电池寿命的预测方法及系统技术方案

本发明专利技术公开了一种电池寿命的预测方法及系统。所述预测方法包括以下步骤：S1、获取待测电池的历史电池数据；S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值；S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪，更新所述电池容量退化模型的状态变量，并根据所述状态变量确定所述待测电池的寿命。本发明专利技术中，电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得，在此基础上，通过粒子滤波算法能准确预测待测电池的寿命规律，提高电池寿命预测的准确性，从而提高电池使用的安全性。

Prediction method and system of battery life

The invention discloses a prediction method and a system for battery life. The prediction method includes the following steps: S1, obtaining the historical battery data of the battery to be measured; S2, calculating the initial value of the state variable of the battery capacity degradation model of the battery based on the time series algorithm and calculating the battery capacity degradation model according to the historical battery data; S3, based on the particle filter method and based on the initial value of the state variable. The battery capacity degradation model is described by state tracking, the state variable of the battery capacity degradation model is updated, and the life of the battery is determined according to the state variable. In this invention, the initial value of the state variable of the battery capacity degradation model is based on the time series algorithm and calculated according to the history battery data of the battery to be measured. On this basis, the particle filtering algorithm can accurately predict the life law of the battery to be measured, improve the accuracy of the battery life prediction, and thus improve the battery. The security that is used.

【技术实现步骤摘要】
电池寿命的预测方法及系统
本专利技术涉及电池
，特别涉及一种电池寿命的预测方法及系统。
技术介绍
对于充电电池来说，当其实际容量下降至其额定容量的80％时视其失效。这个过程中所经历的循环次数称为充电电池的循环寿命。充电电池非正常状态下的老化和性能衰退会引起严重故障发生，因此对充电电池进行寿命预测具有重要意义。现有技术中一般采用粒子滤波算法预测电池的使用寿命，粒子滤波模型的参数初值要么通过经验获取，要么通过同类型的其他电池的已知寿命衰减数据计算。但通过上述方式获取的粒子滤波模型的参数初值并不能准确反映待测电池的实际状况，也就不能准确反映待测电池的寿命规律，致使预测结果不准确。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中预测电池寿命的方法准确度较低的缺陷，提供一种电池寿命的预测方法及系统。本专利技术是通过下述技术方案来解决上述技术问题：一种电池寿命的预测方法，所述预测方法包括以下步骤：S1、获取待测电池的历史电池数据；S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值；S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪，更新所述电池容量退化模型的状态变量，并根据所述状态变量确定所述待测电池的寿命。较佳地，步骤S2具体包括：利用所述历史电池数据对时间序列模型进行训练和建模，以得到所述电池容量退化模型；对所述电池容量退化模型中的状态变量进行拟合，将拟合结果作为各个状态变量的初值。较佳地，所述电池容量退化模型为：Qm＝am×exp(bm×m)+cm；其中，Qm表征所述待测电池第m次充放电对应的电池容量，am、bm、cm表征对应的状态变量。较佳地，所述时间序列模型具体为：ARMA模型。较佳地，所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。较佳地，步骤S3中，根据所述状态变量确定所述待测电池的寿命的步骤具体包括：利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量；判断第k+n次充放电对应的电池容量是否在容量阈值内，在判断为是时，将n确定所述待测电池的寿命；其中，n为自然数。本专利技术还提供一种电池寿命的预测系统，所述预测系统包括：数据获取模块，用于获取待测电池的历史电池数据；计算模块，用于基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值；所述计算模块还用于基于粒子滤波系统并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪，更新所述电池容量退化模型的状态变量，并根据所述状态变量确定所述待测电池的寿命。较佳地，所述计算模块包括：初值计算单元；所述初值计算单元用于利用所述历史电池数据对时间序列模型进行训练和建模，以得到所述电池容量退化模型，并对所述电池容量退化模型中的状态变量进行拟合，将拟合结果作为各个状态变量的初值。较佳地，所述电池容量退化模型为：Qm＝am×exp(bm×m)+cm；其中，Qm表征所述待测电池第m次充放电对应的电池容量，am、bm、cm表征对应的状态变量。较佳地，所述时间序列模型具体为：ARMA模型。较佳地，所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。较佳地，所述计算模块还包括：电池容量计算单元和判断单元；所述电池容量计算单元用于利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量；所述判断单元用于判断第k+n次充放电对应的电池容量是否在容量阈值内，在判断为是时，将n确定所述待测电池的寿命；其中，n为自然数。本专利技术的积极进步效果在于：本专利技术中，电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得，在此基础上，通过粒子滤波算法能准确预测待测电池的寿命规律，提高电池寿命预测的准确性，从而提高电池使用的安全性。附图说明图1为本专利技术实施例1的电池寿命的预测方法的流程图。图2为本专利技术实施例2的电池寿命的预测系统的模块示意图。具体实施方式下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。实施例1如图1所示，本实施例的电池寿命的预测方法包括以下步骤：步骤101、获取待测电池的历史电池数据。其中，历史电池数据包括待测电池的充放电次数k和每次充放电对应的电池容量。本实施例中，待测电池的历史电池数据可从BMS(电池管理系统)获得。具体的：BMS对待测电池进行实时监测，记录待测电池的电池数据。其中，电池数据包括：待测电池的充放电次数k，电池充放电过程中的电压、电流、温度等参数。BMS根据获得电压、电流、温度等参数可计算待测电池每次充放电对应的电池容量。步骤102、基于时间序列算法并根据历史电池数据计算待测电池的电池容量退化模型的状态变量的初值。具体的，步骤102包括：步骤102-1利用已知的充放电容量序列(历史电池数据)对时间序列模型进行训练和建模，以得到电池容量退化模型。其中，电池容量退化模型为：Qm＝am×exp(bm×m)+cm；Qm表征待测电池第m次充放电对应的电池容量，am、bm、m表征对应的状态变量，m为自然数。状态变量的状态转移方程为：本实施例中，由于ARMA模型可在最小方差意义下对平稳时间序列进行逼近预测，因此时间序列模型采用ARMA模型。步骤102-2、对电池容量退化模型中的状态变量进行拟合，将拟合结果作为各个状态变量的初值。其中，状态变量的初值也即a0、b0、c0。步骤103、基于粒子滤波方法并根据状态变量的初值对电池容量退化模型进行状态跟踪，更新电池容量退化模型的状态变量，并根据状态变量确定待测电池的寿命。具体的，步骤103中，根据状态变量的初值a0、b0、c0对电池容量退化模型进行状态跟踪，可获得电池容量退化模型的状态变量：a1、b1、c1；a2、b2、c2；以此类推，即可获得ak、bk和ck。步骤103中，根据状态变量确定待测电池的寿命的步骤具体包括：利用ak、bk和ck并根据电池容量退化模型预测待测电池第k+1次充放电对应的电池容量Qk+1。需要说明的是，k作为预测起点，k之前的数据即为电池历史数据，k之后的数据，例如Qk+1、Qk+2、…、Qk+n，即为预测数据。判断Qk+1是否小于容量阈值。其中，容量阈值可根据电池的类型等实际情况设置，一般设为电池额定容量的80％。若判断为否，则将预测的充放电次数加1并重复执行上述步骤。也即下一次利用ak+1、bk+1和ck+1，并根据电池容量退化模型预测待测电池第k+2次充放电对应的电池容量Qk+2，并判断Qk+2是否小于容量阈值，以此类推。若判断为是，则根据待测电池当前预测的充放电次数(k+n)确定待测电池的寿命，也即将n确定待测电池的寿命。n为自然数。本实施例中，电池容量退化模型的状态变量的初值基于时间序列算法并根据待测电池的自身的历史电池数据计算获得，在此基础上，通过粒子滤波算法能准确预测待测电池的寿命规律，提高电池寿命预测的准确性，从而提高电池使用的安全性。实施例2如图2所示，本实施例的电池寿命的预测系统包括：数据获取模块1和计算模块2。数据获取模块用于获取待测电池的历史电池数据。其中，历史电池数据包括待测电池本文档来自技高网...

【技术保护点】
1.一种电池寿命的预测方法，其特征在于，所述预测方法包括以下步骤：S1、获取待测电池的历史电池数据；S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值；S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪，更新所述电池容量退化模型的状态变量，并根据所述状态变量确定所述待测电池的寿命。

【技术特征摘要】
1.一种电池寿命的预测方法，其特征在于，所述预测方法包括以下步骤：S1、获取待测电池的历史电池数据；S2、基于时间序列算法并根据所述历史电池数据计算所述待测电池的电池容量退化模型的状态变量的初值；S3、基于粒子滤波方法并根据所述状态变量的初值对所述电池容量退化模型进行状态跟踪，更新所述电池容量退化模型的状态变量，并根据所述状态变量确定所述待测电池的寿命。2.如权利要求1所述的电池寿命的预测方法，其特征在于，步骤S2具体包括：利用所述历史电池数据对时间序列模型进行训练和建模，以得到所述电池容量退化模型；对所述电池容量退化模型中的状态变量进行拟合，将拟合结果作为各个状态变量的初值。3.如权利要求2所述的电池寿命的预测方法，其特征在于，所述电池容量退化模型为：Qm＝am×exp(bm×m)+cm；其中，Qm表征所述待测电池第m次充放电对应的电池容量，am、bm、cm表征对应的状态变量。4.如权利要求2所述的电池寿命的预测方法，其特征在于，所述时间序列模型具体为：ARMA模型。5.如权利要求2所述的电池寿命的预测方法，其特征在于，所述历史电池数据包括所述待测电池的充放电次数k和每次充放电对应的电池容量。6.如权利要求5所述的电池寿命的预测方法，其特征在于，步骤S3中，根据所述状态变量确定所述待测电池的寿命的步骤具体包括：利用所述状态变量并根据所述电池容量退化模型预测所述待测电池第k+n次充放电对应的电池容量；判断第k+n次充放电对应的电池容量是否小于容量阈值，在判断为是时，将n确定所述待测电池的寿命；其中，n为自然数。7.一种电池寿命的预测系统，其特征在于，所述...

【专利技术属性】
技术研发人员：张思文，王锭笙，李佳，孙华，王兵，顾嘉玮，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：上海,31