基于改进粒子滤波模型的锂离子剩余寿命预测方法技术

本发明专利技术涉及一种基于改进粒子滤波模型的锂离子剩余寿命预测方法，属于电池技术领域。针对锂离子电池在使用过程中，因负载随机而导致电流随机变化和不完全充放电的现象，从而使得电池的退化速率差异较大以及电池退化数据不充分的问题，提出一种估计锂离子电池健康状态并构建神经网络模型进行剩余寿命预测的方法，具体问：在历史数据中提取健康因子；通过基于贝叶斯优化的多核RVM映射，获得完整的健康因子序列；建立序列到序列的LSTM模型，估计锂离子电池的真实容量；建立基于IPSO

【技术实现步骤摘要】
基于改进粒子滤波模型的锂离子剩余寿命预测方法


[0001]本专利技术属于电池
，涉及基于改进粒子滤波模型的锂离子剩余寿命预测方法。

技术介绍

[0002]电池在不断的充放电循环后，其性能会产生不可逆的影响。电池漏液、绝缘损坏、局部短路等问题都可能引发灾难性事故，因此电池状态信息的准确估计对于避免由于锂离子电池老化和性能下降引起的安全隐患是十分必要的。
[0003]电池的健康状态和剩余使用寿命与电池历史的使用情况密切相关，在实际应用中电池往往不是处在标准的充放电工况下，而实际中的随机放电会导致电池退化速率差异较大和电池退化数据不充分等问题，对于这种情况，应考虑提取优化后的完整的健康因子序列，并通过序列到序列的LSTM和改进粒子滤波模型进行健康状态的估计和剩余使用寿命的预测。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于改进粒子滤波模型的锂离子剩余寿命预测方法。基于电池退化速率差异较大和电池退化数据不充分的问题，利用多核RVM进行健康因子映射，同时结合序列到序列的LSTM模型，得到未来多个循环的容量估计值。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]基于改进粒子滤波模型的锂离子剩余寿命预测方法，该方法包括以下步骤：
[0007]S1：提取并优化健康因子：针对锂离子电池充放电数据曲线提取健康因子，并对部分健康因子的参数进行寻优，以获得与容量衰减相关性最高的健康因子；
[0008]S2：多核RVM的健康因子映射：以经过贝叶斯优化后的相关向量机(RVM)为工具，学习充电健康因子与放电健康因子之间的映射关系，以获取完整的健康因子序列；
[0009]S3：序列到序列的LSTM模型：根据S2中提取到的完整电池健康因子构造序列输入，利用电池容量数据作为标签，训练LSTM神经网络；
[0010]S4：建立基于IPSO
‑
PF的锂离子电池退化双指数模型：采用改进的粒子群优化算法和粒子滤波算法不断优化双指数模型的参数，以此来拟合电池容量退化趋势；
[0011]S5：寿命预测：训练S4中构建的模型并进行寿命预测。
[0012]可选的，所述S1具体为：选取基于充电阶段曲线的恒流充电期间等电压间隔的时间HF1、恒压充电期间等电流间隔的时间差HF2、恒流充电期间等电压间隔的温度差HF3作为健康因子，具体计算公式如下：
[0013][0014]其中为恒流充时电压达到V
upper
的绝对时间，为恒流充时电压达到V
lower
的绝对时间；为恒压充时电压达到I
upper
的绝对时间，为恒压充时电压达到I
lower
的绝对时间；为恒流充时电压达到V
upper
的温度，为恒流充时电压达到V
lower
的温度；
[0015]根据电池随机放电曲线来提取随机放电电流积分值HF4、随机放电电压样本熵HF5、随机放电温度标准差HF6作为健康因子，具体计算公式如下：
[0016][0017]其中SampEn是对长度为m的窗口在容差r内保持相似并且也匹配下一个电的条件概率的估计，长度为m的窗口是长度为Nc的时间序列的子序列；T
K
是电池随机放电循环的第K个温度值；u是随机放电循环的平均度，n是测量到的温度个数；
[0018]针对随机放电工况下的锂离子电池充放电曲线分别提取了六个健康因子后，通过粒子群优化算法针对充电过程提取的健康因子进行优化；具体是分别将HF1的V
upper
、V
lower
，HF2的I
upper
、I
lower
以及HF3的V
upper
、V
lower
作为需要寻优的参数，将各个健康因子与容量的皮尔逊相关系数作为PSO的适应度函数，即：
[0019]F(x)＝ρ(HF,capacity)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]其中，F(x)为粒子群适应度函数，HF为对应的健康因子序列，capacity为容量序列，ρ为皮尔逊相关系数函数。
[0021]可选的，所述S2具体为：将不完全充放电循环的充电健康因子HF1、HF2、HF3共同作为输入，放电健康因子HF4、HF5、HF6分别作为输出；对于数据集x
i
∈R，t
i
∈R其中x
i
为样本的输入，t
i
为目标输出值，R表示实数集，D为样本的总数；模型输入、输出之间的关系如下：
[0022]t
i
＝y(x
i
,w
i
)+ε
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]其中K(x,x
i
)表示为核函数，w＝(w1,w2,K,w
D
)
T
为核函数对应的权重向量，w0为偏置参数；
[0024]针对健康因子不同的退化趋势，选取线性核函数、多项式核函数、高斯核函数和Sigmoid核函数进行线性组合，组合后的四个核函数的权重系数需要手动确定；
[0025]在通过贝叶斯优化算法优化RVM模型的过程中，由高斯过程回归和采集函数采样两步组成，通过连续添加采样点更新目标函数的后验分布，直到后验分布与真实分布一致；首先在域空间χ中选择初始超参数集x；然后根据采样集和高斯分布的性质计算f(x)的概率分布，使用采集函数得到下一个采样点的位置；最后计算f(x)并更新目标函数f以达到迭代次数或满足收敛条件；
[0026]基于贝叶斯优化多核RVM算法具体实施过程如下：训练集、预测集准备；确定需要优化的超参数及范围；搭建并训练贝叶斯优化RVM模型。
[0027]可选的，所述S3具体为：
[0028]S32：构造数据集：根据S2中多核RVM框架获取完整的健康因子序列，并对其进行归
一化，构造输入数据，提取容量数据并计算得到电池健康状态SOH即该输入对应的标签；构造的数据集为：
[0029][0030]Y＝{Y1,Y2,Y3,
…
,Y
m
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0031]针对LSTM模型，设步长为10，通过当前连续10个循环的容量值{x
41
,x
42
,
…
,x
49
,x
50
}一次预测输出未来10个循环的容量估计值再利用这10个估计值进行下一次的预测，这种序列到序列的LSTM方法迭代次数少，累计误差小；Y
i
为第i次循环的SOH值；m为循环次数；
[0032]S32：模型离线训练：首先确定LSTM算法需要优化的参数为时间步长、隐藏层节点数和训练次数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进粒子滤波模型的锂离子剩余寿命预测方法，其特征在于：该方法包括以下步骤：S1：提取并优化健康因子：针对锂离子电池充放电数据曲线提取健康因子，并对部分健康因子的参数进行寻优，以获得与容量衰减相关性最高的健康因子；S2：多核RVM的健康因子映射：以经过贝叶斯优化后的相关向量机(RVM)为工具，学习充电健康因子与放电健康因子之间的映射关系，以获取完整的健康因子序列；S3：序列到序列的LSTM模型：根据S2中提取到的完整电池健康因子构造序列输入，利用电池容量数据作为标签，训练LSTM神经网络；S4：建立基于IPSO
‑
PF的锂离子电池退化双指数模型：采用改进的粒子群优化算法和粒子滤波算法不断优化双指数模型的参数，以此来拟合电池容量退化趋势；S5：寿命预测：训练S4中构建的模型并进行寿命预测。2.根据权利要求1所述的基于改进粒子滤波模型的锂离子剩余寿命预测方法，其特征在于：所述S1具体为：选取基于充电阶段曲线的恒流充电期间等电压间隔的时间HF1、恒压充电期间等电流间隔的时间差HF2、恒流充电期间等电压间隔的温度差HF3作为健康因子，具体计算公式如下：其中为恒流充时电压达到V
upper
的绝对时间，为恒流充时电压达到V
lower
的绝对时间；为恒压充时电压达到I
upper
的绝对时间，为恒压充时电压达到I
lower
的绝对时间；为恒流充时电压达到V
upper
的温度，为恒流充时电压达到V
lower
的温度；根据电池随机放电曲线来提取随机放电电流积分值HF4、随机放电电压样本熵HF5、随机放电温度标准差HF6作为健康因子，具体计算公式如下：其中SampEn是对长度为m的窗口在容差r内保持相似并且也匹配下一个电的条件概率的估计，长度为m的窗口是长度为Nc的时间序列的子序列；T
K
是电池随机放电循环的第K个温度值；u是随机放电循环的平均度，n是测量到的温度个数；针对随机放电工况下的锂离子电池充放电曲线分别提取了六个健康因子后，通过粒子群优化算法针对充电过程提取的健康因子进行优化；具体是分别将HF1的V
upper
、V
lower
，HF2的I
upper
、I
lower
以及HF3的V
upper
、V
lower
作为需要寻优的参数，将各个健康因子与容量的皮尔逊相关系数作为PSO的适应度函数，即：F(x)＝ρ(HF,capacity)
ꢀꢀꢀꢀꢀꢀ
(3)其中，F(x)为粒子群适应度函数，HF为对应的健康因子序列，capacity为容量序列，ρ为
皮尔逊相关系数函数。3.根据权利要求2所述的基于改进粒子滤波模型的锂离子剩余寿命预测方法，其特征在于：所述S2具体为：将不完全充放电循环的充电健康因子HF1、HF2、HF3共同作为输入，放电健康因子HF4、HF5、HF6分别作为输出；对于数据集x
i
∈R，t
i
∈R其中x
i
为样本的输入，t
i
为目标输出值，R表示实数集，D为样本的总数；模型输入、输出之间的关系如下：t
i
＝y(x
i
,w
i
)+ε
i
ꢀꢀꢀꢀꢀ
(4)其中K(x,x
i
)表示为核函数，w＝(w1,w2,K,w
D
)
T
为核函数对应的权重向量，w0为偏置参数；针对健康因子不同的退化趋势，选取线性核函数、多项式核函数、高斯核函数和Sigmoid核函数进行线性组合，组合后的四个核函数的权重系数需要手动确定；在通过贝叶斯优化算法优化RVM模型的过程中，由高斯过程回归和采集函数采样两步组成，通过连续添加采样点更新目标函数的后验分布，直到后验分布与真实分布一致；首先在域空间χ中选择初始超参数集x；然后根据采样集和高斯分布的性质计算f(x)的概率分布，使用采集函数得到下一个采样点的位置；最后计算f(x)并更新目标函数f以达到迭代次数或满足收敛条件；基于贝叶斯优化多核RVM算法具体实施过程如下：训练集、预测集准备；确定需要优化的超参数及范围；搭建并训练贝叶斯优化RVM模型。4.根据权利要求3所述的基于改进粒子滤波模型的锂离子剩余寿命预测方法，其特征在于：所述S3具体为：S32：构造数据集：根据S2中多核RVM框架获取完整的健康因子序列，并对其进行归一化，构造输入数据，提取容量数据并计算得到电池健康状态SOH即该输入对应的标签；构造的数据集为：Y＝{Y1,Y2,Y3,
…
,Y
m
}
ꢀꢀꢀꢀꢀꢀꢀ
(6)针对LSTM模型，设步长为10，通过当前连续10个循环的容量值{x
41
,x
42
,
…
,x
49
,x
50
}一次预测输出未来10个循环的容量估计值再利用这10个估计值进行下一次的预测，这种序列到序列的LSTM方法迭代次数少，累计误差小；Y
i
为第i次循环的SO...

【专利技术属性】
技术研发人员：廖孝勇，游锐，林景栋，李源琼，曾德涛，周俞辰，陈梦杰，闫冠松，
申请(专利权)人：重庆大学，
类型：发明
国别省市：