专利名称：基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
技术领域：
本发明涉锂离子电池循环寿命预测方法，数据预测技术领域。
背景技术：
锂离子电池作为一种20世纪末发展的先进蓄电池技术，具有高能量比、高电压、良好的低温性能、低自放电率和无记忆效应等优点，目前已广泛应用于笔记本电脑、摄像机和移动通讯设备中，并已逐步推广应用于卫星、航天飞行器等重要领域，可以说，锂离子电 池已逐步成为未来诸多重要领域的关键和支撑技术。锂离子电池作为很多关键电子设备、复杂系统的核心单元，对整个电子系统功能起着至关重要的作用。但同时，由于其自身存在的安全管理、性能衰退和寿命估计等现实问题，也使得人们不得不充分关注其在存储、使用和维护过程和总的可靠性和安全性，因此，锂离子电池的工作状态监测、性能分析和应用管理，逐渐成为电子系统故障预测和健康管理(Prognostics and Health Management, PHM)领域的研究热点和挑战问题之一。PHM技术是实现复杂设备基于状态维修(Condition Based Maintenance, CBM)、自主式保障、感知与响应后勤等新思想、新方案的关键技术。目前许多卫星、航天飞行器的致命故障都是由电源或电池系统所引发的，如美国MarsGlobal Surveyor飞行器失效,就是由于电池故障导致计算机系统的一系列错误，致使电池系统直面太阳照射导致过热造成安全系统失效所引发的任务失败。可见，电池故障可能导致系统性能下降、运行故障甚至是灾难性失败，因此，在航空、航天、新能源汽车等典型的锂离子能源系统中，进行有效的电池性能退化分析、状态估计和健康管理将有助于提高系统的可靠性，对于电池寿命预测有着重要的研究和实用价值。面向当前、尤其是未来的应用需求，针对锂离子电池的性能退化、寿命评估以及充放电管理的研究取得了很多成果。锂离子电池研制和生产厂家从电池材料、安全特性等角度开展了大量研究；许多研究者也从不同的角度、基于不同的方法体系，开展了很多关于电池退化状态识别和寿命预测方法和应用的研究。锂离子电池的寿命包括使用寿命、循环寿命和储存寿命三种。其中，循环寿命的应用最为广泛，其研究价值也最为重要。在电池循环寿命预测研究领域，NASA卓越故障预测石开究中心(Prognostics Center of Excellence, PCoE)的 Bhaskar Saha、Kai Goebel 等人开展了大量不同条件下的锂离子性能退化实验，测试参数全面，获得了大量测试数据，并率先提出了应用贝叶斯估计的方法来预测电池的循环寿命，其核心思想是基于所有可用信息来构建状态的概率密度分布(Probability Density Function, PDF),从而实现了一种可行的预测结果不确定度表达和管理思路及方法，并通过建立一种基于粒子滤波的预测框架来预测电池的循环使用寿命。其中锂离子电池的循环使用寿命定义为电池容量退化至可接受范围(额电容量的30%)之前的充放电循环次数。然而，该预测框架中所采用的标准粒子滤波算法存在粒子多样性损失问题，从而影响了预测结果PDF表达的精度。

发明内容
为了解决了现有锂离子电池循环使用寿命预测方法中，基于模型的预测方法建模复杂且参数辨识困难的问题，本申请提出一种基于AR模型(AutoRegressive,时间序列模型)和RPF(Regularized Particle Filter,正则化粒子滤波)算法的数据驱动的锂离子电池循环寿命预测方法。本发明所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法为I)监测待预测的锂离子电池的各项物理参数，获得监测数据；2)利用RPF算法对监测数据的电池容量数据进行状态跟踪，确定RPF粒子电池退 化电池经验模型中的未知参数β工和β 2 ; 3)初始化并设定预测的起始点、粒子数目N、正则化粒子滤波模型中的过程噪声Wk的协方差R、正则化粒子滤波模型中的观测噪声Vk的协方差Q、电池使用寿命结束的阈值U ；4)根据预测起始点确定训练长度Length，利用待测锂离子电池的电池容量历史数据进行AR模型的训练和建模；5)根据4阶AR模型获得长期预测输出序列ARpredict (i)，将此预测值作为RPF算法观测方程中的观测值Z (i)；6)利用RPF算法对电池循环使用寿命进行预测particle_filter O ,初始化、选取粒子、估计粒子权重、重采样、状态估计，根据状态空间模型对电池容量状态进行迭代更新，同时每一步输出一个电池容量状态估计值Capout ；7)判断每一步输出的状态估计值Capout是否到达电池寿命结束的容量阈值U，若到达阈值，输出寿命的预测结果及其PDF分布。在本发明所述的方法中，所述状态估计值Capout的数值是呈下降趋势的，上述方法中所述的“达到”是指所述状态估计值Capout的数值在下降过程中从大于达电池寿命结束的容量阈值变成小于达电池寿命结束的容量阈值U的情况。本发明所述的锂离子电池循环寿命预测方法的流程如图4所示。首先利用4阶AR模型来完成锂离子电池容量C的长期预测，然后将预测结果作为RPF算法中状态跟新过程中的观测值，同时实验中所采用的RPF算法，能够很好地解决标准PF中粒子多样性匮乏问题，从而提高预测结果PDF表达的精度。本发明所述的锂离子电池循环寿命预测方法针对锂离子电池状态性能退化的趋势估计问题，采用AR时间序列预测模型，有效地实现对于电池退化过程的趋势预测，并基于正RPF算法实现对于锂离子电池循环使用寿命预测结果的不确定度表达，从而提高电池循环寿命预测的精度，为电池的寿命估计和健康管理提供良好的方法框架。本发明所述的锂离子电池循环寿命预测方法，经过利用NASA公开发布的锂离子电池试验数据进行验证评估，证明本发明所述的循环寿命预测方法可以很好地满足循环剩余寿命的估计和预测要求.且实际应用中的参数设置较为简便，计算复杂度低.特别是针对小样本规模的剩余寿命预测问题效果更好.。


图I是现有锂离子电池的集中参数模型。图2是现有基于PF的锂离子电池循环寿命预测框架。图3现有粒子滤波算法原理框图。图4是本发明所述的基于AR模型和RPF算法的锂离子电池循环寿命预测方法的流程图。图具体实施方式
六所述的18号锂电池的电池容量实际退化曲线。图6是具体实施方式
六所述的AR模型的长期预测曲线图。图7是具体实施方式
六所述的锂离子电池循环寿命预测结果PDF表达。 图8是具体实施方式
六所述的PF与本发明所述的RPF预测结果对比结果图。图9和图10分别是具体实施方式
六所述的#6和#7号电池循环寿命预测结果及其HF表达。
具体实施例方式具体实施方式
一本实施方式所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法为I)监测待预测的锂离子电池的各项物理参数，获得监测数据；2)利用RPF算法对监测数据的电池容量数据进行状态跟踪，确定RPF粒子电池退化电池经验模型中的未知参数β工和β 2 ;3)初始化并设定预测的起始点、粒子数目N、正则化粒子滤波模型中的过程噪声Wk的协方差R、正则化粒子滤波模型中的观测噪声Vk的协方差Q、电池使用寿命结束的阈值U ；4)根据预测起始点确定训练长度Length，利用待测锂离子电池的电池容量历史数据进行AR模型的训练和建模；5)根据4阶AR模型获得长期预测输出序列ARpredict (i)，将此预测值作为RPF算法观测方程中的观测值Z (i)；6)利用RPF算法对电池循环使用寿命进行预测particle_filter O ,初始化、选取粒子、估计粒子权重、重采样、状态估计，根据状态空间模型对电池容量状态进行迭代更新，同时每一步输出一个电池容量状态估计值Capout ；7)判断每一步输出的状态估计值Capout是否到达电池寿命结束的容量阈值U，若到达阈值，输出寿命的预测结果及其PDF分布。基于数据驱动的预测方法适用于研究对象难以用物理模型描述或者物理模型过于复杂的情况，该类方法取决于可用的历史观测数据和统计模型，通过对所获得的历史数据进行分析和挖掘，得到特征描述从而构建并调整循环寿命估计模型。一般不依赖物理或工程方面的原理，即可对研究对象的循环寿命进行预测。目前基于数据驱动的电池寿命预测方法可分为人工智能方法和基于统计数据驱动的方法。其中，人工智能的方法包括神经网络、支持向量机、灰色系统理论等；而基于统计数据驱动的方法包括基于回归模型方法、基于维纳过程方法、马尔可夫模型、统计滤波等。在统计数据驱动方法中，近些年来，基于非线性随机滤波的寿命预测目前已逐步成为一个重要的研究分支，并倍受瞩目，在很多机电系统当中取得了较为广泛的应用。与其他方法相t匕，此类方法具有相对优越的普适性，并适合于在线寿命预测。
人工智能方法如ARIMA和神经网络，利用历史观测数据建立数据驱动模型进行电池的SOC估计和寿命预测。随着从铅酸电池到镍氢电池、锂离子电池的应用转变，电池的健康管理方法也不断在优化，电池的统计参数模型被建立用来预测电池的使用寿命；电化学阻抗谱(Electrochemical Impedance Spectroscopy, EIS)法被应用来建立电池预测模型；同时考虑到非线性平衡、温度等影响因素，热效应和瞬态动力响应的锂离子电池的动态模型已建立。SVM、RVM、贝叶斯估计对于动态的状态估计问题也能给出严格的理论架构，核心问题是基于所有可能的信息来建立状态的概率密度函数。在统计滤波方法中，对于一个具有高斯噪声的线性/非线性时变系统，状态估计方法可简化为卡尔曼滤波/扩展卡尔曼滤波(KF/EKF)，当系统的数学模型非线性较强时或者噪声的统计特性不准确时，用KF/EKF对系统状态变量估计的性能将大大下降，甚至会造成滤波发散等问题，而90年代初出现的粒子滤波方法，基于蒙特卡洛的贝叶斯估计原理通过带权重的粒子集来逼近真实的后验概率分布，能够解决任何非线性非高斯的问题。
利用PF算法进行锂电池的循环寿命估计具有更好的效果，同时能给出预测结果的不确定性表达-概率密度分布。正是由于PF所具备的这些优势，NASA卓越故障预测研究中心的Saha等首次提出了利用粒子滤波的方法预测电池的循环使用寿命。图I为电池的集中参数模型，它来自于时域的电池放电曲线，或者频域的奈奎斯特点(可通过EIS的测量获得)。这些特征被用来估计图I所示模型中的参数。参数包括双电层电容CDl、电荷转移电阻RCT、Warburg阻抗Rw和电解质电阻RE。研究证明，“对电池退化的进程的影响微不足道，可以忽略不计。更为重要的是，实验研究发现，电池容量C与内部阻抗参数rct+re之间具有高度的线性相关性，因此可利用这种相关性，通过电化学阻抗谱法获取阻抗参数Rct和Re，从而来估计电池退化过程中的容量C。阻抗的变化是反映电池退化状态的主要参数之一，而与阻抗参数Rct+Re呈高度线性关系的电池容量C随着电池的老化过程也将逐渐退化，即每次充放电循环后的电池容量会逐渐下降，达不到额定容量，因此，本申请中，采用电池容量的退化作为电池循环使用寿命的主要表征参数。
具体实施方式
二本实施方式是对具体实施方式
一所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法的进一步限定，具体实施方式
一中，步骤一的具体过程为具体实施方式
三所述的所述RPF粒子电池退化电池经验模型为Ck+1 = n cCk+ β !θχρ (- β 2/ Δ tk) (I)其中，Ck表示第k个充放电周期的充电容量，Atk表示第k个周期到第k+Ι个周期的休息时间，^和β2是将要确定的参数。基于PF的电池循环寿命预测方法如图2所示。整个预测框架由传感器数据采集与处理、数据特征提取、粒子滤波的状态跟踪和电池容量的长期预测以及循环使用寿命计算四部分构成。预测中PF算法需要根据电池退化过程模型建立状态转移方程和观测方程，但是在实际工况中，根据锂离子电池内部的电化学反应来建立准确的电池退化过程的物理模型很困难。Saha等根据大量的电池退化实验和深入的研究工作，在预测框架中提出了一个经验模型来描述电池独立的充放电循环中容量的逐渐衰退过程,通过电池的充电、放电、休息对退化过程容量的影响，估计电池的循环使用寿命。这种电池模型是建立在大量的实验、经验分析以及电池物理模型基础上。在这个经验模型中，随着充放电过程的进行，电池容量的退化过程被描述为指数模型，电池退化过程中充放电循环对容量衰退的综合影响用库伦效率Hc(充放电效率)来模型化，库仑效率Hc定义为放电时释放出来的电荷与充电时充入的电荷的百分比；在任何电池中，电极周围产生的反应产物将降低反应速率，通过电池的休息，反应产物可能会消散，这将增加下一个充电周期的电池容量，进而获得电池容量的退化经验模型。然后根据上述经验模型建立基于PF算法的状态方程，利用PF算法良好的状态跟踪能力确定模型中的未知参数，最后实现电池循环寿命的预测及预测结果的不确定性表达。
具体实施方式
四本实施方式是对具体实施方式
一所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法的进一步限定，具体实施方式
一中所述AR模型指时间序列IxJ是它的前期值与随机项的线性函数，所述Xt表示t时刻的电池容量，
权利要求
1.基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，其特征在于，所述预测方法为 1)监测待预测的锂离子电池的各项物理参数，获得监测数据； 2)利用RPF算法对监测数据的电池容量数据进行状态跟踪，确定RPF粒子电池退化电池经验模型中的未知参数β工和β 2 ; 3)初始化并设定预测的起始点、粒子数目N、正则化粒子滤波模型中的过程噪声Wk的协方差R、正则化粒子滤波模型中的观测噪声Vk的协方差Q、电池使用寿命结束的阈值U ； 4)根据预测起始点确定训练长度Length，利用待测锂离子电池的电池容量历史数据进行AR模型的训练和建模； 5)根据4阶AR模型获得长期预测输出序列ARpredict⑴，将此预测值作为RPF算法观测方程中的观测值Z (i)； 6)利用RPF算法对电池循环使用寿命进行预测particle_filterO ,初始化、选取粒子、估计粒子权重、重采样、状态估计，根据状态空间模型对电池容量状态进行迭代更新，同时每一步输出一个电池容量状态估计值Capout ； 7)判断每一步输出的状态估计值Capout是否到达电池寿命结束的容量阈值U，若到达阈值，输出寿命的预测结果及其PDF分布。
2.根据权利要求I所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，其特征在于，所述RPF粒子电池退化电池经验模型为
3.根据权利要求I所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，其特征在于，AR模型指时间序列IxJ是它的前期值与随机项的线性函数，所述Xt表示t时刻的电池容量，
4.根据权利要求I所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，其特征在于，所述RPF算法是基于RPF粒子电池退化电池经验模型实现状态估计，所述经验模型的动态状态空间模型为 / =/(^-ι) + η-ι,、 \zk =h{xk) + vk(3) 其中，Xk为电池容量，Zk代表Xk的观测值，f ( ·)和h( ·)为状态转移方程以及观测方程，Wk^1为系统噪声，Vk^1为观测噪声。
5.根据权利要求4所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，其特征在于，RPF算法是从连续近似分布上重采样得到的粒子 N P(xk |.Vl k )5=5 Ρ(χ - |.Vl a- ) = Σ11A- (0^1, (xk -XkV)) (4) i=\
全文摘要
基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法，涉及锂离子电池循环寿命预测方法，数据预测技术领域。本发明解决了现有锂离子电池循环使用寿命预测方法中，基于模型的预测方法建模复杂且参数辨识困难的问题。本发明采用时间序列分析与粒子滤波方法相结合的锂离子电池循环寿命预测方法，该方法首先利用AR模型实现电池性能退化过程时间序列数据的多步预测；然后，重点针对循环寿命预测结果的不确定性表达问题，引入正则化粒子滤波方法，提出一种锂离子电池循环寿命预测方法框架。本发明所提出的方法能够有效地对锂离子电池循环寿命进行预测，并实现预测结果的概率密度分布输出，具有良好的计算效率和不确定性表达能力。
文档编号G01R31/36GK102778653SQ20121020532
公开日2012年11月14日 申请日期2012年6月20日 优先权日2012年6月20日
发明者刘大同, 庞景月, 彭宇, 王红, 罗悦, 马云彤 申请人:哈尔滨工业大学