一种粒子滤波与机理模型相结合的二次电池寿命预测方法技术

一种粒子滤波与机理模型相结合的二次电池寿命预测方法，本发明专利技术是为了解决传统基于粒子滤波的二次电池寿命预测完全基于数据驱动，忽视预测对象机理特点的缺陷，导致对电化学电源寿命的预测结果准确性差的问题。训练阶段用粒子滤波方法跟踪电池内部状态变量的真实值得到状态变量随充放电循环次数变化的回归方程为新的状态方程；预测阶段利用新的状态方程推算未知充放电循环时状态变量估计值，生成多个粒子，代入观测方程中得多个容量观测量的估计值，以多个容量观测值估计值的中位数作对未来某次充放电循环时电池容量的预测，当达到预先设定的电池容量下限，该容量预测值所对应的循环次数与训练阶段所用的循环次数的差值为电池可用的剩余循环次数。

【技术实现步骤摘要】

本专利技术涉及一种将二次电池(包括锂离子电池、铅酸电池，以下简称电池)机理模型仿真技术与粒子滤波算法相结合的电池寿命预测新方法。属于设备可靠性领域。
技术介绍
近年来，铅酸电池和锂离子电池等二次充电电池在电动汽车、智能电网等领域获得了广泛应用。从使用的角度，电池的寿命问题已经成为制约电动汽车、智能电网发展的瓶颈问题。准确预测电池的寿命，是基于状态的电池系统维护的基本要求，对于提高电池系统的可靠性、节约成本至关重要。电池的寿命预测方法可以分为三类：“基于老化机理”，需要知道导致电池老化的诸如催化剂有效面积减少、可用导电离子浓度降低、电极钝化膜增长等老化机制，并对其进行建模，单一老化机制的建模就非常复杂，各种老化模式之间又相互耦合，所以基于老化机理的寿命预测方法难以实现；“基于数据驱动”，依据电池容量的历史数据变化趋势，结合非线性回归、卡尔曼滤波、粒子滤波等算法，对电池性能进行预测，这种方法忽视了数据的物理意义和电池对象，很难取得好的预测精度；“基于特征”，结合反映电池寿命的可测特征预测电池寿命，通常这种特征比较难于选取，并且特征量与电池容量之间的联系难以量化。粒子滤波的思想基于蒙特卡洛方法，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达状态变量分布，是一种顺序重要性采样方法。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子，当样本数量趋近于无穷大时可以逼近任何形式的概率密度分布。粒子滤波具有非参数化的特点，摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布，能够获得更加精确的系统状态估计结果。
技术实现思路
本专利技术是为了解决传统基于粒子滤波的二次电池寿命预测完全基于数据驱动，忽视预测对象机理特点的缺陷，导致对电池寿命的预测结果准确性差的问题。现提供一种粒子滤波与机理模型相结合的二次电池寿命预测方法。一种粒子滤波与机理模型相结合的二次电池寿命预测方法，它包括以下内容：步骤一、构建二次电池的机理模型，所述二次电池的机理模型能够模拟任意电流条件时电池的充放电电压随时间变化的曲线；步骤二、训练阶段：将步骤一中的二次电池在正常使用工况下进行老化一段时间，每间隔固定的充放电循环次数利用动态工况离线测量二次电池老化过程中的充放电曲线，此时获得的电压为实际二次电池输出电压U，向二次电池的机理模型仿真输入同样的动态工况电流，用模型仿真输出去模拟二次电池在不同老化阶段的实际输出U，利用遗传算法或最小二乘法，根据目标函数实现对二次电池模型参数集P的辨识，将辨识得到的二次电池各个老化阶段的多个参数集P作为训练数据，从训练用的多个参数集P中选择与老化过程相关的L个机理模型参数作为状态向量X，其中，L为正整数，以实际负荷电流情况下的电池容量Q作为观测量，同样负荷电流情况下的电池机理模型仿真和折算容量估计值的过程作为观测方程，利用粒子滤波算法使老化过程中各个阶段的状态向量的估计值接近真实值X；步骤三、预测过程：采用步骤二中经过粒子滤波算法训练过程中的状态向量估计值序列，用多项式回归的方法，得到状态向量X关于循环次数k的回归方程，以此作为新的状态方程，当k为未来某个充放电循环次数时，通过新的状态方程得到状态向量的估计值代入方程：式中，k为循环次数，XP,i,j(k)表示第j个粒子的第i个分量，服从均值为方差为σw,i的正态分布，1≤i≤L，1≤j≤M，wi为状态变量Xi的系统过程噪声，获取满足高斯分布的多个粒子，将多个粒子代入步骤二中的观测方程中，以得到的多个观测量估计值的中位数，作为对未来电池容量的预测值，当预测容量达到预先设定的电池容量下限时，对应的循环次数与步骤二中训练阶段所用的循环次数的差值为电池可用的剩余循环次数，从而实现对二次电池剩余寿命的预测。本专利技术的有益效果为：在训练阶段，利用粒子滤波方法跟踪电池内部状态向量的真实值，并以得到的状态向量随充放电循环次数变化的回归方程为新的状态方程。在预测阶段，利用新的状态方程推算未知充放电循环时的状态变量的估计值，在此基础上生成多个粒子，分别代入观测方程中得多个容量观测量的估计值，以多个容量观测值估计值的中位数作为对未来某次充放电循环时电池容量的预测，当电池容量的预测值达到预先设定的电池容量下限时，该容量预测值所对应的循环次数与训练阶段所用的循环次数的差值为电池可用的剩余循环次数。它用于对电化学电源的寿命进行预测。首次将机理电化学模型与粒子滤波算法相结合，应用于二次电池的寿命预测，采用该方法得到二次电池寿命的预测结果与采用现有方法得到二次电池的寿命预测结果相比预测误差降低在10％以内。该方法突破了传统的完全基于数据驱动的粒子滤波寿命预测方法。该方法以机理模型仿真程序作为观测器、以随电池老化而有规律变化的机理模型参数作为状态变量，对传统粒子滤波预测方法进行改进。相比传统粒子滤波方法，本方法具有观测方程精度高、状态变量物理意义明确的特点，能够实现对电池剩余寿命的准确预测。可用于不同原理的二次电池的寿命预测。附图说明图1为具体实施方式一所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法的流程图；图2为某铅酸电池DST工况电流曲线图；图3为某铅酸电池DST工况电压曲线图。具体实施方式具体实施方式一：参照图1至图3具体说明本实施方式，本实施方式所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法，它包括以下内容：步骤一、构建二次电池的机理模型，所述二次电池的机理模型能够模拟任意电流条件时电池的充放电电压随时间变化的曲线；步骤二、训练阶段：将步骤一中的二次电池在正常使用工况下进行老化一段时间，每间隔固定的充放电循环次数利用动态工况离线测量二次电池老化过程中的充放电曲线，此时获得的电压为实际二次电池输出电压U，向二次电池的机理模型仿真输入同样的动态工况电流，用模型仿真输出去模拟二次电池在不同老化阶段的实际输出U，利用遗传算法或最小二乘法，根据目标函数实现对二次电池模型参数集P的辨识，将辨识得到的二次电池各个老化阶段的多个参数集P作为训练数据，从训练用的多个参数集P中选择与老化过程相关的L个机理模型参数作为状态向量X，其中，L为正整数，以实际负荷电流情况下的电池容量Q作为观测量，同样负荷电流情况下的电池机理模型仿真和折算容量估计值的过程作为观测方程，利用粒子滤波算法使老化过程中各个阶段的状态向量的估计值接近真实值X；步骤三、预测过程：采用步骤二中经过粒子滤波算法训练过程中的状态向量估计值序列，用多项式回归的方法，得到状态向量X关于循环次数k的回归方程，以此作为新的状态方程，当k为未来某个充放电循环次数时，通过新的状态方程得到状态向量的估计值代入方程：式中，k为循环次数，XP,i,j(k)表示第j个粒子的第i个分量，服从均值为方差为σw,i的正态分布，1≤i≤L，1≤j≤M，wi为状态变量Xi的系统过程噪声，获取满足高斯分布的多个粒子，将多个粒子代入步骤二中的观测方程中，以本文档来自技高网...

【技术保护点】
一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，它包括以下内容：步骤一、构建二次电池的机理模型，所述二次电池的机理模型能够模拟任意电流条件时电池的充放电电压随时间变化的曲线；步骤二、训练阶段：将步骤一中的二次电池在正常使用工况下进行老化一段时间，每间隔固定的充放电循环次数利用动态工况离线测量二次电池老化过程中的充放电曲线，此时获得的电压为实际二次电池输出电压U，向二次电池的机理模型仿真输入同样的动态工况电流，用模型仿真输出去模拟二次电池在不同老化阶段的实际输出U，利用遗传算法或最小二乘法，根据目标函数实现对二次电池模型参数集P的辨识，将辨识得到的二次电池各个老化阶段的多个参数集P作为训练数据，从训练用的多个参数集P中选择与老化过程相关的L个机理模型参数作为状态向量X，其中，L为正整数，以实际负荷电流情况下的电池容量Q作为观测量，同样负荷电流情况下的电池机理模型仿真和折算容量估计值的过程作为观测方程，利用粒子滤波算法使老化过程中各个阶段的状态向量的估计值接近真实值X；步骤三、预测过程：采用步骤二中经过粒子滤波算法训练过程中的状态向量估计值序列，用多项式回归的方法，得到状态向量X关于循环次数k的回归方程，以此作为新的状态方程，当k为未来某个充放电循环次数时，通过新的状态方程得到状态向量的估计值代入方程：式中，k为循环次数，XP,i,j(k)表示第j个粒子的第i个分量，服从均值为方差为σw,i的正态分布，1≤i≤L，1≤j≤M，wi为状态变量Xi的系统过程噪声，获取满足高斯分布的多个粒子，将多个粒子代入步骤二中的观测方程中，以得到的多个观测量估计值的中位数，作为对未来电池容量的预测值，当预测容量达到预先设定的电池容量下限时，对应的循环次数与步骤二中训练阶段所用的循环次数的差值为电池可用的剩余循环次数，从而实现对二次电池剩余寿命的预测。...

【技术特征摘要】
1.一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，它包括以下内容：步骤一、构建二次电池的机理模型，所述二次电池的机理模型能够模拟任意电流条件时电池的充放电电压随时间变化的曲线；步骤二、训练阶段：将步骤一中的二次电池在正常使用工况下进行老化一段时间，每间隔固定的充放电循环次数利用动态工况离线测量二次电池老化过程中的充放电曲线，此时获得的电压为实际二次电池输出电压U，向二次电池的机理模型仿真输入同样的动态工况电流，用模型仿真输出去模拟二次电池在不同老化阶段的实际输出U，利用遗传算法或最小二乘法，根据目标函数实现对二次电池模型参数集P的辨识，将辨识得到的二次电池各个老化阶段的多个参数集P作为训练数据，从训练用的多个参数集P中选择与老化过程相关的L个机理模型参数作为状态向量X，其中，L为正整数，以实际负荷电流情况下的电池容量Q作为观测量，同样负荷电流情况下的电池机理模型仿真和折算容量估计值的过程作为观测方程，利用粒子滤波算法使老化过程中各个阶段的状态向量的估计值接近真实值X；步骤三、预测过程：采用步骤二中经过粒子滤波算法训练过程中的状态向量估计值序列，用多项式回归的方法，得到状态向量X关于循环次数k的回归方程，以此作为新的状态方程，当k为未来某个充放电循环次数时，通过新的状态方程得到状态向量的估计值代入方程：式中，k为循环次数，XP,i,j(k)表示第j个粒子的第i个分量，服从均值为方差为σw,i的正态分布，1≤i≤L，1≤j≤M，wi为状态变量Xi的系统过程噪声，获取满足高斯分布的多个粒子，将多个粒子代入步骤二中的观测方程中，以得到的多个观测量估计值的中位数，作为对未来电池容量的预测值，当预测容量达到预先设定的电池容量下限时，对应的循环次数与步骤二中训练阶段所用的循环次数的差值为电池可用的剩余循环次数，从而实现对二次电池剩余寿命的预测。2.根据权利要求1所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，步骤一中，二次电池的机理模型为：U(t)＝f[I(t),P(k)] (公式2)，式中，I(t)为给定电流，f为函数映射，P(k)为二次电池的参数集，k为充放电循环次数，参数集P随充放电次数k的增加而发生变化，U(t)为二次电池的外部可测电压。3.根据权利要求1所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，步骤二中，目标函数为：式中，I(t)为给定电流，P为待辨识参数集，S为参数集的搜索空间，N为所取的电压随时间变化曲线上的数据点数，为机理模型仿真输出电压，U为实际电池输出电压。4.根据权利要求1所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，步骤二中，状态向量X为：式中，X1～XL为模型参数集P中与老化相关的L个参数。5.根据权利要求1所述的一种粒子滤波与机理模型相结合的二次电池寿命预测方法，其特征在于，步骤二中，电池容量Q的方程为：Q(k)＝q[I(t),P(k)] (公式5)，式中，I(t)为测定容量所采用的电流，P(k)为模型参数集，q[·]表示根据放电曲线和放电时间...

【专利技术属性】
技术研发人员：吕超，葛腾飞，丛巍，李俊夫，刘璇，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23