基于相空间重构和粒子滤波的锂电池剩余寿命预测方法与流程

本发明属于电池技术领域,涉及一种基于psr-svr-pf算法的磷酸铁锂电池剩余寿命混合预测方法。

背景技术：

近年来，因为锂离子电池已广泛应用于手机，笔记本电脑和电动汽车的动力电源，并逐步扩展到军事通信，航空航天等领域中。避免锂离子电池因未能提供所需功率水平而导致的严重安全性和经济后果，其剩余使用寿命(rul)预测有着重要作用。所以，准确预测锂离子电池剩余寿命在锂离子电池故障预测和健康管理(phm)中起到了重要作用，phm可以使其健康管理功能有自主性，降低人为干预，从而而大大减少成本。phm技术通过对锂离子电池各项指标进行检测，对锂离子电池状态进行估计，其中剩余寿命性能指标是核心，这大大提高了锂电池的安全性和可靠性。本发明采用psrsvr-pf算法，首先提取等时间间隔电压差健康指标，利用bct变换加强该指标与容量之间的线性关系。相空间重构(psr)用来定义训练样本集来训练svr模型，把svr的预测值通过pf用来更新系统状态空间模型的状态，最后通过测量方程得出容量预测值。

技术实现要素：

本发明的目的是提供一种能准确预测磷酸铁锂电池剩余使用寿命的混合方法。

为了达成上述目的，本发明的解决方案为：

本发明提供了一种基于相空间重构和粒子滤波的锂电池剩余寿命预测方法。

步骤一：首先将获得的nasa数据集进行筛选，相应的选择b0005，b0006，b0007三组作为实验数据集。提取了电池电容、等时间间隔放电电压差两个健康因子，并划分训练集与测试集。

步骤二：svr部分：在训练svr模型之前，为了增强等时间间隔放电电压差与容量之间的线性相关性，对等时间间隔放电电压差进行box-cox变换。

box-cox变换如下：

其中y为原始数据，y(λ)为变化后的数据。选取不同的λ带入上式，计算变换后的等时间间隔放电电压差与容量的相关性选择最佳参数λ。

步骤三：在训练集，使用c-c方法分别计算出两个处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构：

定义svr的训练样本为(xj,yj)，x为输入，y为输出。

pf部分：本文选用的状态空间模型如下：

其中，xk＝[ak,bk,ck,dk]，k表示循环次数，xk表示状态模型参数，qk表示容量的观测值，ωk，vk分别表示状态噪声与观测噪声。

模型的初值是用三组电池的训练集用最小二乘法估计出并取均值得到的。

步骤四：训练集的滤波过程：

初始化k＝0,设置参数。

采样，在k＝0时，从先验概率分布p(x0)随机抽取初始化粒子样本状态集合设定粒子初始权重为

重要性采样，分为k时刻预测和权值更新两步。

fori＝1:n,在k时刻，从建议分布函数采样,并设置

fori＝1:n，权值更新，计算每个粒子重要性权值：

归一化处理权重：

重采样，评估有效粒子数，如果neff＞nthreshold，则不需要重采样，有：

否则进行重采样，得到新粒子集及相应重要性权值：

状态评估，通过粒子滤波算法的输出进行后验概率计算，

判断是否结束，否则令k＝k+1，重复上述滤波过程，直到训练集滤波过程结束。

步骤五：使用训练好的svr模型预测未来的电池容量，使用预测值重复上述pf过程对系统状态进行更新，并通过测量方程得出电池容量预测值。

如果预测出来的电池容量达到电池失效阈值，则rul为此时刻到预测起始点的时间。并计算预测值与真实指之间的rmse,mape与rul预测误差等预测精度指标，验证本方法的有效性。

采用上述方案后，本发明通过提取电池电容、等时间间隔放电电压差作为健康因子，对后者进行box-cox变换提高与电池容量的线性相关性。用c-c方法得出处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构；由此定义训练svr时的输入与输出。使用三组电池的训练集用最小二乘法估计出并取均值得到系统状态空间模型的初值，然后使用pf在训练集进行滤波过程得到系统最新的状态。在svr模型得出容量预测值后，用预测值对系统状态进行更新，最后通过测量方程得出电池容量最终预测值，并与之前定义的阈值进行比较，最终估计出锂电池的剩余使用寿命。本发明能够对锂电池rul有较为精准的估计。

参考文献

box-cox变换[1]r.m.sakia.thebox-coxtransformationtechnique:areview[j].journaloftheroyalstatisticalsociety,1992,41(2):169-178.

c-c方法[2]kimhs,r.eykholt,j.d.salas.nonlineardynamics,delaytimes,andembeddingwindows[j].physicad-nonlinearphenomena,1999,127(1–2):48-60.

附图说明

图1为本发明所使用的三组锂电池对应的容量衰减曲线和失效阈值图。

图2为本发明所使用psr-svr-pf的流程图。

图3a为本发明所使用的b05组电池数据预测起始点为100时的结果图

图3b为b05组电池数据寿命终止点的预测电容分布。

图4a为本发明所使用的b06组电池数据预测起始点为100时的结果图

图4b为本发明所使用的b06组电池数据的寿命终止点的预测电容分布。

图5a为本发明所使用的b07组电池数据预测起始点为100时的结果图

图5b为本发明所使用的b07组电池数据的寿命终止点的预测电容分布。

具体实施方式

以下结合附图对本发明的技术方案进行详细说明。在三组电池数据上进行的仿真，但此处仅给出100为预测起始点的仿真效果对比图，以验证该算法的有效性以验证该算法的有效性。

本发明的整体流程如图2所示。

首先将获得的nasa数据集进行筛选，相应的选择b0005，b0006，b0007三组作为实验数据集。提取了电池电容、等时间间隔放电电压差两个健康因子，并划分训练集和测试集。

如图1所示，本发明基于nasa中b0005,b0006,b0007三组电池数据进行仿真实验，在三组电池数据上验证该算法的有效性。

svr部分：在训练svr模型之前，为了增强等时间间隔放电电压差与容量之间的线性相关性，对等时间间隔放电电压差进行box-cox变换。

box-cox变换中有一个关键参数λ，通过计算等时间间隔放电电压差与容量的pearson相关系数选取最佳参数λ。

在训练集，使用c-c方法分别计算出两个处理后的健康因子的时延τ1,τ2和嵌入维数m1,m2，选取τ＝max(τ1,τ2),m＝max(m1,m2)进行多变量相空间重构：

定义svr的训练样本为(xj,yj)，x为输入，y为输出。

pf部分：本文选用的状态空间模型如下：

其中，xk＝[ak,bk,ck,dk]，k表示循环次数，xk表示状态模型参数，qk表示容量的观测值，ωk，vk分别表示状态噪声与观测噪声。

模型的初值是用三组电池的训练集用最小二乘法估计出并取均值得到的。

训练集的滤波过程：

初始化k＝0,设置参数。

采样，在k＝0时，从先验概率分布p(x0)随机抽取初始化粒子样本状态集合设定粒子初始权重为

重要性采样，分为k时刻预测和权值更新两步。

fori＝1:n,在k时刻，从建议分布函数采样,并设置

fori＝1:n，权值更新，计算每个粒子重要性权值：

归一化处理权重：

重采样，评估有效粒子数，如果neff＞nthreshold，则不需要重采样，有：

否则进行重采样，得到新粒子集及相应重要性权值：

状态评估，通过粒子滤波算法的输出进行后验概率计算，

判断是否结束，否则令k＝k+1，重复上述滤波过程，直到训练集滤波过程结束。

使用训练好的svr模型预测未来的电池容量，使用预测值重复上述pf过程对系统状态进行更新，并通过测量方程得出电池容量预测值。

图3a、图3b、图4a、图4b、图5a和图5b给出了三种不同的电池在100为预测起始点的预测结果图。从图中可以看出，本发明有较高的精确度还能给出预测寿命终止处的不确定表达。

表1：从精度指标方面说明了本发明的方法对rul预测的性能。

本发明针对磷酸铁锂电池的剩余寿命预测问题，提出了一种psrsvr-pf算法，并基于nasa锂电池真实放电数据实现了仿真实验，通过实验，证明了本发明中psr-svr-pf算法的有效性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。