一种相似电压序列的动力电池剩余寿命间接预测方法技术

本发明专利技术公开了一种相似电压序列的动力电池剩余寿命间接预测方法。实时准确的RUL预测是保证电动车辆安全有效工作的前提；然而，锂离子电池直接健康因子难以实现在线测量，针对这一现象，首先通过分析电池放电循环数据，引入灰色相关理论提出放电电压截止时间作为新的间接建立因子；其次，针对传统的单历史循环数据产生误差累积且不能准确反映电池非常规退化问题，通过孪生神经网络进行相似性分析，获得相似性放电截止电压序列；最后，在单体放电截止电压序列基础上引入相似性放电截止电压序列，建立高斯混合模型来获得实时准确的RUL并给出预测的置信区间。RUL并给出预测的置信区间。RUL并给出预测的置信区间。

An indirect prediction method of residual life of power battery with similar voltage sequence

【技术实现步骤摘要】
一种相似电压序列的动力电池剩余寿命间接预测方法


[0001]本专利技术属于电池故障预测和健康诊断
，涉及一种相似电压序列的动力电池剩余寿命间接预测方法。

技术介绍

[0002]随着环境污染和能源短缺问题的日益突出，电动车辆越来越受到相关部门和企业研究者的密切关注。锂离子电池由于其能量密度高，循环寿命长，成本低等优点而被广泛应用于电动汽车领域。准确的电池剩余寿命(Remaining useful life，RUL)预测是电动汽车安全运行的基本前提，也是电池管理系统的重要支撑因素。电池系统的故障预测与健康管理(Prognostics and Health Management，PHM)是电动汽车的关键技术之一，其中实时准确的RUL预测是保证动力电池稳定，有效，安全的前提。然而，由于容量等直接健康因子难以实现在线实时测量且退化因素相互耦合，因此提供一种简单有效的锂离子电池剩余寿命预测方法具有十分重要的意义。本专利技术专利提出一种相似电压序列的动力电池剩余寿命间接预测方法。目前，动力电池RUL的预测通常分为两类，包括机理模型法和数据驱动法。其中机理模型法通过建立锂离子电池退化的物理模型来识别可测量值与健康指标之间的对应关系。常见的方法有指数模型法，线性模型法，对数模型法以及卡尔曼滤波法等模型。基于数据驱动的方法是通过分析电池状态监测数据，挖掘电池的退化信息，建立电池的退化模型。常见的方法有静态神经网络，动态神经网络，支持向量机，高斯过程回归等方法。在实际复杂车载工况下：电池的容量衰退表现非常规的变化趋势，且直接健康因子实时测量难度大。因此，根据电池放电循环数据，引入灰色相关理论，提出放电电压截止时间作为新的间接健康因子。分析传统的单历史循环数据训练产生误差累积且不能准确反映电池非常规退化趋势，针对此问题，本专利技术专利引入电压相似性序列，采用孪生神经网络学习多序列电池的整体退化特征，来描述电池退化过程中的突变信息。在基于单体放电截止电压序列和相似放电截止电压序列的基础上，采用高斯混合回归模型建立动力电池的剩余寿命的预测模型并获得置信区间。

技术实现思路

[0003]本发为了获得在线测量健康因子且获得可靠的置信区间，提出一种相似电压序列的动力电池剩余寿命间接预测方法。
[0004]由于车载工况复杂多变，车辆实际运行状态、操作情况以及外界干扰等，导致动力电池的实际容量出现不稳定的变化趋势。同时，容量和内阻作为直接健康因子难以实现在线测量。因此，构建可以实际测量的间接健康因子具有十分重要的作用。
[0005]通过分析电池在实际车载过程中的放电情况，提出平均放电电流时间、放电电压截止时间、放电温度峰值时间作为间接健康因子。考虑实际车载工况的同时，通过灰色相关分析得到：电压参数作为用户的直接参考依据，具有较高的实用性。因此，采用放电电压截止时间作为新的健康因子。
[0006]在传统的神经网络模型中，通常采用历史循环的动力电池状态参数对结果进行预测。在对状态参数产生预测的同时，不仅会产生预测误差累积而且不能对电池在实际车载过程中非常规的衰退进行预测，从而影响RUL预测的效果。为了解决电池在退化过程的非常规衰退现象，如：容量再生现象，本专利技术采用基于孪生神经网络的相似理论，引入多序列状态来作为模型的训练数据。
[0007]通过分析美国国家航空航天局NASA PCoE研究中心的提供的Battery Data Set，如图1所示，虽然4个18650锂离子电池(B5，B6，B7，B18)在退化过程中出现特定的差异性，但是每个电池单体之间的退化过程相似，为了解决非常规退化趋势，如：容量再生现象以及单序列预测的误差累积现象，采用学习多序列整体退化特征来反应电池退化过程中的非常规现象，以获得更准确的电池剩余寿命预测。
[0008]从图1可以看出，四块电池的整体退化特性及局部容量再生现象具有很高的相似性。同时采用灰色相关理论分析放电电压截止序列的相似性。最后基于孪生神经网络对4块电池的电压序列进行相似性量化分析。
[0009]孪生神经网络的结构图如图2所示。孪生神经网络采用对比损失函数(Contrastive Loss Function，CLF)，对比损失函数可以高效的处理输入数据直接的关系，CLF表达式如下：
[0010][0011][0012]其中D
W
表示输入样本X
i
和X
j
的二范数，P代表输入样本的特征维度，Y代表样本是否匹配的标签。
[0013]若Y＝1表示样本相似，此时损失函数为：
[0014][0015]若样本Y＝0时，损失函数为：
[0016][0017]通过分析电池的放电历史循环数据，考虑实际车载工况的实用性，建立基于放电截止时间的间接健康因子，采用孪生神经网络进行相似性分析，并引入电压相似性理论，采用单体放电电压截止时间序列和电压相似性序列表征电池整体退化特征以及非常规退化现象。在实际车载复杂工况下，获得锂离子电池的RUL的置信度比传统的RUL点估计更具有实际意义。因此本专利技术专利在基于单体放电截止电压时间序列和相似电压序列的基础上，建立高斯混合预测锂离子电池的RUL并获得置信区间。
[0018]在单体放电截止电压时间序列和相似电压序列的基础上，取退化周期的前50％作为训练数据，后50％作为测试数据；采用通过K
‑
means聚类算法对电池数据进行聚类分析。锂离子电池的数据包括输出和输入数据单体放电截止电压序列，相似放电截止电压序列，以及电池RUL。建立高斯混合模型的联合密度函数：
[0019][0020]通过EM算法对高斯混合的超参数求解，得到最优超参数
[0021]Q＝{{α1，μ1，∑1}，{α2，μ2，∑2}，...，{α
n
，μ
n
，∑
n
}}
[0022]通过输出测试集数据，计算各个高斯分量测试集的后验概率：
[0023]μ
j(x)
＝μ
jy
+∑
jyx
∑
jxx
‑1(x
‑
μ
jx
)
[0024]∑
j(x)
＝∑
jyy
‑
∑
jyx
∑
jxx
‑1∑
jxy
[0025]通过高斯混合回归预测输出预测RUL以及置信区间
[0026][0027][0028]本专利技术通过分析电池组之间的状态参数，针对在实际车载工况下，直接健康因子难以在线测量且传统神经网络为预测为点估计，提出一种相似电压序列的动力电池剩余寿命间接预测方法。
附图说明
[0029]图1为本专利技术电池组容量衰退曲线图；
[0030]图2为本专利技术孪生神经网络结构框架图；
[0031]图3为本专利技术中所提电池剩余寿命预测方法结构框架图；
具体实施方式
[0032]步骤1：实验获得车载动力电池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相似电压序列的动力电池剩余寿命间接预测方法，其特征包括：根据动力电池放电数据特征，考虑实际车载工况下，提出放电电压截止时间作为动力电池剩余寿命预测的间接健康因子；考虑当历史放电截止电压循环数据产生的误差累积且不能准确反映电池的非正常退化问题，提出采用辅助相似电压序列和单历史循环电压序列结合作为动力电池剩余寿命预测的训练数据。通过引入多序列放电截止电压数据，建立高斯混合模型来预测动力电池的剩余寿命，并输出置信区间。2.如权利要求书1所述的一种相似点电压序列动力电池剩余寿命预测方法，其特征在于，克服了传统直接健康因子容量内阻的难以实现在线测量问题，提取间接健康因子：放电截止时间、平均放电电流时间以及放电温度峰值时间；引入灰色相关理论确定间接健康因子与动力电池退化特性之间的相关性。考虑...

【专利技术属性】
技术研发人员：叶敏，魏孟，王桥，武晨光，麻玉川，张佳乐，
申请(专利权)人：长安大学，
类型：发明
国别省市：