一种锂电池剩余寿命预测方法技术

本发明专利技术公开了一种锂电池剩余寿命预测方法

【技术实现步骤摘要】
一种锂电池剩余寿命预测方法、装置、设备及存储介质


[0001]本专利技术涉及电池检测
，尤其涉及一种锂电池剩余寿命预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]电池的寿命或剩余使用寿命被定义为从当前时间到电池达到其使用寿命的剩余运行周期，通常设定为
20
％的容量衰减对应的运行时间
。
准确的预测剩余寿命对于电池的智能预测和健康管理至关重要
。
[0003]电池的寿命预测方法主要可分为基于等效电路模型的预测方法和数据驱动的预测方法
。
基于等效电路模型的预测方法通过模拟电池过程，近似模型中的参数
。
但是电池退化是动态的和非线性的
。
这使得监测电池的内部状态变得困难，因为操作条件
(
如温度和功率
)
不断变化
。
此外，由于不确定因素，预测的准确性需要多个参数和复杂的计算，需要大量数据，并且也依赖于阻抗数据，因此预测准确率较低
。
而数据驱动的寿命预测方法不需要电化学反应，也不需要精确的系统信息
。
数据驱动方法计算简单，适用于非线性系统
。
因此，数据驱动方法被广泛使用与锂电池的剩余寿命预测
。
但是传统的数据驱动方法在建模过程中过度依赖电池个体退化状态数据，当电池个体差异较大时，剩余寿命预测结果不够稳定
。
因此亟需一种能够稳定
、
准确实现电池剩余寿命的计算方法
。

技术实现思路

[0004]针对上述缺陷，本专利技术提供一种锂电池剩余寿命预测方法
、
装置
、
设备及存储介质，能够稳定
、
准确地计算锂电池剩余寿命
。
[0005]本专利技术实施例提供一种锂电池剩余寿命预测方法，所述方法包括：
[0006]获取待测锂电池在不同充放电周期内的剩余寿命数据得到全寿命试验数据；
[0007]根据所述全寿命试验数据构建支持向量机模型；
[0008]采用
K
折交叉验证法筛选出所述支持向量机模型的最优惩罚因子以及核函数参数；
[0009]利用卡尔曼算法优化所述支持向量机模型，得到剩余寿命的更新方程；
[0010]将待测锂电池的运行数据输入到优化后的支持向量机模型中进行寿命预测，输出剩余寿命
。
[0011]作为一种优选方案，所述待测锂电池在每个充放电周期的剩余寿命
RUL
＝
L+1
‑
i
；
[0012]其中，
L
为电池初始退化到失效期间经历的总充放电循环次数，
i
为电池当前的充放电循环次数
。
[0013]优选地，所述根据所述全寿命试验数据构建支持向量机模型，具体为：
[0014]以第
n
个充放电循环的
t
n
时刻电池剩余寿命作为支持向量机的输入变量，以剩余寿命指标作为支持向量机的输出变量构建所述支持向量机模型
。
[0015]作为上一实施方案的改进，所述支持向量机模型中剩余寿命先验预测值
RUL
n
‑
＝
E
[RUL
n
∣x
n
‑1,x
n
‑2,
…
,x1,S]；
[0016]所述支持向量机模型中剩余寿命后验预测值
RUL
n+
＝
E[RUL
n
∣x
n
,x
n
‑1,
…
,x1,S]；
[0017]所述支持向量机模型中剩余寿命后验预测值的均方误差所述支持向量机模型中剩余寿命先验预测值的均方误差
[0018]其中，
RUL
‑
n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命先验预测值，
RUL
+n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命后验预测值，
x
n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命指标值，
S
为全寿命数据
。
[0019]优选地，所述采用
K
折交叉验证法筛选出所述支持向量机模型的最优惩罚因子以及核函数参数，具体为：
[0020]将原始数据分为
K
组，每次从中不重复地抽取一个子集作为验证集，剩余的
K
‑1组子集数据组合在一起作为训练集；
[0021]利用
K
组数据分别训练所述支持向量机模型，得到
K
个训练后的模型，用
K
个训练后的模型验证集准确率的平均数作为
K
折交叉验证所述支持向量机模型的性能指标；
[0022]选取性能指标中最优惩罚因子和核函数参数输出
。
[0023]优选地，所述利用卡尔曼算法优化所述支持向量机模型，得到剩余寿命的更新方程，具体包括：
[0024]根据所述支持向量机模型计算所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命先验预测值及其均方误差；
[0025]根据所述剩余寿命先验预测值及其均方误差估计
t
n
时刻所述待测锂电池的剩余寿命状态指标值；
[0026]根据所述剩余寿命指标值修正所述待测锂电池在
t
n
时刻的剩余寿命先验预测值及其均方误差，得到所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命后验预测值及其均方误差，确定剩余寿命的更新方程
。
[0027]本专利技术实施例提供一种锂电池剩余寿命预测装置，所述装置包括：
[0028]数据获取模块，用于获取待测锂电池在不同充放电周期内的剩余寿命数据得到全寿命试验数据；
[0029]模型构建模块，用于根据所述全寿命试验数据构建支持向量机模型；
[0030]筛选模块，用于采用
K
折交叉验证法筛选出所述支持向量机模型的最优惩罚因子以及核函数参数；
[0031]更新模块，用于利用卡尔曼算法优化所述支持向量机模型，得到剩余寿命的更新方程；
[0032]预测模块，用于将待测锂电池的运行数据输入到优化后的支持向量机模型中进行寿命预测，输出剩余寿命
。
[0033]优选地，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种锂电池剩余寿命预测方法，其特征在于，所述方法包括：获取待测锂电池在不同充放电周期内的剩余寿命数据得到全寿命试验数据；根据所述全寿命试验数据构建支持向量机模型；采用
K
折交叉验证法筛选出所述支持向量机模型的最优惩罚因子以及核函数参数；利用卡尔曼算法优化所述支持向量机模型，得到剩余寿命的更新方程；将待测锂电池的运行数据输入到优化后的支持向量机模型中进行寿命预测，输出剩余寿命
。2.
如权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述待测锂电池在每个充放电周期的剩余寿命
RUL
＝
L+1
‑
i
；其中，
L
为电池初始退化到失效期间经历的总充放电循环次数，
i
为电池当前的充放电循环次数
。3.
如权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述根据所述全寿命试验数据构建支持向量机模型，具体为：以第
n
个充放电循环的
t
n
时刻电池剩余寿命作为支持向量机的输入变量，以剩余寿命指标作为支持向量机的输出变量构建所述支持向量机模型
。4.
如权利要求3所述的锂电池剩余寿命预测方法，其特征在于，所述支持向量机模型中剩余寿命先验预测值
RUL
n
‑
＝
E[RUL
n
∣x
n
‑1,x
n
‑2,
…
,x1,S]
；所述支持向量机模型中剩余寿命后验预测值
RUL
n+
＝
E[RUL
n
∣x
n
,x
n
‑1,
…
,x1,S]
；所述支持向量机模型中剩余寿命后验预测值的均方误差所述支持向量机模型中剩余寿命先验预测值的均方误差其中，
RUL
‑
n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命先验预测值，
RUL
+n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命后验预测值，
x
n
为所述待测锂电池在第
n
个充放电循环的
t
n
时刻的剩余寿命指标值，
S
为全寿命数据
。5.
如权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述采用
K
折交叉验证法筛选出所述支持向量机模型的最优惩罚因子以及核函数参数，具体为：将原始数据分为
K
组，每次从中不重复地抽取...

【专利技术属性】
技术研发人员：周永佳，栾捷，李梁，汪宏华，俞哲人，林建钦，杨瀚鹏，李媛，袁军，孙心宇，郑超君，
申请(专利权)人：浙江华电器材检测研究院有限公司，
类型：发明
国别省市：