基于维纳过程和极限学习机的电池剩余寿命预测方法技术

本发明专利技术公开了一种基于维纳过程和极限学习机的电池剩余寿命预测方法，通过加速历史电池的寿命实验，获取历史电池在不同时刻的退化量；然后利用历史电池的退化数据估计维纳过程模型的参数；接着通过两阶段参数更新的方法对待测电池的维纳过程模型参数进行迭代更新，并将更新后的模型参数用于生成仿真电池退化数据；最后通过极限学习机预测当前时刻下待测电池的剩余寿命，具有预测精度高、实时性好等特点。点。点。

【技术实现步骤摘要】
基于维纳过程和极限学习机的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，涉及一种基于维纳过程和极限学习机的电池剩余寿命预测方法。

技术介绍

[0002]近年来，随着电动汽车的不断发展，电池被越来越多地应用于电动汽车的供能系统中。因此，对于电动汽车来说，电池的可靠性影响着整个电动汽车运行的稳定性，而对电池的剩余寿命(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)是获得电动汽车可靠性信息的重要途径，可进一步为实现电动汽车在线监测与健康管理提供依据；(2)有助于促使生产商对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电池老化数据；(4)可实现视情维修，使终端使用者获得电动汽车更多的寿命信息以减少对电动汽车维护的投入。
[0003]而现有的电池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各系统模块的RUL信息，但需要对电池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电池输出特征量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，提供一种基于维纳过程和极限学习机的电池剩余寿命预测方法，减小了由于历史电池退化数据与待测电池退化数据之间的差异导致的剩余寿命预测误差，从而提高了剩余寿命预测的准确度。
[0005]为实现上述专利技术目的，本专利技术一种基于维纳过程和极限学习机的电池剩余寿命预测方法，其特征在于，包括以下步骤：
[0006](1)、获取历史电池在不同时刻的退化量；
[0007]通过加速N个历史电池的寿命实验，采样每个历史电池在不同时刻的容量，再将每个历史电池在不同时刻的容量与初始容量做差，获得每个历史电池在不同时刻容量的退化量，其中，第i个历史电池在不同时刻容量的退化量记为其中，i＝1,2,
…
,N，表示第i个历史电池的初始容量退化量，表示第i个历史电池在第t个时刻
的容量退化量，t＝1，2，...m
i
，m
i
表示第i个电池的数据长度；
[0008](2)、构建历史电池在每个采样时刻的维纳过程模型；
[0009]X(t)＝x0+at
b
+σ
B
B(t)
[0010]其中，x0表示历史电池的初始容量退化量，a表示维纳过程的漂移系数，t
b
表示历史电池容量退化量的趋势函数，σ
B
是维纳过程的扩散系数，B(t)为标准布朗运动；
[0011](3)、利用极大似然函数估计维纳过程模型的参数；
[0012](3.1)、构建历史电池的似然函数；
[0013]根据(2)中的维纳过程模型，构建历史电池的似然函数：
[0014][0015]其中，表示第i个历史电池的维纳过程模型的参数；表示第i个历史电池容量退化量的一阶差分；表示第i个历史电池容量退化量趋势函数在不同采样时刻的一阶差分；表示ΔX
i
的协方差矩阵，为m
i
‑
1阶的单位矩阵；
[0016](3.2)、求解似然函数的参数；
[0017]令上述似然函数关于a
i
和的一阶偏导数为0，得到：
[0018][0019][0020]再将上述a
i
和的表达式代入似然函数中，并利用Matlab中的
‘
fimcon
’
函数求得N个历史电池的参数估计值，分别为[b1，b2，...b
N
]，[b1，b2，...b
N
]和
[0021](4)、获取待测电池在前t
u
个时刻的容量退化量；
[0022]按照步骤(1)所述方法获取待测电池在前t
u
个时刻的容量退化量其中，x0表示待测电池的初始容量退化量，表示在第个时刻的容量退化量，t
u
表示当前时刻；
[0023](5)、判断待测电池当前时刻的容量退化量是否达到了失效阈值w，如果达到了，则跳转至步骤(9)；否则，进入步骤(6)；
[0024](6)、利用维纳过程模型生成待测电池容量退化量的仿真数据；
[0025](6.1)、设置更新循环次数N
loop
，初始化当前循环次数l＝1；令A＝[a1，a2，...a
N
]，B＝[b1，b2，...b
N
]；
[0026](6.2)、设待测电池的漂移系数服从正态分布待测电池容量退化量的趋势函数的参数服从正态分布其中，的值等于A的均值，的值等于A的方差；的值等于B的均值，的值等于B的方差；
[0027](6.3)、从分布和中分别采样得到组参数和再令待测电池的扩散系数为历史电池扩散系数的均值；
[0028]最后，将组参数代入维纳过程模型中，得到组待测电池容量退化量的仿真数据，
[0029](6.4)、令l＝l+1，再判l是否大于或等于N
loop
，如果是，则进入步骤(8)；否则，进入步骤(7)；
[0030](7)、两阶段参数更新；
[0031](7.1)、离线阶段参数更新；
[0032](7.1.1)、基于相关系数的参数更新；
[0033]计算待测电池的第j组仿真数据与N组历史电池容量退化量之间的相关系数，如果第j组仿真数据与每一组历史电池容量退化量之间的相关系数的值都大于0.8，则保留第j组仿真数据对应的参数
[0034]设待测电池的组仿真数据中，保留了组仿真数据及对应参数；
[0035](7.1.2)、基于长期退化速率的参数更新；
[0036](7.1.2.1)、计算第i个历史电池的长期退化速率s
i
；
[0037][0038]表示第i个历史电池的初始容量退化量；表示第i个历史电池失效时的容量退化量；表示第i个历史电池失效时经历的时间；
[0039](7.1.2.2)、按照步骤(7.1.2.1)、计算出N个历史电池的长期退化速率，记为S＝[s1,s2,
…
,s
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于维纳过程和极限学习机的电池剩余寿命预测方法，其特征在于，包括以下步骤：(1)、获取历史电池在不同时刻的退化量；通过加速N个历史电池的寿命实验，采样每个历史电池在不同时刻的容量，再将每个历史电池在不同时刻的容量与初始容量做差，获得每个历史电池在不同时刻容量的退化量，其中，第i个历史电池在不同时刻容量的退化量记为其中，i＝1,2,
…
,N，表示第i个历史电池的初始容量退化量，表示第i个历史电池在第t个时刻的容量退化量，t＝1，2，...m
i
，m
i
表示第i个电池的数据长度；(2)、构建历史电池在每个采样时刻的维纳过程模型；X(t)＝x0+at
b
+σ
B
B(t)其中，x0表示历史电池的初始容量退化量，a表示维纳过程的漂移系数，t
b
表示历史电池容量退化量的趋势函数，σ
B
是维纳过程的扩散系数，B(t)为标准布朗运动；(3)、利用极大似然函数估计维纳过程模型的参数；(3.1)、构建历史电池的似然函数；根据(2)中的维纳过程模型，构建历史电池的似然函数：其中，表示第i个历史电池的维纳过程模型的参数；表示第i个历史电池容量退化量的一阶差分；表示第i个历史电池容量退化量趋势函数在不同采样时刻的一阶差分；表示ΔX
i
的协方差矩阵，为m
i
‑
1阶的单位矩阵；(3.2)、求解似然函数的参数；令上述似然函数关于a
i
和的一阶偏导数为0，得到：的一阶偏导数为0，得到：再将上述a
i
和的表达式代入似然函数中，并利用Matlab中的
‘
fimcon
’
函数求得N个历史电池的参数估计值，分别为[a1，a2，...a
N
]，[b1，b2，...b
N
]和(4)、获取待测电池在前t
u
个时刻的容量退化量；按照步骤(1)所述方法获取待测电池在前t
u
个时刻的容量退化量其中，x0表示待测电池的初始容量退化量，表示在第个时刻的容量退化量，t
u
表示当前时刻；(5)、判断待测电池当前时刻的容量退化量是否达到了失效阈值w，如果达到了，则跳
转至步骤(9)；否则，进入步骤(6)；(6)、利用维纳过程模型生成待测电池容量退化量的仿真数据；(6.1)、设置更新循环次数N
loop
，初始化当前循环次数l＝1；令A＝[a1，a2，...a
N
]，B＝[b1，b2，...b
N
]；(6.2)、设待测电池的漂移系数服从正态分布待测电池容量退化量的趋势函数的参数服从正态分布其中，的值等于A的均值，的值等于A的方差；的值等于B的均值，的值等于B的方差；(6.3)、从分布和中分别采样得到组参数和再令待测电池的扩散系数为历史电池扩散系数的均值；最后，将组参数代入维纳过程模型中，得到组待测电池容量退化量的仿真数据...

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