，并利用PCA算法去除参数的冗余，将去除冗余后得到的主成分作为锂离子电池的健康指标；3)将得到的锂离子电池的健康指标输入NARX神经网络，进行锂离子电池容量估计和剩余使用寿命预测。2.根据权利要求1所述的方法，其特征在于，步骤1)所述参数包括：电压初始骤降幅值、平台放电时长、平台电压变化率、欧姆内阻、平均温度、放电能量、放电深度、放电功率。3.根据权利要求1所述的方法，其特征在于，所述平台放电时长表示为：tdis_plat(i)＝tend(i)-tstart(i)i＝1,2…n,…，其中，tdis_plat(i)为第i个放电周期平台期放电时长；tend(i)为对应平台期的结束时刻；tstart(i)为对应平台期的起始时刻；所述平台电压变化率表示为：Rv(i)＝Vde(i)/tdis_plat(i)i＝1,2…n,…，其中，Rv(i)表示第i个放电周期平台期电压变化率；Vde(i)是第i个平台期电压降。4.根据权利要求1所述的方法，其特征在于，步骤2)通过计算Spearman秩相关系数和假设检验验证所提取的参数之间、所提取的参数与锂离子电池容量之间的相关性。5.根据权利要求1至4中任一权利要求所述...

【专利技术属性】
技术研发人员：庞晓琼，王竹晴，曾建潮，贾建芳，史元浩，温杰，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西,14