基于相空间重构和粒子滤波的锂电池剩余寿命预测方法技术

本发明专利技术公开了基于相空间重构和粒子滤波的锂电池剩余寿命预测方法，包括如下步骤：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标，对该指标使用BCT加强与电容的线性相关性；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，把SVR的预测值代入系统状态空间模型用PF对状态进行更新。通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。

Residual life prediction of lithium battery based on phase space reconstruction and particle filter

【技术实现步骤摘要】
基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
本专利技术属于电池
,涉及一种基于PSR-SVR-PF算法的磷酸铁锂电池剩余寿命混合预测方法。
技术介绍
近年来，因为锂离子电池已广泛应用于手机，笔记本电脑和电动汽车的动力电源，并逐步扩展到军事通信，航空航天等领域中。避免锂离子电池因未能提供所需功率水平而导致的严重安全性和经济后果，其剩余使用寿命(RUL)预测有着重要作用。所以，准确预测锂离子电池剩余寿命在锂离子电池故障预测和健康管理(PHM)中起到了重要作用，PHM可以使其健康管理功能有自主性，降低人为干预，从而而大大减少成本。PHM技术通过对锂离子电池各项指标进行检测，对锂离子电池状态进行估计，其中剩余寿命性能指标是核心，这大大提高了锂电池的安全性和可靠性。本专利技术采用PSRSVR-PF算法，首先提取等时间间隔电压差健康指标，利用BCT变换加强该指标与容量之间的线性关系。相空间重构(PSR)用来定义训练样本集来训练SVR模型，把SVR的预测值通过PF用来更新系统状态空间模型的状态，最后通过测量方程得出容量预测值。
技术实现思路
本专利技术的目的是提供一种能准确预测磷酸铁锂电池剩余使用寿命的混合方法。为了达成上述目的，本专利技术的解决方案为：本专利技术提供了一种基于相空间重构和粒子滤波的锂电池剩余寿命预测方法。步骤一：首先将获得的NASA数据集进行筛选，相应的选择B0005，B0006，B0007三组作为实验数据集。提取了电池电容、等时间间隔放电电压差两个健康因子，并划分训练集与测试集。步骤二：SVR部分：在训练SVR模型之前，为了增强等时间间隔放电电压差与容量之间的线性相关性，对等时间间隔放电电压差进行BOX-COX变换。BOX-COX变换如下：其中y为原始数据，y(λ)为变化后的数据。选取不同的λ带入上式，计算变换后的等时间间隔放电电压差与容量的相关性选择最佳参数λ。步骤三：在训练集，使用C-C方法分别计算出两个处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构：定义SVR的训练样本为(Xj,Yj)，X为输入，Y为输出。PF部分：本文选用的状态空间模型如下：其中，xk＝[ak,bk,ck,dk]，k表示循环次数，xk表示状态模型参数，Qk表示容量的观测值，ωk，vk分别表示状态噪声与观测噪声。模型的初值是用三组电池的训练集用最小二乘法估计出并取均值得到的。步骤四：训练集的滤波过程：初始化k＝0,设置参数。采样，在k＝0时，从先验概率分布p(X0)随机抽取初始化粒子样本状态集合设定粒子初始权重为重要性采样，分为k时刻预测和权值更新两步。Fori＝1:N,在k时刻，从建议分布函数采样,并设置Fori＝1:N，权值更新，计算每个粒子重要性权值：归一化处理权重：重采样，评估有效粒子数，如果Neff＞Nthreshold，则不需要重采样，有：否则进行重采样，得到新粒子集及相应重要性权值：状态评估，通过粒子滤波算法的输出进行后验概率计算，判断是否结束，否则令k＝k+1，重复上述滤波过程，直到训练集滤波过程结束。步骤五：使用训练好的SVR模型预测未来的电池容量，使用预测值重复上述PF过程对系统状态进行更新，并通过测量方程得出电池容量预测值。如果预测出来的电池容量达到电池失效阈值，则RUL为此时刻到预测起始点的时间。并计算预测值与真实指之间的RMSE,MAPE与RUL预测误差等预测精度指标，验证本方法的有效性。采用上述方案后，本专利技术通过提取电池电容、等时间间隔放电电压差作为健康因子，对后者进行BOX-COX变换提高与电池容量的线性相关性。用C-C方法得出处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构；由此定义训练SVR时的输入与输出。使用三组电池的训练集用最小二乘法估计出并取均值得到系统状态空间模型的初值，然后使用PF在训练集进行滤波过程得到系统最新的状态。在SVR模型得出容量预测值后，用预测值对系统状态进行更新，最后通过测量方程得出电池容量最终预测值，并与之前定义的阈值进行比较，最终估计出锂电池的剩余使用寿命。本专利技术能够对锂电池RUL有较为精准的估计。参考文献BOX-COX变换[1]R.M.SAKIA.TheBox-Coxtransformationtechnique:areview[J].JournaloftheRoyalStatisticalSociety,1992,41(2):169-178.C-C方法[2]KimHS,R.Eykholt,J.D.Salas.Nonlineardynamics,delaytimes,andembeddingwindows[J].PhysicaD-nonlinearPhenomena,1999,127(1–2):48-60.附图说明图1为本专利技术所使用的三组锂电池对应的容量衰减曲线和失效阈值图。图2为本专利技术所使用PSR-SVR-PF的流程图。图3a为本专利技术所使用的B05组电池数据预测起始点为100时的结果图图3b为B05组电池数据寿命终止点的预测电容分布。图4a为本专利技术所使用的B06组电池数据预测起始点为100时的结果图图4b为本专利技术所使用的B06组电池数据的寿命终止点的预测电容分布。图5a为本专利技术所使用的B07组电池数据预测起始点为100时的结果图图5b为本专利技术所使用的B07组电池数据的寿命终止点的预测电容分布。具体实施方式以下结合附图对本专利技术的技术方案进行详细说明。在三组电池数据上进行的仿真，但此处仅给出100为预测起始点的仿真效果对比图，以验证该算法的有效性以验证该算法的有效性。本专利技术的整体流程如图2所示。首先将获得的NASA数据集进行筛选，相应的选择B0005，B0006，B0007三组作为实验数据集。提取了电池电容、等时间间隔放电电压差两个健康因子，并划分训练集和测试集。如图1所示，本专利技术基于NASA中B0005,B0006,B0007三组电池数据进行仿真实验，在三组电池数据上验证该算法的有效性。SVR部分：在训练SVR模型之前，为了增强等时间间隔放电电压差与容量之间的线性相关性，对等时间间隔放电电压差进行BOX-COX变换。BOX-COX变换中有一个关键参数λ，通过计算等时间间隔放电电压差与容量的Pearson相关系数选取最佳参数λ。在训练集，使用C-C方法分别计算出两个处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构：定义SVR的训练样本为本文档来自技高网...

【技术保护点】
1.基于相空间重构和粒子滤波的锂电池剩余寿命预测方法，其特征在于：/n步骤一：选取电池容量和等时间间隔放电电压差作为两个健康因子，选定T时刻为预测起始点，即T时刻之前的时间序列为训练集，/n步骤二：为了加强等时间间隔放电电压差与电池容量之间的线性关系，对之进行BOX-COX变换，/n步骤三：在训练支持向量机SVR模型时，利用相空间重构PSR分别得出两种健康因子时间序列的时延和嵌入维数，进行多变量相空间重构，由此定义训练SVR的输入与输出，/n步骤四：选用双指数退化模型Z

【技术特征摘要】
1.基于相空间重构和粒子滤波的锂电池剩余寿命预测方法，其特征在于：
步骤一：选取电池容量和等时间间隔放电电压差作为两个健康因子，选定T时刻为预测起始点，即T时刻之前的时间序列为训练集，
步骤二：为了加强等时间间隔放电电压差与电池容量之间的线性关系，对之进行BOX-COX变换，
步骤三：在训练支持向量机SVR模型时，利用相空间重构PSR分别得出两种健康因子时间序列的时延和嵌入维数，进行多变量相空间重构，由此定义训练SVR的输入与输出，
步骤四：选用双指数退化模型Zk＝akexp(bk·k)+ckexp(dk·k)作为粒子滤波测量方程，其中状态xk＝[ak，bk，ck，dk]，系统的状态方程为xk+1＝xk+vk，其中vk为过程噪声，在训练集用粒子滤波PF进行滤波过程，得到系统最新状态xT-1，等到SVR的预测值计算完成，用该预测值对系统状态进行更新，最后通过粒子滤波测量方程得到电池容量的最终预测值，如果预测的容量达到了失效阈值，则剩余使用寿命RUL为该时刻到失效阈值点之间的时间。


2.根据权利要求1所述的基于相空间重构和粒子滤波的锂电池剩余寿命预测方法,其特征在于：
选用的锂电池容量数据为:NASA数据集，
选用NASA数据集中的B0005，B0006和B0007三组作为实验数据集，对于不同的数据集，选用不同的起始预测点，起始预测点之前的数据作为...

【专利技术属性】
技术研发人员：张永，陈廖格豪，李曦，付晓薇，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42