[发明专利]基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法

说明书

技术领域

本发明涉锂离子电池循环寿命预测方法，数据预测技术领域。

背景技术

锂离子电池作为一种20世纪末发展的先进蓄电池技术，具有高能量比、高电压、良好的低温性能、低自放电率和无记忆效应等优点，目前已广泛应用于笔记本电脑、摄像机和移动通讯设备中，并已逐步推广应用于卫星、航天飞行器等重要领域，可以说，锂离子电池已逐步成为未来诸多重要领域的关键和支撑技术。

锂离子电池作为很多关键电子设备、复杂系统的核心单元，对整个电子系统功能起着至关重要的作用。但同时，由于其自身存在的安全管理、性能衰退和寿命估计等现实问题，也使得人们不得不充分关注其在存储、使用和维护过程和总的可靠性和安全性，因此，锂离子电池的工作状态监测、性能分析和应用管理，逐渐成为电子系统故障预测和健康管理(Prognostics and Health Management，PHM)领域的研究热点和挑战问题之一。PHM技术是实现复杂设备基于状态维修(Condition Based Maintenance，CBM)、自主式保障、感知与响应后勤等新思想、新方案的关键技术。

目前许多卫星、航天飞行器的致命故障都是由电源或电池系统所引发的，如美国MarsGlobal Surveyor飞行器失效，就是由于电池故障导致计算机系统的一系列错误，致使电池系统直面太阳照射导致过热造成安全系统失效所引发的任务失败。可见，电池故障可能导致系统性能下降、运行故障甚至是灾难性失败，因此，在航空、航天、新能源汽车等典型的锂离子能源系统中，进行有效的电池性能退化分析、状态估计和健康管理将有助于提高系统的可靠性，对于电池寿命预测有着重要的研究和实用价值。

面向当前、尤其是未来的应用需求，针对锂离子电池的性能退化、寿命评估以及充放电管理的研究取得了很多成果。锂离子电池研制和生产厂家从电池材料、安全特性等角度开展了大量研究；许多研究者也从不同的角度、基于不同的方法体系，开展了很多关于电池退化状态识别和寿命预测方法和应用的研究。

锂离子电池的寿命包括使用寿命、循环寿命和储存寿命三种。其中，循环寿命的应用最为广泛，其研究价值也最为重要。在电池循环寿命预测研究领域，NASA卓越故障预测研究中心(Prognostics Center of Excellence，PCoE)的Bhaskar Saha、Kai Goebel等人开展了大量不同条件下的锂离子性能退化实验，测试参数全面，获得了大量测试数据，并率先提出了应用贝叶斯估计的方法来预测电池的循环寿命，其核心思想是基于所有可用信息来构建状态的概率密度分布(Probability Density Function，PDF)，从而实现了一种可行的预测结果不确定度表达和管理思路及方法，并通过建立一种基于粒子滤波的预测框架来预测电池的循环使用寿命。其中锂离子电池的循环使用寿命定义为电池容量退化至可接受范围(额电容量的30％)之前的充放电循环次数。然而，该预测框架中所采用的标准粒子滤波算法存在粒子多样性损失问题，从而影响了预测结果PDF表达的精度。

发明内容

为了解决了现有锂离子电池循环使用寿命预测方法中，基于模型的预测方法建模复杂且参数辨识困难的问题，本申请提出一种基于AR模型(AutoRegressive，时间序列模型)和RPF(Regularized Particle Filter，正则化粒子滤波)算法的数据驱动的锂离子电池循环寿命预测方法。

本发明所述的基于AR模型和RPF算法的数据驱动的锂离子电池循环寿命预测方法为：

1)监测待预测的锂离子电池的各项物理参数，获得监测数据；

2)利用RPF算法对监测数据的电池容量数据进行状态跟踪，确定RPF粒子电池退化电池经验模型中的未知参数β₁和β₂；

3)初始化并设定预测的起始点、粒子数目N、正则化粒子滤波模型中的过程噪声W_k的协方差R、正则化粒子滤波模型中的观测噪声V_k的协方差Q、电池使用寿命结束的阈值U；

4)根据预测起始点确定训练长度Length，利用待测锂离子电池的电池容量历史数据进行AR模型的训练和建模；

5)根据4阶AR模型获得长期预测输出序列ARpredict(i)，将此预测值作为RPF算法观测方程中的观测值Z(i)；