一种锂电池剩余寿命预测方法技术

本发明专利技术公开了一种锂电池剩余寿命预测方法，主要采用基于自回归(AR)时间序列和扩展卡尔曼粒子滤波算法(EKPF)的寿命预测方法，包括两个阶段，即经验退化模型构建阶段与寿命预测阶段。第一阶段，退化模型构建阶段，首先构建基于库仑定律的电池容量衰退的双指数模型，它描述了电池可用容量与时间的变化关系，反映浓差极化和两级极化带来的电池容量损失。通过对双指数模型加以改造变形适应状态转移方程的形式，形成变形的经验退化模型，减少了原始模型的参数个数，降低了参数训练的复杂度。第二阶段，寿命预测阶段，通过对退化经验模型参数以及自回归参数的训练获得，并采取EKPF算法进行电池电量的走势，获取锂电池剩余寿命的预测值。

【技术实现步骤摘要】
一种锂电池剩余寿命预测方法
本专利技术涉及电池
，涉及锂电池剩余寿命预测方法，具体涉及一种基于AR时间序列与扩展卡尔曼粒子滤波的锂电池剩余寿命预测方法。
技术介绍
目前，电池在各领域的应用越来越广泛，几乎涵盖了我们日常生活、生产以及科研所有领域。尤其是现在国内外新能源汽车、通信设备以及电子设备发展迅速，电池需求量越来越大，进而电池故障预测与健康管理(PHM)成为了重要环节，而电池健康状态(SOH)直接关系到各系统运行的可靠性。SOH反映了电池在多次充放电循环中的容量衰退情况，它表征电池长期的健康状况，电池使用寿命(RUL)是反映电池SOH的一个最为直观的指标。因此提前预测锂电池的RUL是系统PHM技术中极为重要的环节。针对锂电池RUL预测主要的研究方法有：模型法，数据驱动法和基于多种算法的融合型方法。基于模型的RUL预测方法依托电池内部的化学反应机理、电池材料属性以及负载条件实现预测，依据建模原理可进一步划分为退化机理的模型，等效电路模型和经验退化模型。对于锂电池这样的系统，由于其内部的电化学反应十分复杂，导致其建模难度较本文档来自技高网...

【技术保护点】
1.一种锂电池剩余寿命预测方法，其特征在于，包括以下步骤：/n退化模型构建阶段：首先构建用于描述电池可用容量与时间变化关系的退化模型，并获取退化模型参数；/n寿命预测阶段：根据退化模型参数建立自回归模型，通过卡尔曼粒子滤波方法对电池剩余寿命进行预测。/n

【技术特征摘要】
1.一种锂电池剩余寿命预测方法，其特征在于，包括以下步骤：
退化模型构建阶段：首先构建用于描述电池可用容量与时间变化关系的退化模型，并获取退化模型参数；
寿命预测阶段：根据退化模型参数建立自回归模型，通过卡尔曼粒子滤波方法对电池剩余寿命进行预测。


2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述退化模型通过以下步骤得到：
Ck＝a·exp(b·k)+c·exp(d·k)(1)
其中，a，b，c，d是系数，k为周期数，电池的一次充放电是一个循环周期，Ck为第k周期的电池容量；
k-1时刻的模型为Ck-1＝a·exp[b·(k-1)]+c·exp[d·(k-1)]；(2)
通过令上述表达式相减获得：
Ck＝Ck-1exp(b)+c·exp(d·k)[1-exp(b-d)]；(3)
由于exp(b)和c·[1-exp(b-d)]均为常数项，可得简化的退化模型为Ck＝α·Ck-1+β·exp(γ·k)；(4)
其中，退化模型参数α、β、γ的表达式如下：
α＝exp(b)，β＝c·[1-exp(b-d)]，γ＝d。


3.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述退化模型参数α、β、γ经非线性最小二乘拟合得到。


4.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述寿命预测阶段包括以下步骤：
1)确立自回归模型即AR模型的阶数以及自回归系数，构建AR模型；
2)利用输入的数据训练AR模型，得出AR模型的阶数p和自回归系数得到训练好的AR模型；
3)对粒子滤波算法参数初始化；<...

【专利技术属性】
技术研发人员：徐皑冬，胡波，闫炳均，王志平，冮明旭，王锴，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁;21