【技术实现步骤摘要】
一种电动叉车用锂电池剩余寿命预测方法
[0001]本专利技术涉及电动叉车领域,具体涉及电动叉车用锂电池剩余寿命预测方法方法
。
技术介绍
[0002]随着以柴油或丙烷为动力的4类和5类坐式叉车的用户不断转换为1类电动叉车,今天超过一半的叉车是电池驱动的
。
激烈的市场竞争使制造商们纷纷采用新能源技术为大众提供更为环保的车型,可供用户选择的类型呈爆炸式增长
。
由于制造技术的提高,人们普遍认为出色的电池技术是提高竞争力的必需
。
锂电池叉车的市场需求正迅速超过铅酸电池叉车,叉车使用锂电池是行业发展的技术趋势
。
[0003]即便如此,锂电池叉车的发展仍存在一系列需要突破的瓶颈
。
然而,锂电池在长期充放电状态下,其可用容量会降低,性能下降,甚至会产生安全隐患
。
因此,锂电池的剩余使用寿命预测至关重要
。
[0004]近年来,锂电池剩余使用寿命预测主要分为基于模型的方法和数据驱动方法
。
基于模型的方法通常为数学函数和滤波技术相结合
。
文献中有多种研究报道了粒子滤波器
、
卡尔曼滤波
、
维纳过程回归
、Box
‑
Cox
变换等基于模型的方法来预测锂电池的剩余使用寿命,并获得相对准确的预测结果
。
然而,锂电池老化过程中,其老化机制复杂,难以建立准确的老化模型
。
[00 ...
【技术保护点】
【技术特征摘要】
1.
一种电动叉车用锂电池剩余寿命预测方法,其特征在于,其步骤如下:步骤一:将锂电池退化过程中的有用容量分为正常退化趋势容量,再生容量与随机波动容量三个部分;步骤二:对锂电池健康状态退化曲线进行经验模态分解以及长短时记忆神经网络预测长期退化趋势;步骤三:构造锂电池内部等效电路模型,建立电路状态与端电压的关系;步骤四:采用锂电池健康状态
(SOH)、
初始电量状态
(SOC)、
休息时间作为
GPR
的输入量,预测锂电池容量的再生部分;步骤五:选取
Stable
分布参数,生成服从
Stable
分布的随机数作为锂电池随机波动;步骤六:采用蒙特卡洛模拟的方法验证;步骤一中,获取锂电池退化过程中正常退化趋势容量,再生容量与随机波动容量这三个部分的方法是,先将电池健康状态作为一个不超过
100
%的比值,定义电池健康状态
SOH
如下:式中,
SOH
i
表示锂电池第
i
个循环周期的健康状态,
Cap
i
表示第
i
个循环周期的有用容量,
Cap
ini
表示初始容量,利用上述得到的锂电池健康状态建立锂电池退化过程中的健康状态;步骤二中,经验模态分解主要通过对信号进行迭代筛选,将非平稳信号数据分解成一个残差序列
(RES)
和一系列的固有模态函数
(IMF)
,规定有效的
IMF
序列应满足如下两个条件:
1.
极值点和过零点数目应该相等或者最多相差一个;
2.
局部最大值和局部最小值的上下包络线的均值为零,采用经验模态分解预测正常退化趋势的健康状态的方法是:
1.
找出原始信号
x(t)
的局部最大值与局部最小值点;
2.
利用三次样条函数分别对这些局部最大值与局部最小值点进行插值,得到
x(t)
的上包络线
u(t)
和下包络线
l(t)
,对上包络线与下包络线取平均值,得到
3.
令
h(t)
‑
x(t)
‑
m(t)
,判断
h(t)
是否满足
IMF
的条件,若不满足,则继续上述迭代过程直到
h(t)
符合
IMF
条件;
4.
若
h(t)
符合
IMF
条件则得到一个有效的子序列,可表示为
imf
i
(t)
,将
imf
i
从原始信号
x(t)
中滤除,得到新的原始信号
x
i
(t)
,重复上述步骤,得到所有的
imf
i
(t),(i
‑
1,2,3
…
,n)
与一个残差
r0(t)
,最后锂电池退化曲线表示为:再采用长短时神经记忆网络在锂电池已知长期退化趋势数据的基础上预测未来正常退化趋势,长短时记忆神经网络的单元由一个长期状态
c
<t>
和一个短期状态
a
<t>
组成,此外,它依赖于三个控制门:遗忘门
Γ
f
,输入门
Γ
u
和输出门
Γ
o
,隐藏层节点计算取决于当前层的输入和前一时刻节点的激活值,其表达式如下所示:
Γ
u
=
σ
(W
u
[a
<t
‑
1>
,x
<t>
]+b
u
)(3b)
Γ
f
=
σ
(W
f
[a
<t
‑
1>
,x
<t>
]+b
f
)(3c)
Γ
o
=
σ
(W
o
[a
<t
‑
1>
,x
<t>
]+b
o
)(3d)a
<t>
=
Γ
o
*tanh(c
<t>
)(3f)
其中,
W
为权重矩阵,
b
为偏置,
σ
()
为
sigmoid
函数,
x
<t>
为
t
时刻的输入,
a
<t>
与
a
<t
‑
1〉
分别为
t
与
t
‑1时长短时记忆神经单元的输出,
c
<t>
与
c
<t
‑
1>
分别为时间
t
与
t
‑1时的单元状态,为当前输入状态的单元;预测锂电池再生的健康状态的方法是:
1.
通过荷电状态与端电压拟合方程以及建立锂离子电池等效电路模型建立等效电路模型;
2.
通过初始端电压计算得到初始荷电状态,由获取的休息时间
、
初始荷电状态以及当前的健康状态判断休息时间是否超过容量再生时间;
3.
如果休息时间超过容量再生时间阈值则进行高斯过程回归,若没有,则返回到计算初始荷电状态的步骤;
4.
通过高斯过程回归预测锂电池再生的健康状态;步骤三中,锂电池在退化过程中,电极材料与电解质在固液相界面上发生反应,形成一层覆盖于电极材料表面的固体电解质界面膜,这使得锂电池内阻会随着固体电解质界面膜的变化而变化,并且锂电池在充放电过程中会产生极化现象,使得实际电极电位偏离平衡电极电位,为了表现固体电解质界面膜与极化现象在锂电池充放电过程中的影响,研究建立在二阶
RC
电路等效模型的基础上;电路等效方程表示为:其中
U
oc
为开路电压
(OCV)
,受当前锂电池的电量状态
(SOC)
影响,
I
L
为充放电电流,
R0为电阻,由
SEI
膜决定,
R1,
C1分别为由电化学极化影响的电阻与电容,
R2,
C2分别为由浓差极化...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。