一种小样本条件下的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小样本条件下的锂电池剩余寿命预测方法，通过加速锂电池的寿命实验，获取锂电池容量在不同时刻的退化量；然后利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数，进而估计出每个的分布参数；接着利用二阶段维纳过程扩充锂电池退化数据，用于训练多个神经网络，并通过预测时长选出最优的神经网络，用于待测锂电池剩余寿命的实时预测，具有预测精度高、预测速度快等特点。特点。特点。

【技术实现步骤摘要】
一种小样本条件下的锂电池剩余寿命预测方法


[0001]本专利技术属于锂电池可靠性分析
，更为具体地讲，涉及一种小样本条件下的锂电池剩余寿命预测方法。

技术介绍

[0002]锂电池作为一种重要储能器件，其具有能量密度大、使用寿命长等许多优点，目前已广泛应用于新能源汽车、航空航天等诸多关键领域中。锂电池作为系统的核心部分，其可靠性影响着整个系统设备的运行稳定性，而对锂电池模块的剩余寿命(RUL,Remaining Useful Life)预测技术方法的研究也变得十分必要，其具有以下几点重要意义：(1)是获得锂电池模块可靠性信息的重要途径，可进一步为实现系统在线监测与健康管理提供依据；(2)有助于促使生产商对锂电池模块进行工艺改进(引入新的材料与改进封装技术)；(3)有利于更好地设计加速老化试验以获得更为准确的老化数据；(4)可实现视情维修，使终端使用者获得锂电池模块更多的寿命信息以减少对系统维护的投入。
[0003]而现有对锂电池模块的RUL预测技术方法的研究主要分为两大类，基于物理模型驱动的预测技术和基于数据驱动的预测技术。虽然基于物理模型驱动的预测技术可从材料的角度上表述锂电池器件的RUL信息，但需要对器件制造材料的本质特性与工艺制造过程有足够深的理解，而且所获取的物理模型往往缺乏足够的精度，建模的过程易丢失对象参数间的非线性关系，导致误差增大。而基于数据驱动的预测技术是从锂电池器件的历史老化数据中学习输入和输出之间的映射关系，其主要分为基于概率统计的方法和基于机器学习的方法。基于机器学习的方法能够利用计算机强大的计算能力来很好地学习锂电池退化的趋势，在RUL的预测上具有较高的精度，但其预测的准确率与训练数据的数量相关；基于概率统计的方法则是利用概率统计的模型来描述锂电池的退化趋势，可以很好地刻画锂电池的退化过程中的不确定性，但其剩余寿命的概率密度函数难以求解。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种小样本条件下的锂电池剩余寿命预测方法，结合了迁移学习的技术，采用极限学习机(ELM)来预测锂电池的剩余寿命，从而提高小样本条件下锂电池剩余寿命预测的准确度。
[0005]为实现上述专利技术目的，本专利技术一种小样本条件下的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：
[0006](1)、获取锂电池容量在不同时刻的退化量；
[0007]通过加速N个锂电池的寿命实验，采样每个锂电池在不同时刻的容量，再将每个锂电池在不同时刻的容量与初始容量做差，获得每个锂电池在不同时刻的容量退化量，其中，第i个锂电池在不同时刻的容量退化量记为其中，i＝1,2,
…
,N，表示第i个锂电池的初始容量退化量，表示第i个锂电池在第t个时刻的容量退化量，t
＝1,2,
…
,T，T表示采样时刻数；
[0008](2)、构建锂电池在每个采样时刻的二阶段维纳过程模型；
[0009][0010]其中，μ1和μ2分别是第一阶段和第二阶段维纳过程的漂移系数；φ1和φ2分别是第一阶段和第二阶段维纳过程的扩散系数；B(t)为标准布朗运动，τ表示锂电池容量退化的拐点时刻，x0表示锂电池的初始容量退化量，x
τ
表示锂电池在拐点时刻τ时对应的容量退化量；
[0011](3)、利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数θ
i
；
[0012](3.1)、设第i个锂电池在X(t)中的模型参数为θ
i
，其中，μ
i,1
,μ
i,2
表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数，φ
i,1
,φ
i,2
表示第i个锂电池在第一阶段和第二阶段维纳过程的扩散系数，τ
i
表示第i个锂电池容量退化的拐点时刻；
[0013](3.2)、利用最大似然估计算法估计θ
i
：
[0014][0015]其中，其中，其中，为的协方差矩阵，具体满足：方差矩阵，具体满足：为的协方差矩阵，具体满
足：
[0016](3.3)、将N个锂电池估计的的参数构建参数集合Θ＝{θ1,θ2,
…
,θ
i
,
…
,θ
N
}；
[0017](4)、估计每个θ
i
的分布参数；
[0018]在二阶段维纳过程模型中，令漂移系数μ1服从正态分布的随机变量其中，为μ1的均值，为μ1方差；令漂移系数μ2服从正态分布的随机变量令锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ～Ga(α,β)，其中，α,β分别表示形状参数和逆尺度参数；
[0019]那么，在参数集合Θ中，利用{μ
1,1
,μ
2,1
,
…
,μ
i,1
,
…
,μ
N,1
}估计μ1的分布参数利用{μ
1,2
,μ
2,2
,
…
,μ
i,2
,
…
,μ
N,2
}估计μ2的分布参数利用{τ1,τ2,
…
,τ
i
,
…
,τ
N
}估计τ的分布参数α,β；
[0020](5)、生成采样数据
[0021](5.1)、将步骤(3)中所有锂电池在第一阶段和第二阶段维纳过程的扩散系数与分别求均值，其结果作为采样参数，分别记为
[0022](5.2)、对随机变量{μ1,μ2,τ}进行采样，设共计采样N
simulate
组参数，结合步骤(5.1)得到将每一组采样参数记为：
[0023](5.3)、将N
simulate
组采样参数依次代入至二阶段维纳过程模型X(t)，得到N
simulate
组锂电池容量退化数据；
[0024](6)、利用每一组锂电池容量退化数据训练一个ELM神经网络，从而得到N
simulate
个用于预测锂电池剩余寿命的ELM神经网络；
[0025](7)、按照步骤(1)所述方法采集待测锂电池前个时刻的容量退化量，记为个时刻的容量退化量，记为表示待测锂电池在个时刻的容量退化量；
[0026]设置失效阈值w；判断是否小于失效阈值w，如果小于，则进入步骤(8)；否则，判断待测锂电池失效，算法结束；
[0027](8)、选最优的ELM神经网络；
[0028](8.1)、在中，取前个时刻的容量退化量作为每一
个ELM神经网络的输入，通过ELM神经网络预测出第时刻的容量退化量
[0029](8.2)、如果则迭代停止，并记录ELM神经网络的预测时长否则，将第时刻的预测值加入到输入中，得到新的输入并输入至每一个ELM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本条件下的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：(1)、获取锂电池容量在不同时刻的退化量；通过加速N个锂电池的寿命实验，采样每个锂电池在不同时刻的容量，再将每个锂电池在不同时刻的容量与初始容量做差，获得每个锂电池在不同时刻的容量退化量，其中，第i个锂电池在不同时刻的容量退化量记为其中，i＝1,2,
…
,N，表示第i个锂电池的初始容量退化量，表示第i个锂电池在第t个时刻的容量退化量，t＝1,2,
…
,T，T表示采样时刻数；(2)、构建锂电池在每个采样时刻的二阶段维纳过程模型；其中，μ1和μ2分别是第一阶段和第二阶段维纳过程的漂移系数；φ1和φ2分别是第一阶段和第二阶段维纳过程的扩散系数；B(t)为标准布朗运动，τ表示锂电池容量退化的拐点时刻，x
τ
表示锂电池在拐点时刻τ时对应的容量退化量；(3)、利用最大似然估计算法估计每个锂电池在二阶段维纳过程模型中的参数θ
i
；(3.1)、设第i个锂电池在X(t)中的模型参数为θ
i
，其中，μ
i,1
,μ
i,2
表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数，φ
i,1
,φ
i,2
表示第i个锂电池在第一阶段和第二阶段维纳过程的扩散系数，τ
i
表示第i个锂电池容量退化的拐点时刻；(3.2)、利用最大似然估计算法估计θ
i
：其中，其中，其中，为的协
方差矩阵，具体满足：方差矩阵，具体满足：为的协方差矩阵，具体满足：(3.3)、将N个锂电池估计的的参数构建参数集合Θ＝{θ1,θ2,
…
,θ
i
,
…
,θ
N
}；(4)、估计每个θ
i
的分布参数；在二阶段维纳过程模型中，令漂移系数μ1服从正态分布的随机变量其中，为μ1的均值，为μ1方差；令漂移系数μ2服从正态分布的随机变量令锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ～Ga(α,β)，其中，α,β分别表示形状参数和逆尺度参数；那么，在参数集合Θ中，利用{μ
1,1
,μ
2,1
,
…
,μ
i,1
,
…
,μ
N,1
}估计μ1的分布参数利用{μ
1,2

【专利技术属性】
技术研发人员：刘震，陈啸午，汪静元，程玉华，王厚军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：