专利名称：：电动汽车动力电池衰退模式预测方法
技术领域：
：本发明涉及一种衰退模式预测方法，尤其涉及一种电动汽车动力电池衰退模式预测方法。
背景技术：
：在动力电池寿命预测方法方面，目前可大致分I)模型法、2)基于数据驱动的方法。I)模型法目前很多动力电池寿命预测都是采用模型法来完成的。兰迪等人对动力电池进行了充放电试验。在实验过程中他们采取了40_70°C范围内的多个温度作为环境温度，对动力电池进行加速充放电，然后根据动力电池的温度，内阻以及SOC变化率为基础，提出了一种经验模型。模型如下R=At1/2+B其中A=a{exp[b/T]}；B=c{exp[d/T]}。首先，以上模型只是一种经验模型，并不能准确地表现电池的内阻与温度，SOC的变化关系。其次，动力电池的寿命衰退是多种因素造成的，并不能单纯通过电池的内阻，温度，以及SOC的变化来表征电池的衰退情况。Ramadass等人所做动力电池剩余寿命模型是从电池寿命衰退原理出发所做的，他们认为电池寿命的下降是因为电池内部具有活性的锂离子正在减少，并且电池内SEI膜电阻的提高引起电池放电电压下降。他们根据量子力学中的第一性原理提出了预测动力电池剩余寿命的经验模型。在模型中，电池SOC变化量与SEI膜电阻作为参数，定量研究动力电池容量的衰减，从而预测电池剩余寿命。但是这一模型并没有考虑到充放电截止电压对电池剩余寿命的影响，在实际应用中并不能完全满足汽车电池使用要求。Gang等人通过实验研究发现动力电池内部具有活性的锂离子的逐步缺失，是由于电池内部化学副反应造成的。与此同时，他们所提出的模型中考虑到了充放电截止电压对动力电池剩余寿命的影响，弥补了Ramadass模型的不足。但是此模型并没有充分考虑到液态电解液的扩散等极限问题，所以只能分析电池在低倍率条件下放电时的剩余寿命。而在实际中，电动汽车经常性出现高倍率放电情况，所以此模型并不能准确预测实际使用中动力电池的剩余寿命。北京航空航天大学做的关于电池寿命的预测中使用了非线性参数预测法来建立动力电池剩余寿命预测模型。他们在实验中对电池不断的充电放电直至电池容量衰减20%，此时认为电池寿命达到终点(请参见黎火林，苏金然.锂离子电池循环寿命预计模型的研究[J].电源技术.2008.)。在实验数据处理过程中，他们认为动力电池剩余寿命与电池的容量衰减率成幂指数关系，所以他们用实验数据进行拟合分析，获得用一种动力电池剩余寿命预测模型Cr(nc,T,I)=A(T,I)ncB(T,I)其中n。为充放电循环寿命；T为绝对温度；1为放电电流；(；为容量衰减率；参数A(T，I)、B(T，I)为温度和放电电流的函数。但是这种方法放电电流只有2个对比数据(0.5C和0.8C)，在曲线拟合的过程中存在比较大的误差；另外实验条件与实际条件会有误差，所以预测结果并不十分准确。综上，模型法是通过实验发现电池寿命与电池特征参数之间的关系，包括内阻，SOC和放电电压等等，来建立动力电池剩余寿命的经验模型。这一类方法的优点是可以方便直观地看到影响电池寿命衰退的因素，并能建立相应的模型，诊断一定条件下的电池寿命衰退情况，从而预测电池剩余寿命。但是这一类方法普遍存在的缺点就是这些预测模型只适用于电池处于某一种特定的衰退模式下。在实际中，电动汽车在不断的变换衰退模式，是一种动态的切换，模型法并不能实时做出相应变换，所以预测并不十分准确。2)基于数据驱动的方法。萨哈(请参见BhaskarSaha,KaiGoebel,ScottPoll,andJonChristophersen.PrognosticsMethodsforBatteryHealthMonitoringUsingaBayesianFramework[J].IEEETransactionsoninstrumentationandmeasurement.2009,11(16):291-296.)在他对电池的性能研究中使用了粒子滤波预测法来预测电池的剩余寿命。他首先通过支持向量回归法分析了电池寿命与电池容量衰退以及内阻的关系，再通过粒子滤波预测的方法根据历史容量衰退的规律预测动力电池未来容量的衰退，通过累加过往的容量衰退，直到达到30%，认为电池达到寿命终点，从而预测电池寿命。刘杰(请参见LiuJie.Lifepredictionofbatteriesforselectingthetechnicallymostsuitableandcosteffectivebattery[J].JournalofPowerSources.2005，I:373-384.)在他所做电池剩余寿命预测模型中使用了自适应回归神经网络(ARNN)方法。在动力电池充放电实验中，他选用60%SOC以及25°C和45°C两种不同温度进行实验，直到电池容量衰退30%。这种方法通过递归反馈分析当前系统的状态，从而提高预测精度。而且这种方法可以从有限的测量数据中学习系统状态参数，从而更新数据驱动非线性预测模型。Goebel(请参见Geobal.AtechniqueforestimatingthestateofhealthoflithiumbatteriesthroughaRVMobserver[J].EEETrans.PowerElectron.2010(25)1013-1022.)在其对电池性能的研究中使用了贝叶斯结构的相关向量机方法来预测动力电池剩余寿命。相关向量机是一种代表了与支持向量机函数形式相同的贝叶斯广义线性模型，是一种比较先进的预测方法，而且测试时间短，便于在线测试。他利用爱达荷国家实验室所做的电池充放电实验数据建立了电池容量与内阻参数的关系，通过相关向量机方法预测电池容量的衰减。但是这些方法在实际的应用中也存在不足。在现在的技术中，电池的容量往往有2种方法测量，第一种是额定电流放电，然后用放电电流乘以放电时间来获得，第二种是10分钟大电流放电，通过电池的电压的下降速度来估计电池现在的容量。我们很难在实际中通过以上两种方法获得电动汽车动力电池的容量，因为在电动汽车的使用中，电流不断的变化，除非我们专门为测准确的容量，进行放电，否则我们只能获得估计的容量值。所以，对于这种方法，在实际中并不能准确的预测出电池的剩余寿命。综上所述各类方法中，优点在于方便快捷，可以快速的预测电池的剩余寿命，但是也存在共有的不足之处。首先，以上各类方法往往局限于某一些充放电条件下，但是在实际应用中，电动汽车的使用可能是多种多样的，它的衰退模式也是各不相同，这些方法在建立之时就存在其局限性，因此通过这些方法预测的电池剩余寿命不是十分准确。其次，以上方法都过于依赖电池的容量，通过电池过往容量的变化，预测电池的剩余寿命。但是上文已经介绍过，在实际电动汽车的使用中很难准确的获得电动汽车动力电池的容量衰退情况，所以预测将变得更加不准确。
发明内容为了克服上述现有技术的不足，本发明提供一种电动汽车动力电池衰退模式预测方法。一种电动汽车动力电池衰退模式预测方法，其特征在于包括以下步骤I)、对动力电池放电过程中的电压曲线进行数据采集，采集并记录动力电池在电动汽车使用过程中放电的电压曲线；2)、对采集到的动力电池的电压曲线的衰退模式进行分类；3)、采用隐马尔科夫模型对动力电池的衰退模式进行预测。本发明的进一步改进为，所述步骤2)将采集到的电压曲线进行曲线聚类，所述曲线聚类进一步包括以下步骤A)、确定一个相似精度作为阈值；B)、在所采集的电压曲线中挑选出距离最大的2条电压曲线，以其中的I条电压曲线作为聚核开始进行曲线聚类，直到这一类电压曲线的相似精度超过所设定的阈值为止；C)、然后再在剩余的电压曲线中重复步骤B)，直到所有的电压曲线都被归类为止。本发明的进一步改进为，所述阈值满足以下公式rr=5%X-X3600A式中T为阈值(s);C为容量(Ah)；A为额定电流(A)。本发明的进一步改进为，所述步骤3)满足以下公式，S(t+n)=JI(t)AnB其中状态S即为在t+n时刻的动力电池衰退模式，t即第t次放电。本发明的进一步改进为，所述步骤3)中，包括以下步骤、定义所述电压曲线的衰退点，将所述动力电池的衰退点出现的电压设定为U。，将所述动力电池的额定电压设定为U，定义所述设定衰退点与额定电压满足如下关系U=O.82U0采集并记录该衰退点出现的时间t。本发明的进一步改进为，所述步骤3)中，隐马尔科夫模型中设有观察值M，所述隐马尔科夫模型中的观察值M为动力电池放电过程中衰退点出现的时间。本发明的进一步改进为，所述步骤3)中，隐马尔科夫模型中设有状态数量N，所述状态数量N为步骤2)中得到的曲线聚类的个数。本发明的进一步改进为，所述步骤3)中，隐马尔科夫模型中设有状态转移矩阵A，所述状态转移矩阵A，权利要求1.一种电动汽车动力电池衰退模式预测方法，其特征在于包括以下步骤1)、对动力电池放电过程中的电压曲线进行数据采集，采集并记录动力电池在电动汽车使用过程中放电的电压曲线；2)、对采集到的动力电池的电压曲线的衰退模式进行分类；3)、采用隐马尔科夫模型对动力电池的衰退模式进行预测。2.根据权利要求I所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤2)将采集到的电压曲线进行曲线聚类，所述曲线聚类进一步包括以下步骤A)、确定一个相似精度作为阈值；B)、在所采集的电压曲线中挑选出距离最大的2条电压曲线，以其中的I条电压曲线作为聚核开始进行曲线聚类，直到这一类电压曲线的相似精度超过所设定的阈值为止；C)、然后再在剩余的电压曲线中重复步骤B)，直到所有的电压曲线都被归类为止。3.根据权利要求2所述电动汽车动力电池衰退模式预测方法，其特征在于所述阈值满足以下公式式中T为阈值(s)；C为容量(Ah)；A为额定电流(A)。4.根据权利要求I所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)满足以下公式，S(t+n)=ii(t)AnB其中状态S即为在t+n时刻的动力电池衰退模式，t即第t次放电。5.根据权利要求4所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，包括以下步骤定义所述电压曲线的衰退点，将所述动力电池的衰退点出现的电压设定为Utl，将所述动力电池的额定电压设定为U，定义所述设定衰退点与额定电压满足如下关系U=O.82U0采集并记录该衰退点出现的时间t。6.根据权利要求5所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，隐马尔科夫模型中设有观察值M，所述隐马尔科夫模型中的观察值M为动力电池放电过程中衰退点出现的时间。7.根据权利要求5所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，隐马尔科夫模型中设有状态数量N，所述状态数量N为步骤2)中得到的曲线聚类的个数。8.根据权利要求5所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，隐马尔科夫模型中设有状态转移矩阵A，所述状态转移矩阵A，9.根据权利要求5所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，隐马尔科夫模型中设有观察概率分布矩阵B，上式表示在t时刻、状态是Si条件下，观察值为10.根据权利要求5所述电动汽车动力电池衰退模式预测方法，其特征在于所述步骤3)中，隐马尔科夫模型中设有初始向量H，全文摘要本发明提供一种电动汽车动力电池衰退模式预测方法，包括以下步骤1)对动力电池放电过程中的电压曲线进行数据采集，采集并记录动力电池在电动汽车使用过程中放电的电压曲线；2)对采集到的电压曲线进行分类；3)采用隐马尔科夫模型对动力电池的衰退模式进行预测。本发明可以更方便快捷准确地评价电池的健康状况，并且能根据不同人的驾车习惯针对个人更准确地预测出电动汽车动力电池的剩余寿命，从而可以更好地管理与规划使用电池。文档编号G01R31/36GK102749589SQ20121024328公开日2012年10月24日申请日期2012年7月13日优先权日2012年7月13日发明者于刚,盛鲁英,郭密密申请人:哈尔滨工业大学深圳研究生院