基于HHT-ARIMA-PF锂电池剩余寿命预测方法技术

本发明专利技术公开了基于HHT

【技术实现步骤摘要】
基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法


[0001]本专利技术涉及锂电池剩余寿命预测
，具体涉及一种基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法。

技术介绍

[0002]在工业革命以后，大量的使用传统的化工能(煤炭、石油)，造成了潜在的资源危机。新能源的开发与应用可以减轻人类对于生态环境的破坏。锂电池是能量存储装置的典型代表，在很多领域都有广泛的应用。在电气领域中，将锂离子电池引入到电力系统中，应用于储能电站，可以高效提升储能电站对可再生能源的存储能力和消纳能力。由于锂电池自身的缺陷，很容易引起过热失控，从而引发严重的事故，威胁到人们的生命和财产。所以，如何监测并预测锂离子电池的剩余寿命，追踪其剩余容量大小，就显得尤为重要。
[0003]目前，针对锂电池剩余寿命预测(RUL)的方法大体上分成三个类别，分别为模型法、数据驱动方法以及混合方法。然而，由于其工作环境和温度变化大，且受内部因素的影响也很大，很难建立一个稳定、准确的电池容量劣化模型。因此本专利技术提出一种基于HHT
‑
ARIMA
‑
PF的锂电池剩余寿命预测方法。
[0004]锂离子电池在充放电过程中容量参数容易受到电磁脉冲、仪表误差、电池老化和容量再生造成的内部不稳定等因素的影响，导致信号中出现强度、类型不一的噪声，从而会影响锂电池剩余寿命的测量准确性。因此针对噪声对电池寿命预测的影响，本专利技术提出基于HHT和Bessel结合处理容量退化数据，得到多个内在模函数和一个趋势项，并对其分别进行预测，该方法在完美地去除噪声的同时，还能较好地保留容量退化数据的固有特征，提升预测的精确性。
[0005]名词解释：HHT即希尔伯特黄变换，Hilbert
‑
Huang Transform；
[0006]ARIMA全称为自回归(autoregressive)、综合移动平均(integrated)、滑动平均(moving average)模型；
[0007]PF即粒子滤波模型；

技术实现思路

[0008]1.所要解决的技术问题：
[0009]针对上述技术问题，本专利技术提供一种基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法，相比于其他时序分析方法，该方法能够按频率排列提取出IMF信号并得到单分量信号的瞬时频率，去噪精度更高，预测更加精确。
[0010]2.技术方案：
[0011]基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法，其特征在于：包括以下步骤：
[0012]步骤一：特征因子提取；对获取的锂离子电池数据提取出与电池退化特征有关的特征因子，并评估特征因子对应的特征与电池容量之间的相关度，构建电池容量特征数据集；所述相关度的评估采用预设的特征因子和电池容量进行Spearman相关系数定量分析，
确定特征因子和电池容量是否是强相关；
[0013]步骤二：基于EMD将电池容量特征数据集分解成内部模态函数IMF分量和趋势项；然后对各内部模态函数IMF和趋势项与原始信号的互相关系数进行初步分析，判断其中含高频噪声的内部模态函数IMF，并采用Hilbert频谱分析最终确认含高频噪声的IMF分量；然后采用Bessel低通滤波器仅对含高频噪声的内部模态函数IMF处理；最后将处理后的内部模态函数IMF、不含噪的内部模态函数IMF和趋势项进行重新排列组合，即为处理后的电池容量信号；
[0014]步骤三：对处理后的电池容量信号中所有内部模态函数IMF均计算平均周期后使用ARIMA模型进行预测，得到预测后的内部模态函数IMF；对处理后的电池容量信号中趋势项使用粒子滤波PF模型进行预测；
[0015]步骤四：将基于ARIMA的内在模函数预测结果与基于PF的趋势项预测结果相加，即为电池容量的预测值；
[0016]步骤五：计算锂电池剩余寿命RUL的预测值。
[0017]进一步地，步骤一中提取出的预设的特征因子包括恒流充电阶段电压HI1、恒流充电时间HI2、恒流放电时间HI3和电池平均内阻HI4，通过特征因子来表征电池容量序列从而实现构建电池容量特征数据集；提取过程具体为：
[0018]S11：恒流充电阶段电压HI1：
[0019]HI1(i)＝U
min
(i)(1)
[0020]S12：恒流充电时间HI2：
[0021]HI2(i)＝t
c,end
(i)
‑
t
c,0
(i)(2)
[0022]S13：恒流放电时间HI3：
[0023]HI3(i)＝t
d,end
(i)
‑
t
d,0
(i)(3)
[0024]S14：电池平均内阻HI4：
[0025]HI4(i)＝R(i)(4)
[0026](1)
‑
(4)式中，U
min
(i)为第i个循环周期的第二恒流充电阶段电压骤降结束点的电压数值；t
c,0
(i)为第i个循环周期的阶段式恒流充电开始时刻；t
c,end
(i)为第i个循环周期的阶段式恒流充电结束时刻；t
d,0
(i)为第i个循环周期恒流放电开始时刻，t
d,end
(i)为第i个循环周期恒流放电结束时刻；R(i)为第i个循环周期测得的电池平均内阻。
[0027]进一步地，步骤二具体包括：
[0028]S21:对电池容量时序进行经验模态分解，分解的公式为：
[0029][0030]式(5)中，X
max
(t)、X
min
(t)分别表示上包络序列和下包络序列；m(t)为t时刻的瞬时平均值；h(t)为类距平值序列，r1(t)为剩余序列；I1(t)为分解出来的第一个内部模态函数；
[0031]S22：将剩余序列r1(t)作为新的原序列重复步骤S21进行分解，依次分解出第二个，直至第i个时，当剩余序列为常数或者为单调序列时结束分解，此时内模态函数表示为I
i
(t)，剩余序列即为趋势项表示为r
i
(t)；
[0032]S23：将S22得到的所有内模函数即IMF分量，分别作Hilbert频谱分析确定其中含高频噪声分量并对高频噪声分量进行Bessel处理，得到去噪声后的IMF分量；
[0033]S24:将去噪声后的内部模态函数IMF、不含噪的内部模态函数IMF和趋势项进行重新排列组合，即为处理后的电池容量信号。
[0034]进一步地，步骤三中使用ARIMA模型进行预测的过程为：
[0035]S31:将处理后的电池容量信号的内部模态函数IMF的序列进行预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法，其特征在于：包括以下步骤：步骤一：特征因子提取；对获取的锂离子电池数据提取出与电池退化特征有关的特征因子，并评估特征因子对应的特征与电池容量之间的相关度，构建电池容量特征数据集；所述相关度的评估采用预设的特征因子和电池容量进行Spearman相关系数定量分析，确定特征因子和电池容量是否是强相关；步骤二：基于EMD将电池容量特征数据集分解成内部模态函数IMF分量和趋势项；然后对各内部模态函数IMF和趋势项与原始信号的互相关系数进行初步分析，判断其中含高频噪声的内部模态函数IMF，并采用Hilbert频谱分析最终确认含高频噪声的IMF分量；然后采用Bessel低通滤波器仅对含高频噪声的内部模态函数IMF处理；最后将处理后的内部模态函数IMF、不含噪的内部模态函数IMF和趋势项进行重新排列组合，即为处理后的电池容量信号；步骤三：对处理后的电池容量信号中所有内部模态函数IMF均计算平均周期后使用ARIMA模型进行预测，得到预测后的内部模态函数IMF；对处理后的电池容量信号中趋势项使用粒子滤波PF模型进行预测；步骤四：将基于ARIMA的内在模函数预测结果与基于PF的趋势项预测结果相加，即为电池容量的预测值；步骤五：计算锂电池剩余寿命RUL的预测值。2.根据权利要求1所述的基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法，其特征在于：步骤一中提取出的预设的特征因子包括恒流充电阶段电压HI1、恒流充电时间HI2、恒流放电时间HI3和电池平均内阻HI4，通过特征因子来表征电池容量序列从而实现构建电池容量特征数据集；提取过程具体为：S11：恒流充电阶段电压HI1：HI1(i)＝U
min
(i)(1)S12：恒流充电时间HI2：HI2(i)＝t
c,end
(i)
‑
t
c,0
(i)(2)S13：恒流放电时间HI3：HI3(i)＝t
d,end
(i)
‑
t
d,0
(i)(3)S14：电池平均内阻HI4：HI4(i)＝R(i)(4)(1)
‑
(4)式中，U
min
(i)为第i个循环周期的第二恒流充电阶段电压骤降结束点的电压数值；t
c,0
(i)为第i个循环周期的阶段式恒流充电开始时刻；t
c,end
(i)为第i个循环周期的阶段式恒流充电结束时刻；t
d,0
(i)为第i个循环周期恒流放电开始时刻，t
d,end
(i)为第i个循环周期恒流放电结束时刻；R(i)为第i个循环周期测得的电池平均内阻。3.根据权利要求1所述的基于HHT
‑
ARIMA
‑
PF锂电池剩余寿命预测方法，其特征在于：步骤二具体包括：S21:对电池容量时序进行经验模态分解，分解的公式为：
式(5)中，X
max
(t)、X
min
(t)分别表示上包络序列和下包络序列；m(t)为t时刻的瞬时平均值；h(t)为类距平值序列，r1(t)为剩余序列；I1(t)为分解出来的第一个内部模态函数；S22：将剩余序列r1(t)作为新的原序列重复步骤S21进行分解，依次分解出第二个，直至第i个时，当剩余序列为常数或者为单调序列时结束分解，此时内模态函数表示为I
i
(t)，剩余序列即为趋势项表示为r
i
(t)；S23：将S22得到的所有内模函数即IMF分量，分别作Hilbert频谱分析确定其中含高频噪声分量并对高频噪声...

【专利技术属性】
技术研发人员：张溱桦，陈建华，李军，李婧娇，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：