本发明涉及电池管理系统健康预测和诊断技术领域,尤其涉及一种动力电池剩余寿命间接预测方法。
背景技术:
锂离子电池是许多设备中主要或辅助电源的来源,它们正迅速成为电动汽车(ev)最常用的电源。电池的剩余使用寿命(rul)定义为在特定操作时间留在电池上的使用寿命。rul估计对于基于状态的维护(cbm)和电池的健康管理至关重要。重要的是要找到一种可靠而准确的方法来监测锂离子电池健康状况(soh)并预测rul,以便及时维护和更换电池系统。目前对锂电池寿命预测主要采用基于模型建模和数据建模的方法进行锂电池容量衰减的预测,目前的研究方法只对电池寿命进行预测,然而,电池内部状态的变化才是导致电池寿命终结的主要因素。
基于模型与基于数据驱动的预测方法在实际的使用场景中各有其有劣势,本发明综合考量上述两种方法,整合基于模型和基于数据驱动的方法。以粒子滤波算法为基础,结合长短时记忆网络,实现融合的预测方法
技术实现要素:
本发明提出一种基于粒子滤波和长短时记忆网络算法的锂离子电池寿命预测方法,来实现对电池循环寿命预测。
一种基于粒子滤波和长短时记忆网络算法的锂离子电池循环寿命预测方法,具体步骤如下:
步骤一:监测待预测的锂离子电池,获得锂电池剩余容量的监测数据;
步骤二:建立描述电池老化的容量指数衰减模型的状态空间方程;
所述电池容量指数衰减模型:
q=a·exp(b·k)+c·exp(d·k)(1)
其中a,b,c和d为电池容量指数衰减模型的参数,a和c表示电池容量初始值,c和d表示电池容量衰减速率,k为充放电循环的次数,q为k时刻电池的实际容量。
该模型在k时刻的状态转移方程为:
xk=[ak,bk,ck,dk](2)
该模型在k时刻测量方程为:
qk=ak·exp(bk·k)+ck·exp(dk·k)+vkvk~n(0,σv)(4)
其中,wa,wb,wc,wd为过程噪声,vk为测量噪声。
步骤三:设立预测起点,粒子滤波模型中的粒子数目和电池使用寿命阈值,初始化电池容量指数衰减模型中的参数a,b,c,d,过程噪声wa~d的协方差σa~d以及测量噪声v的协方差σd;
步骤四:利用粒子滤波算法以及长短时记忆网络模型对电池剩余使用寿命进行单步或多步预测。
所述长短时记忆网络模型即通过给定历史测量时间序列z1,z2,...,zk,预测zk+1,zk+2,...,zk+p的过程。通过回归分析,建立数据与时间的关系,以此实现对未来数据的预测。对于时间序列{z1,z2,…,zk},根据输入{zk-1,zk-2,…,zk-m}与y={zk}之间的映射关系,从而得到长短时记忆网络的学习样本,进而得到未来p步的电池容量预测。
所述粒子滤波具体算法步骤如下:
步骤31:初始化。k=0,根据已知先验概率密度p(x0)采样粒子集
步骤32:重要性权值计算:根据
归一化重要性权值:
步骤33:重采样。根据原来带有的权值样本
步骤34:状态估计:
步骤35:判断是否结束。若是则退出程序,若否则令k=k+1,返回步骤32。
如图1所示,所述锂离子电池循环寿命单步预测具体步骤表达为:
步骤11:利用长短时记忆网络模型对电池历史容量数据z1:k进行训练建模;
步骤12:利用训练得到的模型预测k+1时刻的测量伯
步骤13:将预测的测量值代入到系统的状态空间模型中,用其更新粒子重要性权值,然后进行重采样,,从而获得k+1时刻的预测状态
步骤14:根据状态预测判断电池是否达到容量阈值,若是则结束预测,若否则令k=k+1,返回步骤12。
如图2所示,所述锂离子电池循环寿命多步预测具体步骤表达为:
步骤21:利用长短时记忆网络模型对电池历史容量数据z1:k进行训练建模;
步骤22:利用训练得到的模型预测未来p步的测量值;
步骤23:将上述预测的测量值
步骤24:根据预测状态判断是否达到容量阈值,若是则结束预测,若否则令k=k+1,返回步骤23。
本发明的优点是:针对基于粒子滤波的锂离子电池寿命预测方法中所存在的不足,通过分析比较时间序列预测策略,实现了无测量值更新的粒子滤波的迭代多步预测算法,并将上述融合预测算法对锂离子电池的寿命进行预测,有效提高了多步预测的精度。
附图说明
图1为基于粒子滤波和长短时记忆网络算法的电池容量衰减的单步预测原理图。
图2为基于粒子滤波和长短时记忆网络算法的电池容量衰减的多步预测原理图。
图3为基于粒子滤波和长短时记忆网络算法的电池容量衰减的单步预测结果。
图4为基于单一粒子滤波算法的电池容量衰减的多步预测结果。
图5为基于粒子滤波和长短时记忆网络算法的电池容量衰减的多步预测结果。
具体实施方式
本发明所提供的方法,其具体包括以下步骤:
步骤一:监测待预测的锂离子电池,获得锂电池剩余容量的监测数据;
步骤二:建立描述电池老化的容量指数衰减模型的状态空间方程;
步骤三:设立预测起点,粒子滤波模型中的粒子数目和电池使用寿命阈值,初始化电池容量指数衰减模型中的参数a,b,c,d,过程噪声wa~d的协方差σa~d以及测量噪声v的协方差σd;
步骤四:利用粒子滤波算法以及长短时记忆网络模型对电池剩余使用寿命进行单步或多步预测。
图1示出了基于粒子滤波和长短时记忆网络算法的电池容量衰减的单步预测算法原理图。
图2示出了基于粒子滤波和长短时记忆网络算法的电池容量衰减的多步预测算法原理图。
下面结合实例证明本发明的有效性,测试数据集来源于美国马里兰大学的高级寿命周期工程研究中心对锂离子电池进行加速寿命试验得到的容量数据。数据集包括4节来自于同一制造商生产的18650型成品圆形锂离子电池,并分别编号为a1、a2、a3、a4。测试样本选取其中的a4电池,判断该电池是否到达使用寿命的阈值为q<0.72。
图3示出了基于粒子滤波和长短时记忆网络算法的电池容量衰减的单步预测结果。选择电池a4前39个容量数据作为已知数据,从循环周期k=39时刻开始一步预测,粒子数选择为200,电池的预测失效时间为第50个循环周期,而电池实际失效时间为第47个循环周期,预测误差为3个循环周期。
图4示出了基于单一粒子滤波算法的电池容量衰减的多步预测结果,选择电池a4前39个容量数据作为已知数据,从循环周期k=39时刻开始一步预测,粒子数选择为200,电池的预测失效时间为第61个循环周期,而电池实际失效时间为第47个循环周期,预测误差为14个循环周期,多步预测结果不理想。
图5示出了粒子滤波和长短时记忆网络算法的电池容量衰减的多步预测结果,同样选择电池a4前39个容量数据作为已知数据,从循环周期k=39时刻开始一步预测,粒子数选择为200,电池的预测失效时间为第50个循环周期,而电池实际失效时间为第47个循环周期,预测误差为3个循环周期,该仿真结果表明,上述基于粒子滤波以及长短时记忆网络的预测算法对锂离子电池的寿命进行预测,有效提高了多步预测的精度。