具有模型主動更新策略的鋰離子電池剩余壽命預(yù)測方法
【專利摘要】本發(fā)明涉及一種具有模型主動更新策略的鋰離子電池剩余壽命預(yù)測方法，根據(jù)放電曲線的電壓范圍得出的時間序列進行變換得出每次放電循環(huán)等價的放電差異序列，并以此得出鋰電池的健康指數(shù)時間序列，根據(jù)這個放電電壓序列與健康指數(shù)序列的對應(yīng)進行時間序列預(yù)測以確定電池的剩余壽命。通過對于放電電壓曲線進行采樣熵特征提取并建模以提供一個完整且精確的充放電過程與電池性能指標(biāo)的聯(lián)系。在此性能指標(biāo)模型的基礎(chǔ)上，將短期時間序列預(yù)測結(jié)果不斷地更新到已知性能指標(biāo)數(shù)據(jù)序列中，并進行相關(guān)性分析，根據(jù)相關(guān)性程度不同，通過擴充訓(xùn)練集的方式進行重新訓(xùn)練，與原有的迭代更新訓(xùn)練方式有所不同，動態(tài)地更新預(yù)測模型，從而提高預(yù)測精度。
【專利說明】具有模型主動更新策略的鋰離子電池剩余壽命預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種具有模型主動更新策略的鋰離子電池剩余壽命預(yù)測方法，用于電子設(shè)備的可靠性監(jiān)控，屬于蓄電池領(lǐng)域。
【背景技術(shù)】
[0002]由于鋰電池基于其重量輕、能量密度大和使用壽命長等優(yōu)點，目前已被廣泛應(yīng)用于移動通信裝置、電動車輛、軍用電子設(shè)備以及航空航天電子系統(tǒng)等領(lǐng)域。然而，鋰電池在使用過程中隨著充放電循環(huán)的進行，鋰離子電池內(nèi)阻增大，性能會逐漸衰退，它的失效不僅會帶來由于故障停機、更換或維修而產(chǎn)生的巨大經(jīng)濟損失，還可能導(dǎo)致災(zāi)難性的事故。因此，鋰電池的預(yù)測與健康管理(PHM，Prognostics and Health Management)技術(shù),及早準(zhǔn)確地預(yù)測出鋰電池的剩余壽命(RUL, Remain Useful Life),對于電子系統(tǒng)的安全性、穩(wěn)定性和經(jīng)濟性具有重要意義。
[0003]剩余壽命預(yù)測是個典型的多步時序預(yù)測問題，多步預(yù)測通常有兩種方法:1)直接法，即通過一定的數(shù)學(xué)模型直接逼近η步的預(yù)測公式；2)迭代法，即通過一定的數(shù)學(xué)模型逼近I步預(yù)測公式，然后通過對其進行迭代操作，進而實現(xiàn)多步預(yù)測。
[0004]目前，剩余壽命預(yù)測方法可分為基于模型和數(shù)據(jù)驅(qū)動兩類。基于模型的方法從電池內(nèi)部的電化學(xué)反應(yīng)出發(fā)建立電池等效電路模型，預(yù)測精度依賴模型的準(zhǔn)確性，由于電池鋰電池內(nèi)部物理化學(xué)結(jié)構(gòu)非常復(fù)雜，難以建立物理失效模型，受此影響，現(xiàn)有的基于模型的方法主要是尋找數(shù)學(xué)模型去擬合鋰電池的退化軌跡，然后運用粒子濾波方法實現(xiàn)預(yù)測。
[0005]數(shù)據(jù)驅(qū)動方法則主要包括神經(jīng)網(wǎng)絡(luò)、支持向量機等方法。
[0006]神經(jīng)網(wǎng)絡(luò)預(yù)測方法不需要建立系統(tǒng)的數(shù)學(xué)模型且具有極強的非線性映射能力，但缺點在于缺乏理論基礎(chǔ)，過于依靠開發(fā)者經(jīng)驗；需要較多的數(shù)據(jù)進行離線訓(xùn)練，且計算量大；單次預(yù)測不包含不確定性信息。
[0007]支持向量機方法針對小樣本、非線性問題具有明顯優(yōu)勢，已經(jīng)被廣泛應(yīng)用于預(yù)測領(lǐng)域，但其主要缺點是只能給出單點預(yù)測值。更為重要的是，由于在電池的完整生命周期中，會出現(xiàn)能量再生現(xiàn)象使得模型產(chǎn)生明顯變化，也就意味著原模型的失效，導(dǎo)致鋰離子電池剩余壽命預(yù)測的精度不高。
[0008]因此本領(lǐng)域技術(shù)人員致力于尋找一種消除由于不正常的充放電循環(huán)帶來的偏差的方法。

【發(fā)明內(nèi)容】

[0009]針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于提供一種鋰離子電池剩余壽命預(yù)測方法，解決現(xiàn)有鋰離子電池剩余壽命預(yù)測方法中存在的依賴經(jīng)驗?zāi)Ｐ蛠斫顟B(tài)轉(zhuǎn)移方程預(yù)測精度差、對于模型的失配無法自適應(yīng)調(diào)整的問題。
[0010]鋰離子電池容量退化總體呈下降趨勢，局部存在明顯的容量再生現(xiàn)象。且鋰離子容量數(shù)據(jù)是典型的小樣本數(shù)據(jù)。直接采用回歸預(yù)測方法進行迭代預(yù)測時，由于較少的數(shù)據(jù)樣本很難獲得較高的精度。另一方面迭代預(yù)測依賴于準(zhǔn)確的單步預(yù)測，單步預(yù)測誤差會隨著迭代過程的進行而逐漸累積，最終導(dǎo)致滾動時間窗迭代預(yù)測方法預(yù)測精度急劇下降。
[0011]本發(fā)明提供一種具有模型主動更新策略的鋰離子電池剩余壽命預(yù)測方法，能有效地根據(jù)高斯過程回歸模型預(yù)測置信度的變化，給出對應(yīng)的反饋，即是否更新模型或繼續(xù)用此模型進行預(yù)測，并因此實現(xiàn)高精度、自適應(yīng)模型校正的鋰離子電池剩余壽命預(yù)測方法。由于直接方案對訓(xùn)練數(shù)據(jù)的要求較高，在實際應(yīng)用中通常難以滿足，故本發(fā)明是針對鋰離子電池剩余壽命預(yù)測實現(xiàn)基于模型主動更新策略的迭代預(yù)測方案。
[0012]高斯過程回歸(Gaussian Process Regression, GPR)是近幾年發(fā)展起來的一種機器學(xué)習(xí)回歸方法，它有著嚴(yán)格的統(tǒng)計學(xué)習(xí)理論基礎(chǔ)，對處理高維數(shù)、小樣本、非線性等復(fù)雜的問題具有很好的適應(yīng)性，且泛化能力強。與神經(jīng)網(wǎng)絡(luò)、支持向量機相比，GPR具有容易實現(xiàn)、超參數(shù)自適應(yīng)獲取、非參數(shù)推斷靈活以及輸出具有概率意義等優(yōu)點。
[0013]高斯過程回歸是一種非參數(shù)貝葉斯回歸框架，具有靈活的非參數(shù)推斷、超參數(shù)自適應(yīng)獲取等優(yōu)點，是一個具有概率意義的核學(xué)習(xí)機，可對預(yù)測輸出做出概率解釋，應(yīng)用高斯過程回歸進行預(yù)測可以很好地克服能量再生預(yù)測的困難。
[0014]本發(fā)明提供一種鋰離子電池剩余壽命預(yù)測方法，其特征在于，包括以下步驟:
[0015](I)建立高斯過程回歸模型；
[0016](2)計算SOH指數(shù)序列；
[0017](3)根據(jù)所述高斯過程回歸模型，進行η步時間序列預(yù)測，得到η個SOH指數(shù)預(yù)測值ES0H，其中η為時間序列預(yù)測的步數(shù)，其中η為大于或等于I的整數(shù)，并根據(jù)所述SOH指數(shù)序列按照滾動時間窗方式得到SOH'指數(shù)序列；
[0018](4)對SOH'指數(shù)序列與所述SOH指數(shù)序列，進行相關(guān)系數(shù)計算；
[0019](5)根據(jù)步驟(4)得到的相關(guān)系數(shù)進行判斷，如果相關(guān)系數(shù)大于或者等于設(shè)定值，將所述SOH'指數(shù)序列作為新的SOH指數(shù)序列；如果相關(guān)系數(shù)小于設(shè)定值，將η個SOH指數(shù)預(yù)測值ESOH加入SOH指數(shù)序列中，得到新的SOH指數(shù)序列；
[0020](6)根據(jù)步驟(5)得到的SOH指數(shù)序列，建立SOH向量，以SOH向量作為輸入向量，重新建立高斯過程回歸模型；
[0021](7)根據(jù)步驟(6)得到的高斯過程回歸模型，進行η步時間序列預(yù)測，得到η個SOH指數(shù)預(yù)測值ESOH ；
[0022](8)將步驟(7)得到的η個所述SOH指數(shù)預(yù)測值ES0H，與失效閾值U分別進行比較，如果η個SOH指數(shù)預(yù)測值ESOH中的每一個都小于失效閾值，停止預(yù)測，停止預(yù)測時對應(yīng)的充放電循環(huán)次數(shù)，為鋰離子電池剩余壽命預(yù)測值；否則，將η個SOH指數(shù)預(yù)測值ES0H，根據(jù)步驟(5) SOH指數(shù)序列按照滾動時間窗方式，得到新的SOH'指數(shù)序列，執(zhí)行步驟(4)。
[0023]進一步地，步驟(I)中建立高斯過程回歸模型，包括以下步驟:
[0024](11)選擇鋰離子電池放電的電壓測量數(shù)據(jù)集合Xinit及電池容量數(shù)據(jù)Yinit,構(gòu)成訓(xùn)練數(shù)據(jù)序列集合{xinit，YinitI ;
[0025](12)分別對所述放電的電壓測量數(shù)據(jù)集合Xinit的每次放電電壓數(shù)據(jù)序列，通過采樣熵方法進行特征提取，得到向量X ;
[0026](13)將電池容量數(shù)據(jù)Yinit進行歸一化處理，得到向量Y ;
[0027](14)以向量X為輸入向量，以向量Y作為輸出向量，建立高斯過程回歸模型。[0028]進一步地，步驟(12)中對放電的電壓測量數(shù)據(jù)集合Xinit的每次放電電壓數(shù)據(jù)序列，通過采樣熵方法進行特征提取，計算采樣熵的方法包括以下步驟:
[0029](121)選取由步驟(11)得到的系統(tǒng)運行當(dāng)前時刻之前的充放電循環(huán)的鋰離子放電電壓數(shù)據(jù)序列集合
【權(quán)利要求】
1.一種鋰離子電池剩余壽命預(yù)測方法，其特征在于，包括以下步驟: (1)建立高斯過程回歸模型； (2)計算得到SOH指數(shù)序列； (3)根據(jù)所述高斯過程回歸模型，進行η步時間序列預(yù)測，得到η個SOH指數(shù)預(yù)測值ES0H，其中η為時間序列預(yù)測的步數(shù)，η為大于或等于I的整數(shù)，并根據(jù)所述SOH指數(shù)序列按照滾動時間窗方式得到SOH'指數(shù)序列； (4)對所述SOH'指數(shù)序列與所述SOH指數(shù)序列，進行相關(guān)系數(shù)計算； (5)根據(jù)步驟(4)得到的所述相關(guān)系數(shù)進行判斷，如果所述相關(guān)系數(shù)大于或者等于設(shè)定值，將SOH'指數(shù)序列作為新的SOH指數(shù)序列；如果所述相關(guān)系數(shù)小于所述設(shè)定值，將η個所述SOH指數(shù)預(yù)測值ESOH加入所述SOH指數(shù)序列中，得到新的SOH指數(shù)序列； (6)根據(jù)步驟(5)得到的SOH指數(shù)序列，建立SOH向量，以所述SOH向量作為輸入向量，重新建立高斯過程回歸模型； (7)根據(jù)步驟(6)得到的所述高斯過程回歸模型，進行η步時間序列預(yù)測，得到η個SOH指數(shù)預(yù)測值ESOH ； (8)將步驟(7)得到的η個所述SOH指數(shù)預(yù)測值ES0H，與失效閾值U分別進行比較，如果得到的η個所述SOH指數(shù)預(yù)測值ESOH中的每一個都小于失效閾值，停止預(yù)測，停止預(yù)測時所對應(yīng)的充放電循環(huán)次數(shù)，為鋰離子電池剩余壽命預(yù)測值；否則，將η個所述SOH指數(shù)預(yù)測值ES0H，根據(jù)步驟(5)S0H指數(shù)序列按照滾動時間窗方式，得到新的SOH'指數(shù)序列，執(zhí)行步驟(4)。
2.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(1)中建立所述高斯過程回歸模型，包括以下步驟: (11)選擇鋰離子電池放電的電壓測量數(shù)據(jù)集合Xinit及電池容量數(shù)據(jù)Yinit,構(gòu)成訓(xùn)練數(shù)據(jù)序列集合{Xinit，YiniJ ； (12 )分別對所述放電的電壓測量數(shù)據(jù)集合Xinit的每次放電電壓數(shù)據(jù)序列，通過采樣熵方法進行特征提取，得到向量X ; (13)將所述電池容量數(shù)據(jù)Yinit進行歸一化處理，得到向量Y； (14)以所述向量X為輸入向量，以所述向量Y作為輸出向量，建立所述高斯過程回歸模型。
3.如權(quán)利要求2所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(12)中對所述放電的電壓測量數(shù)據(jù)集合Xinit的每次放電電壓數(shù)據(jù)序列，通過采樣熵方法進行特征提取，計算采樣熵的方法包括以下步驟: (121)選取由步驟(11)得到的從開始運行時刻^到當(dāng)前采樣時刻tk對應(yīng)的充放電循環(huán)的鋰離子放電電壓數(shù)據(jù)序列集合Xinit= (X1，X2，-,XkI,并對其中每個放電電壓曲線Xt，其中t=l,…，k, k是當(dāng)前時刻對應(yīng)數(shù)據(jù)的序號，構(gòu)建k-m+1維向量xm(i) = [x(i), x(i+l),...,x(i+m-l)], i=l,..., k-m+1,其中m是與電池降級模型相關(guān)的值； (122)計算兩個不同放電循環(huán)之間的距離:
dm[xm(i)，xm(j)]=rnax[xm(i+k)-xm(j+k)],其中,0 ≤ k ≤ m-l ; (123)定義函數(shù)
4.如權(quán)利要求3所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，分別對根據(jù)步驟(121)中的每個所述放電電壓曲線Xt,計算步驟(126)中的SampEn (m, r, k),構(gòu)成所述向量X。
5.如權(quán)利要求2所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(13)中將所述電池容量數(shù)據(jù)Yinit進行歸一化處理，構(gòu)成所述向量Y的方法為:
6.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(3)中根據(jù)所述SOH指數(shù)序列按照滾動時間窗方式得到SOH'指數(shù)序列的方法包括步驟: (31)設(shè)定初始η值，利用所述高斯過程回歸模型進行η步時間序列預(yù)測； (32)計算每步預(yù)測的置信范圍Si； (33)根據(jù)Si是否大于之前1-Ι步的置信范圍的均值的2倍

1-Ι
2.Σ5?
I,— I 判斷是否需要停止η步時間序列預(yù)測，判斷為是，則根據(jù)滾動時間窗準(zhǔn)則得到所述SOH'指數(shù)序列。
7.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(2)中計算SOH指數(shù)序列，是通過所述高斯過程回歸模型獲得。
8.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(2)中計算SOH指數(shù)序列，是通過訓(xùn)練樣本獲得，選取從電池從開始使用到當(dāng)前充放電循環(huán)的鋰離子電池容量與放電電壓數(shù)據(jù)的k次循環(huán)數(shù)據(jù)序列Xinit= Ix(I)，χ (2)，…，x(k)}作為SOH指數(shù)序列。
9.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(4)中所述相關(guān)系數(shù)為Pearson相關(guān)系數(shù)。
10.如權(quán)利要求1所述的鋰離子電池剩余壽命預(yù)測方法，其特征在于，步驟(3)中根據(jù)所述SOH指數(shù)序列按照滾動時間窗方式得到所述SOH'指數(shù)序列，是指在所述SOH指數(shù)序列中刪除從頭開始的η個元素，并在所述SOH指數(shù)序列的末尾加入η個所述SOH指數(shù)預(yù)測值ES0H，得到所述SOH'指數(shù)序列。
【文檔編號】G06F17/50GK103778280SQ201410008739
【公開日】2014年5月7日 申請日期:2014年1月8日 優(yōu)先權(quán)日:2014年1月8日
【發(fā)明者】魏巖, 張峰華, 王毓, 楊煜普 申請人:上海交通大學(xué)