一种基于卡尔曼滤波的锂电池寿命预测方法和系统技术方案

本发明专利技术公开了一种基于卡尔曼滤波的锂电池寿命预测方法和系统，其方法包括：根据充放电曲线和Nernst模型的特征参数训练寿命预测模型；所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线；基于所述Nernst模型通过预设学习模型，输出不同工况、不同寿命下的充放电曲线概率簇；根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据，通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。本发明专利技术通过Nernst模型和无迹卡尔曼滤波的联用，提供了较为可信的锂电池寿命和置信度的预测方法，提高两相反应锂电池剩余寿命的预测精度。池剩余寿命的预测精度。池剩余寿命的预测精度。

【技术实现步骤摘要】
一种基于卡尔曼滤波的锂电池寿命预测方法和系统


[0001]本专利技术涉及锂电池
，进一步地涉及一种基于卡尔曼滤波的锂电池寿命预测方法和系统。

技术介绍

[0002]全球“碳中和”背景下，对可代替石油能源的清洁能源寻找热情持续升温。太阳能、潮汐能、风能、水能等是一种清洁的可持续利用的能源，但能源产生的介质可控性相对不是很强。锂离子电池是目前新一代二次电池、其具有较高的能量密度和循环寿命，目前广泛应用于移动通信、数码科技、电动汽车、能源存储等领域，未来对锂离子电池及其材料的需求难以估量、其配套的上下游产业链也市场巨大。目前，对于锂电池剩余寿命预测这方面的研究成为了一项研究热点。
[0003]锂电池剩余寿命预测的主要方法分三种：模型法、数据驱动法以及融合法。数据驱动法是目前应用是其中最为广泛的方法。这种方法不需要考虑锂电池内部的实际电化学反应和失效机理，直接从测试得到的电池性能测试数据和状态监测数据(如电压、电流、温度、阻抗等)中分析挖掘隐藏的电池健康状态信息及其变化规律，最终实现对锂电池的RUL预测。
[0004]目前主流的基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波的锂电池寿命预测方法，其特征在于，包括步骤：根据充放电曲线和Nernst模型的特征参数训练寿命预测模型；所述充放电曲线为在不同工况、不同寿命下两相反应锂电池的曲线；基于所述Nernst模型通过预设学习模型，输出不同工况、不同寿命下的充放电曲线概率簇；根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据，通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命。2.根据权利要求1所述的基于卡尔曼滤波的锂电池寿命预测方法，其特征在于，所述根据充放电曲线和Nernst模型的特征参数训练寿命预测模型包括步骤：采集不同工况、不同寿命下的两相反应锂电池的充放电曲线；基于Nernst模型对所述充放电曲线进行参数提取得到所述特征参数；根据不同工况下锂电池的剩余寿命及所述特征参数，训练得到所述寿命预测模型。3.根据权利要求1所述的基于卡尔曼滤波的锂电池寿命预测方法，其特征在于，所述根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据，通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命包括步骤：确定所述充放电曲线概率簇作为所述锂电池的状态转移矩阵，并确定所述测量数据作为所述锂电池的观测方程矩阵；根据所述状态转移矩阵和观测方程矩阵，通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵，根据所述最大似然状态矩阵预测得到所述预测剩余寿命。4.根据权利要求3所述的基于卡尔曼滤波的锂电池寿命预测方法，其特征在于，所述根据所述状态转移矩阵和观测方程矩阵，通过卡尔曼滤波计算得到当前时刻的最大似然状态矩阵，根据所述最大似然状态矩阵预测得到所述预测剩余寿命包括步骤：获取系统误差矩阵、状态转移矩阵和当前时刻的观测方程矩阵，以及上一时刻的最大似然后验矩阵；根据各传感器的误差分布的方差建立先验误差矩阵；将所述先验误差矩阵、系统误差矩阵和状态转移矩阵，代入下列公式计算得到卡尔曼增益系数：K＝P
k
‑
H
T
(H
·
P
k
·
H
T
+R)
‑1；将所述状态转移矩阵、所述上一时刻的最大似然后验矩阵，代入下列公式计算得到当前时刻的状态方程矩阵：Xk
‑
＝X
k
‑1·
H；将所述状态转移矩阵、卡尔曼增益系数、上一时刻的最大似然后验矩阵、当前时刻的状态方程矩阵和当前时刻的观测方程矩阵，代入下列公式计算得到当前时刻的最大似然后验矩阵：X
k
＝Xk
‑
+K(Z
k
‑
H*X
k
‑1)；其中，K为所述卡尔曼增益系数，P
k
为所述先验误差矩阵，H为所述状态转移矩阵，H
T
为所述状态转移矩阵的转置矩阵，R为所述系统误差矩阵，()
‑1为逆矩阵运算符号，Xk
‑
为所述当前时刻的状态方程矩阵，X
k
‑1为所述上一时刻的最大似然后验矩阵，X
k
为当前时刻的最大似然后验矩阵，Z
k
为所述当前时刻的观测方程矩阵；
根据所述当前时刻的最大似然后验矩阵对应的充放电曲线，基于Nernst模型方程拟合得到Nernst模型的特征参数；将所述特征参数输入至所述寿命预测模型得到所述预测剩余寿命。5.根据权利要求1
‑
4任一项所述的基于卡尔曼滤波的锂电池寿命预测方法，其特征在于，所述根据所述寿命预测模型、充放电曲线概率簇和传感器返回的针对锂电池的测量数据，通过卡尔曼滤波预测锂电池在下一时刻的预测剩余寿命之后包括步骤：生成所述锂电池在每一时刻的预测剩余寿命的目标曲线图；获取所述目标曲线图的所有斜率值，查找出小于预设斜率阈值的目标斜率值；确定所述目标斜率值为所述锂电池的寿命跳水点，并根据所...

【专利技术属性】
技术研发人员：顾单飞，丁鹏，郝平超，吴炜坤，宋佩，赵恩海，严晓，陈晓华，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：