基于粒子群算法下的动力电池剩余使用寿命预测方法技术

本发明专利技术属于新能源汽车电池领域，具体涉及一种基于粒子群算法下的动力电池剩余使用寿命预测方法，在分析新能源汽车动力电池的工作原理的基础上，确立电池寿命衰减的衰退点与电池质量相关运行数据；通过对采集数据去噪，得到高质量的电池运行数据；确定电池剩余寿命预测健康因子指标；构建基于Bi

【技术实现步骤摘要】
基于粒子群算法下的动力电池剩余使用寿命预测方法


[0001]本专利技术属于新能源汽车电池领域，具体涉及一种基于粒子群算法下的动力电池剩余使用寿命预测方法。

技术介绍

[0002]随着新能源汽车产业的快速发展，对于动力电池(简称电池)的需求量也与日俱增，电池的质量和健康状态对于新能源汽车的性能和使用寿命至关重要。电池的剩余使用寿命(Remaining Useful Life，RUL)预测，不仅可以提高新能源汽车的可靠性和安全性，还可以降低维护成本和增加车辆的可持续性。另一方面，在开展电池剩余使用寿命预测时，若不能及时对电池质量数据去噪，会使预测精度降低。因此，对新能源汽车电池实施必要的剩余使用寿命精准预测，已经成为当前新能源汽车制造行业亟待解决的问题。

技术实现思路

[0003]针对上述情况，为了有效提升新能源汽车电池剩余使用寿命预测精度，本专利技术提供了一种基于粒子群算法下的动力电池剩余使用寿命预测方法。该方法基于新能源汽车电池的工作原理，分析得到电池寿命衰减的衰退点与电池质量相关参数，通过构建Bi
‑
LSTM网络，实现新能源汽车电池剩余使用寿命预测，所提出的方法能够实现对新能源汽车电池的剩余使用寿命进行预测，实时性高，执行速度快，且预测精度高，可靠性强。
[0004]为了实现以上目的，本专利技术采用如下技术方案：
[0005]基于粒子群算法下的动力电池剩余使用寿命预测方法，在分析新能源汽车动力电池的工作原理的基础上，确立电池寿命衰减的衰退点与电池质量相关运行数据；通过对采集数据去噪，得到高质量的电池运行数据；确定电池剩余寿命预测健康因子指标；构建基于Bi
‑
LSTM网络的新能源汽车动力电池剩余寿命预测模型；使用粒子群算法对模型参数优化，得到最佳预测模型；最后，将新能源汽车动力电池的容量、内阻以及温度作为模型的输入数据，实现对新能源汽车动力电池剩余寿命的精准预测，具体步骤如下：
[0006]步骤1、确立电池寿命衰减的衰退点与电池质量相关运行数据。
[0007]新能源汽车电池的运行原理为：在充电过程中，电池内部会自动开展电化学反应将传入的电能转换成化学能量并完成储存；放电时，电池内部存储的化学能可以自动转换成电能，给携带设备提供充足的驱动能量。电池在使用过程中，电池长时间(电池循环充放电次数)的使用会使电池材料性能退化，从而影响电池的剩余使用寿命，另一方面，电池使用环境温度、充放电电流大小的随时变化，都会加速电池内部衰退速度，从而加速电池剩余使用寿命的缩短。
[0008]基于以上分析，设定电池的电压为V
dc
、恒定电压为V
hd
，额定电池容量为P
rdrl
，以此确定电池在电流发生变化时电压的动态特性，确定电池寿命衰减的衰退点，结果如下式所示：
[0009][0010]式(1)中，电池电流内阻值表述成R
i
形式，过滤电流表述成i
*
形式，实际放电容量记作p形式，指数区间内的电压下降幅值系数标记成A，时间常数标记成C，极化电阻用Z
jh
描述。
[0011]由以上分析可得到，可利用电池寿命衰减的衰退点，来计算新能源汽车电池健康因子；将新能源汽车电池的运行容量、内阻以及温度作为新能源汽车电池剩余使用寿命预测模型的输入数据。
[0012]步骤2：采集数据去噪。
[0013]以时间点开展电池质量数据采集，由于采集的数据中存在大量噪声，需要使用小波阈值去噪算法对数据去噪，获取完整的电池运行数据。
[0014]电池质量数据完成采集后，设定带有噪声电池质量数据表述形式如下式所示：
[0015]g(i)＝s(i)+α(i)
ꢀꢀꢀ
(2)
[0016]式(2)中，数据信号长度表述成i形式，真实电池质量数据信号描述成s(i)形式，噪声数据信号表述成α(i)形式，原始电池质量信号描述成g(i)形式。
[0017]基于上述电池质量数据信号表述形式，使用小波邻域阈值分类去噪算法对电池质量数据去噪处理，去噪结果如下：
[0018](1)根据上述获取的数据信号表述形式对含有噪声的电池质量数据信号实施小波变换，并根据变换结果设定数据信号在χ尺度下的第j个小波系数为W
χ,j
，小波邻域阈值表述成θ形式，以此获取数据信号的噪声标准差估计值，结果如下式所示：
[0019][0020]式(3)中，获取的数据信号的噪声标准差估计值描述成形式，噪声系数描述成δ形式。
[0021](2)基于上述计算结果，对信号近似系数子带上的高频系数实施领域阈值计算，并通过计算结果对数据信号上的频带值实施阈值分类，获取真实的信号系数估计值。
[0022](3)通过确定的信号系数估计值对原始电池质量数据信号实施小波逆变换处理，根据处理结果，即可实现电池质量数据信号的去噪处理，获取去噪后的电池质量恢复数据。
[0023]步骤3：确定电池剩余使用寿命预测健康因子指标。
[0024]将电池初始衰退点位置的电池容量作为电池剩余使用寿命预测时的健康因子指标。过程中设定电池充电容量为HI1(健康因子)，电池放电容量为HI2，通过对两个健康因子之间的线性组合，构建融合型电池健康因子，结果如下式所示：
[0025][0026]式(4)中，电池充电容量和放电容量融合系数描述成φ、形式，建立的融合性电池健康因子表述成HI3形式。
[0027]为进一步增强HI3与电池容量之间相关性，使用Box
‑
Cox变换算法对HI3优化处理，优化过程如下：
[0028][0029]式(5)中，变换前健康因子原始序列描述成x
i
形式，变换后的健康因子序列描述成x(λ)形式，优化参数表述成λ形式。
[0030]步骤4：构建基于Bi
‑
LSTM网络的新能源汽车电池剩余使用寿命预测模型。
[0031]将上述确定的健康因子作为预测模型参数，结合Bi
‑
LSTM网络构建新能源汽车电池剩余使用寿命预测模型。
[0032]预测模型构建过程中，基于Bi
‑
LSTM网络结构将预测模型分成输入门ρ(i
t
)、遗忘门ρ(f
t
)以及输出门ρ(u
t
)三个部分，将确定的健康因子作为预测模型预测权重ω，获取不同部分的网络传输路径，结果如下式所示：
[0033][0034]式(6)中，Bi
‑
LSTM网络结构中t时刻神经元输入向量表述成x
t
形式，输出向量表述成l
t
形式，元素乘积记作预测模型偏置项标记成γ，激活函数记作η形式，神经元当前状态表述成c
t
形式，训练权重表述成O形式。
[0035]步骤5：基于粒子群算法的预测模型参数优化。
[0036]为进一步提升预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法下的动力电池剩余使用寿命预测方法，步骤如下：步骤1、在分析电池的工作原理的基础上，通过公式其中，V
dc
表示电池的电压，V
hd
表示恒定电压，Z
jh
表示极化电阻，P
rdrl
表示额定电池容量，p表示实际放电容量，R
i
表示电池电流内阻值，i
*
表示过滤电流，A表示指数区间内的电压下降幅值系数，C表示时间常数，确立电池寿命衰减的衰退点与电池质量的运行数据；步骤2、以时间点开展电池质量数据采集，使用小波阈值去噪算法其中，表示获取的数据信号的噪声标准差估计值，g(i)表示原始电池质量信号，δ表示噪声系数，W
χ,j
表示在χ尺度下的第j个小波系数，θ表示小波邻域阈值，对电池质量数据去噪处理，获取完整的电池运行数据；步骤3、将电池初始衰退点位置的电池容量作为电池剩余使用寿命预测时的健康因子指标，通过公式其中，HI3表示建立的融合性电池健康因子，HI1表示电池充电容量，φ表示电池充电容量融合系数，HI2表示电池放电容量，表示电池放电容量融合系数，确定电池剩余使用寿命预测健康因子；步骤4、将确定电池剩余使用寿命预测健康因子作为预测模型的参数，结合Bi
‑
LSTM网络构建电池剩余使用寿命预测模型；步骤5、基于构建的电池剩余使用寿命预测模型，使用粒子群算法对预测模型参数进行优化，得到最佳的预测模型；步骤6、利用优化后的电池剩余使用寿命预测模型，将电池的容量、内阻以及温度作为预测模型的输入数据，对电池剩余使用寿命进行精准预测。2.根据权利要求1所述的基于粒子群算法下的动力电池剩余使用寿命预测方法，其特征在于：步骤2中原始电池质量信号g(i)通过公式g(i)＝s(i)+α(i)得到，其中，g(i)表示原始电池质量信号，s(i)表示真实电池质量数据信号，α(i)表示噪声...

【专利技术属性】
技术研发人员：王丹，倪龙飞，解博江，乔珊珊，张斌，庞康韶，张浩一，
申请(专利权)人：黄河交通学院，
类型：发明
国别省市：