一种电动汽车动力电池剩余寿命预测方法技术

本发明专利技术公开一种电动汽车动力电池剩余寿命预测方法，包括如下步骤：步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据；步骤二、对步骤一获取得来的数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点，根据得到清洗后的数据，分析数据间的相关性选取特征参数；步骤三、将步骤二获取的所述特征参数的数据序列依次进行EMD分解；将去噪后的分量进行重构，得到优化后的数据序列；步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO

【技术实现步骤摘要】
一种电动汽车动力电池剩余寿命预测方法


[0001]本专利技术属于电池
，具体涉及一种电动汽车动力电池剩余寿命预测方法。

技术介绍

[0002]近年来，随着能源危机越来越严重，新能源汽车以其优良的节能环保特点，已成为未来汽车产业的发展重点。其中，搭载在新能源汽车上的动力电池的电池寿命直接影响着新能源汽车的性能和运行情况，因此，预测动力电池的电池寿命已成为新能源汽车研究中至关重要的一个环节。
[0003]电池管理系统(Battery Management System,BMS)可以实时的监控和测量动力电池的运行状态，保证动力电池系统的性能稳定，提高电动汽车的驾驶安全性。BMS主要功能包括数据采集通信、SOC估计、健康状态(State of Health,SOH)估计、RUL预测、电池均衡、热管理、安全管理和控制等，近年来一直是研究热点。
[0004]SOC表征的是电池的剩余电量，但是不可以直接测量，需要通过电池的电压、电流、温度等间接估计得到。精确的SOC估计可以确保电动汽车正常运行，防止动力电池过充过放，对电池起到一定的保护作用。SOH表征的是电池的老化状态，即当前时刻电池最大可用容量与电池额定容量的百分比。随着电池的老化，SOH逐步下降，当SOH<80％时，电池就应该被更换。
[0005]RUL通常指为从当前观测时刻到电池寿命终止(End of Life,EOL)所需的时间，一般用剩余充放电循环次数表示。在SOC和SOH联合估计的基础上，电池RUL预测以SOH估计值为输入，分析其变化规律，预测其后续变化，RUL即预测SOH值下降到80％时所需的循环次数。
[0006]动力电池的SOH和RUL直接影响着电池系统的安全性和可靠性，SOH估计和RUL预测可以为电池的检测和诊断提供依据，以延长电池的使用年限，并为电池的管理和控制提供决策参考和预测性维护信息，以便及时维护或更换电池系统。

技术实现思路

[0007]本专利技术的目的是为了解决上述现有技术上存在的问题，提供一种电动汽车动力电池剩余寿命预测方法，本方案能够对电动汽车动力电池的剩余循环寿命预测，同时预测准确率高。
[0008]为实现上述目的，本专利技术采用如下技术方案：一种电动汽车动力电池剩余寿命预测方法，包括如下步骤：步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据；步骤二、对步骤一获取的原始数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点，根据得到清洗后的数据，分析原始数据间的相关性选取特征参数，特征参数包括充电起始电压、充电结束时的电压、SOC极差、充电倍率和累计充电次数；步骤三、将步骤二获取的特征参数的数据序列依次进行EMD分解，数据序列得到n个固有模态函数imf分量；采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪，以去除imf伪分
量；将去噪后的imf分量进行重构，得到优化后的数据序列；步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO
‑
BP神经网络模型中进行迭代预测，输出设置为该电池的容量，从而预测动力电池的剩余寿命。
[0009]作为优选方案，所述步骤四中，ILPSO
‑
BP神经网络模型由待预测电池型号相同的若干动力电池的历史行驶数据序列训练得到。
[0010]作为优选方案，所述步骤三中，将特征参数数据进行EMD分解，将含噪信号x(i)经EMD分解为：
[0011][0012]式中,x(i)为含噪信号在i时刻的的观测值；imf为本征模态函数，且频率由高到低排列；r(i)为残余分量；j为本征模态函数的个数。
[0013]作为优选方案，所述步骤三中，对所有imf分量和原始信号相关系数进行归一化处理，以避免幅值较小的真实imf分量被去除。
[0014]作为优选方案，所述步骤四中，还包括构建电池寿命预测模型，构建电池寿命预测模型采用ILPSO算法；ILPSO算法用于改变粒子位置更新公式并加速算法迭代，通过该方法利用训练集数据对BP神经网络进行训练，得到满足条件的电池寿命预测模型，进而完成电池的寿命预测。
[0015]作为优选方案，所述步骤四中，还包括构建电池寿命预测模型，构建电池寿命预测模型采用传统的PSO算法上引入Levy飞行算法；提出一种用于改变粒子位置更新公式并加速算法迭代的ILPSO算法，通过该方法利用训练集数据对BP神经网络进行训练，得到满足条件的电池寿命预测模型，进而完成电池的寿命预测。
[0016]作为优选方案，所述步骤四中，传统的PSO算法上引入Levy飞行算法通过下式来改变粒子的位置：
[0017][0018]其中，α＝α0(x
id
‑
p
gd
)是步长信息，用于控制Levy飞行随机搜索的范围，其中α0＝0.01；为点乘符号；Levy(β)＝s；是对粒子采用Levy飞行后的粒子位置；x
id
和v
id
分别为本代粒子的位置和速度；k为当前迭代次数。
[0019]作为优选方案，所述步骤四中，为了保证粒子可以脱离局部极值并增加PSO算法寻优能力，从而提出一种指引Levy飞行方向的方法，具体位置更新公式如下式所示：
[0020][0021]式中，和分别为本代粒子的位置和速度；||
·
||表示取模；表示粒子朝着最优粒子的方向飞行；S是服从伯努利分布的随机变量，S～B(p)，S的值取0或1，取1的概率为P；概率p的取值与粒子位置有关。
[0022]本专利技术至少具有如下有益效果：
[0023]其一、本方案通过对待预测电动汽车动力电池的实际行驶数据进行采集、清洗、整
理，并分析数据间的相关性，选取充电起始电压、充电结束时的电压、SOC极差、充电倍率、累计充电次数为特征参数；将特征数据序列进行经验模态分解(Empirical mode decomposition，EMD)，得到优化后的数据序列；将优化后的数据序列输入至训练好的ILPSO
‑
BP神经网络模型中，得到待预测动力电池的剩余寿命，本专利技术能够对电动汽车动力电池的剩余循环寿命预测，同时预测准确率高。
[0024]其二、优选方案中，在传统的PSO算法上引入Levy飞行算法，提出一种改变粒子位置更新公式并加速算法迭代的方法，即ILPSO。通过该方法利用训练集数据对BP神经网络进行训练，得到满足条件的寿命预测模型，进而完成电池的寿命预测。Levy飞行与PSO算法的结合是在PSO算法的迭代过程中加入Levy飞行来改变粒子的位置。在PSO算法中，粒子的位置改变主要靠上一代的位置和本代的速度决定，使得粒子的位置更新受到上一代的粒子影响较重而失去多样性，从而容易陷入局部最优。Levy飞行策略与PSO算法结合(LPSO)是通过来改变粒子的位置，能够在一定程度上改善粒子的多样性。
[0025]其三、优选方案中，为了保证粒子可以脱离局部极值，增加PSO算法寻优能力，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车动力电池剩余寿命预测方法，其特征在于，包括如下步骤：步骤一、获取待预测电动汽车动力电池的历史充放电数据作为原始数据；步骤二、对步骤一获取的原始数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点，根据得到清洗后的数据，分析原始数据间的相关性选取特征参数，特征参数包括充电起始电压、充电结束时的电压、SOC极差、充电倍率和累计充电次数；步骤三、将步骤二获取的特征参数的数据序列依次进行EMD分解，数据序列得到n个固有模态函数imf分量；采用基于imf分量与原始信号相关系数的选取原则来判断imf分量的真伪，以去除imf伪分量；将去噪后的imf分量进行重构，得到优化后的数据序列；步骤四、将步骤三优化后的数据序列输入至训练好的ILPSO
‑
BP神经网络模型中进行迭代预测，输出设置为该电池的容量，从而预测动力电池的剩余寿命。2.如权利要求1所述的一种电动汽车动力电池剩余寿命预测方法，其特征在于，所述步骤四中，ILPSO
‑
BP神经网络模型由待预测电池型号相同的若干动力电池的历史行驶数据序列训练得到。3.如权利要求2所述的一种电动汽车动力电池剩余寿命预测方法，其特征在于，所述步骤三中，将特征参数数据进行EMD分解，将含噪信号x(i)经EMD分解为：式中,x(i)为含噪信号在i时刻的的观测值；imf为本征模态函数，且频率由高到低排列；r(i)为残余分量；j为本征模态函数的个数。4.如权利要求3所述的一种电动汽车动力电池剩余寿命预测方法，其特征在于，所述步骤三中，对所有imf分量和原始信号相...

【专利技术属性】
技术研发人员：吴琼，徐锐良，杨晴霞，徐立友，高建平，闫祥海，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：