一种动车组镉镍蓄电池的寿命预测方法及终端设备技术

本发明专利技术公开了一种动车组镉镍蓄电池的寿命预测方法及终端设备，方法包括：对待测动车组镉镍蓄电池进行循环寿命试验，获得待测动车组镉镍蓄电池随循环次数变换的循环容量；将循环容量输入至粒子滤波算法中训练，得到容量估计值；将容量估计值作为扩展卡尔曼滤波算法的实际测量值，利用扩展卡尔曼滤波算法预测动车组镉镍蓄电池的寿命。本发明专利技术提出了使用数据拟合的方法建立动车组镉镍蓄电池的退化模型，该方法能够精确地描述蓄电池退化的主体趋势。在此基础上，进一步提出了一种将粒子滤波算法与扩展卡尔曼滤波算法相结合的新的融合算法，该算法可精确预测动车组镉镍蓄电池的寿命，预测精度高。精度高。精度高。

【技术实现步骤摘要】
一种动车组镉镍蓄电池的寿命预测方法及终端设备


[0001]本专利技术属于电池寿命预测
，具体是涉及到一种动车组镉镍蓄电池的寿命预测方法及终端设备。

技术介绍

[0002]根据《2013
‑
2017年中国铁路行业市场前瞻与投资战略规划分析报告》可知，我国铁路的发展趋势主要表现在以下两个方面：一是客运列车的高速化；二是货运列车的重载化。而其中客运列车的高速化与动车组息息相关。蓄电池组是动车组关键设备之一，其作为动车组中直流辅助回路的电源，在动车组架线停电或辅助电源装置（APU）出现故障时，将为照明、通信及紧急换气等系统提供电源。蓄电池的可靠性涉及到了动车组的行车安全，所以其检修十分严格。目前，一节动车组检修费用约为六万元，而且检修过程耗时耗力。实际运用检修中，蓄电池更换返厂检修的依据为运营里程数或使用年限。在这个过程中，一旦检测到蓄电池性能指标不符合相应标准，则会立即更换。而往往此时镉镍电池体还有较大的余量可用，如果提前更换，毫无疑问会提高动车组的运营成本。因此，对动车组蓄电池寿命研究具有非常重要的意义。
[0003]蓄电池寿命预测技术在国内还处于研究阶段，尤其是碱性蓄电池的寿命预测技术更是缺乏。国内外相关的蓄电池预测算法大致可以分为模型驱动、数据驱动和混合方法三种，其中模型驱动是根据工作条件、制造材料和退化机理来建立退化模型，从而实现对蓄电池寿命的预测。JOUIN等提出基于PF的质子交换膜燃料电池(PEMFC)剩余使用寿命预测方法，并分别对线性、指数和对数
‑
线性模型三种退化模型进行对比分析，结果表明三种模型中的对数
‑
线性模型对PEMFC的预测精确度更高。ZHANG等提出利用无迹卡尔曼滤波(UKF)来对PEMFC进行损伤追踪并对寿命进行预测，其预测结果表明该方法具有较高的预测精度。丁劲涛忽略蓄电池大倍率放电时的温升与放电深度等因素的影响，采用EKF算法预测蓄电池的RUL，结果证明该方法不仅非常精简而且准确性也较好。许参等通过建立变化负载和常数负载两种不同的模型，使模型与实际运行情况更加符合。
[0004]数据驱动不需要建立先验退化模型，而是通过对原始数据进行处理得到其相应的的行为模型。王莉等人提出基于最小二乘的支持向量机(SVM)的阀控式铅酸蓄电池寿命预测方法，其通过对线性微分方程求最优解，提高了算法运行速度。杨传凯等人将铅酸蓄电池的健康状态和端电压作为变量，通过Grid
‑
Search法来确定LIBSVM的最优参数，结果表明其精确度较高。吴海洋等人提出一种基于遗传算法的反向传播(BP)神经网络预测模型，其通过对不同温度和型号下的蓄电池的剩余容量预测，从而实时监控工况和预测寿命。LIU等提出了一种基于间接健康指标和多重高斯过程回归(GPR)模型的锂离子电池寿命预测方法，从而实现了单点预测和多步预测。ZHAO等提出了一种基于转换算法的非等距灰色预测模型，解决了电池实际老化与电池加速老化不等同的问题。
[0005]混合方法则是通过将多种预测算法融合或结合，从而消除单一算法的缺陷，并保留组成算法的优势。刘嘉蔚等提出一种基于核超限学习机和局部加权回归散点平滑法
(LOWESS)融合的PEMFC剩余寿命预测方法，其通过等间隔采样法和LOWESS来实现数据的重构和平滑处理。ZHOU等分别利用稀疏贝叶斯方法实现长期寿命预测和灰色模型实现短期寿命预。胡天中等将多尺度分解与深度神经网络（DNN）融合来预测锂电池寿命，其通过相关性分析与集合经验模态将退化数据分解为主趋势数据和波动数据。陈通等将BP神经网络和深层感知器相融合，提高了原始数据的精度，从而使预测更加精确。
[0006]然而，现有技术中并未公开动车组镉镍蓄电池的寿命预测方法，致使在电池还有较大余量的情况下进行更换，使动车组的运营成本大幅提高。

技术实现思路

[0007]本专利技术提供了一种动车组镉镍蓄电池的寿命预测方法及终端设备，从而解决现有技术中存在的难以准确预测动车组镉镍蓄电池寿命的技术问题。
[0008]本
技术实现思路
的第一方面公开了一种动车组镉镍蓄电池的寿命预测方法，包括：对待测动车组镉镍蓄电池进行循环寿命试验，获得所述待测动车组镉镍蓄电池随循环次数变换的循环容量；将所述循环容量输入至粒子滤波算法中训练，得到容量估计值；将所述容量估计值作为扩展卡尔曼滤波算法的实际测量值，利用所述扩展卡尔曼滤波算法预测所述动车组镉镍蓄电池的寿命。
[0009]优选地，所述将所述容量估计值作为扩展卡尔曼滤波算法的实际测量值，利用所述扩展卡尔曼滤波算法预测所述动车组镉镍蓄电池的寿命，具体为：根据所述循环容量确定所述待测动车组镉镍蓄电池容量的递推关系式；根据所述递推关系式确定所述待测动车组镉镍蓄电池状态转移方程和状态测量方程；其中，待测动车组镉镍蓄电池状态转移方程为所述容量递推关系式加上过程噪声，而所述待测动车组镉镍蓄电池状态测量方程等于所述状态转移方程的状态值加上测量噪声；将所述容量估计值作为扩展卡尔曼滤波算法中所述待测动车组镉镍蓄电池状态测量方程的实际测量值；利用所述扩展卡尔曼滤波算法预测所述动车组镉镍蓄电池的寿命。
[0010]优选地，根据所述循环容量确定所述待测动车组镉镍蓄电池容量的递推关系式，具体为：根据所述循环容量，利用数据拟合的方法确定所述待测动车组镉镍蓄电池容量的递推关系式。
[0011]优选地，所述待测动车组镉镍蓄电池状态转移方程为：式中，为时刻所述待测动车组镉镍蓄电池的循环容量，为时刻所述待
测动车组镉镍蓄电池的循环容量，为时刻所述待测动车组镉镍蓄电池的过程噪声，为状态转移函数。
[0012]优选地，所述待测动车组镉镍蓄电池状态测量方程为：式中，为时刻待测动车组镉镍蓄电池的后验状态估计值，为时刻所述待测动车组镉镍蓄电池的循环容量，为时刻的测量噪声，为状态测量函数。
[0013]优选地，所述扩展卡尔曼滤波算法的时间更新方程包括先验状态更新方程和先验协方差矩阵更新方程；所述先验状态更新方程为：式中，为时刻所述待测动车组镉镍蓄电池的循环容量的后验状态估计值；为时刻所述待测动车组镉镍蓄电池的循环容量的先验状态估计值；所述先验协方差矩阵更新方程为：式中，为对的偏导，为对q的偏导，为时刻后验预测误差协方差矩阵，为时刻的先验预测误差协方差矩阵，为时刻过程误差协方差矩阵。
[0014]优选地，所述扩展卡尔曼滤波算法的滤波更新方程包括卡尔曼增益更新方程、后验状态更新方程和后验协方差矩阵更新方程；所述卡尔曼增益更新方程为：式中，为时刻的测量误差协方差矩阵，为对的偏导，为对的偏导，为卡尔曼增益；所述后验状态更新方程为：所述后验协方差矩阵更新方程为：式中，为单位对角矩阵。
[0015]优选地，将所述循环容量输入至粒子滤波算法中训练，得到容量估计值，具体为：式中，N为采样粒子数目，为时刻第个采样粒子的已归一化的状态值，为时刻第个采样粒子所对应的已归一化的权值。
[0016]优选地，所述时刻第个采样粒子的已归一化的状态值是通过蒙特卡罗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动车组镉镍蓄电池的寿命预测方法，其特征是，包括：对待测动车组镉镍蓄电池进行循环寿命试验，获得所述待测动车组镉镍蓄电池随循环次数变换的循环容量；将所述循环容量输入至粒子滤波算法中训练，得到容量估计值；将所述容量估计值作为扩展卡尔曼滤波算法的实际测量值，利用所述扩展卡尔曼滤波算法预测所述动车组镉镍蓄电池的寿命，具体为：根据所述循环容量确定所述待测动车组镉镍蓄电池容量的递推关系式；根据所述递推关系式确定所述待测动车组镉镍蓄电池状态转移方程和状态测量方程；将所述容量估计值作为扩展卡尔曼滤波算法中所述待测动车组镉镍蓄电池状态测量方程的实际测量值；利用所述扩展卡尔曼滤波算法预测所述动车组镉镍蓄电池的寿命。2.如权利要求1所述的方法，其特征是，所述待测动车组镉镍蓄电池状态转移方程为：式中，为时刻所述待测动车组镉镍蓄电池的循环容量，为时刻所述待测动车组镉镍蓄电池的循环容量，为时刻所述待测动车组镉镍蓄电池的过程噪声，为状态转移函数。3.如权利要求2所述的方法，其特征是，所述待测动车组镉镍蓄电池状态测量方程为：式中，为时刻待测动车组镉镍蓄电池的后验状态估计值，为时刻所述待测动车组镉镍蓄电池的循环容量，为时刻的测量噪声，为状态测量函数。4.如权利要求3所述的方法，其特征是，所述扩展卡尔曼滤波算法的时间更新方程包括先验状态更新方程和先验协方差矩阵更新方程；所述先验状态更新方程为：式中，为时刻所述待测动车组镉镍蓄电池的循环容量的后验状态估计值；为时刻所述待测动车组镉镍蓄电池的循环容量的先验状态估计值；所述先验协方差矩阵更新方程为：式中，为对的偏导，为对q的偏导，为时刻后验预测
误差协方差矩阵，为时刻的先验预测...

【专利技术属性】
技术研发人员：于天剑，代毅，刘嘉文，成庶，伍珣，
申请(专利权)人：中南大学，
类型：发明
国别省市：