[发明专利]基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法

说明书

技术领域

本发明涉及一种锂离子电池循环寿命预测方法。

背景技术

目前针对锂离子电池剩余寿命（Remaining Useful Life，RUL）预测的方法大致分为基于物理模型（Model-based Prognostics）和基于数据驱动（Data-Driven）方法，对于失效机理复杂、模型难以建立的电子待测锂电池，大部分研究集中于基于数据驱动的方法。数据驱动方法中包含一类基于统计滤波的统计数据驱动方法如粒子滤波（Particle Filter，PF），卡尔曼滤波（Kalman Filter，KF）和扩展卡尔曼滤波（Extended Kalman Filter，EKF），通过建立待测锂电池状态转移方程实现预测与更新，充分考虑待测锂电池内部状态转移特性，但是某一退化模型对不同类型电池及不同工作状态缺乏良好适应性；另一类是基于纯数据驱动的方法如自回归滑动平均（Autoregressive Moving average，ARMA）模型，着眼分析数据本身特征而未考虑数据所属于的待测锂电池的特性。目前，将统计滤波方法与纯数据驱动方法进行融合的混合预测框架不断被提出与改善，将二者的优点进行结合以弥补各自独立应用时出现的缺陷，但是目前的这些基于模型的方法存在对于不同电池及不同工作状态适应能力低的问题。

发明内容

本发明是为了解决目前的这些基于模型的方法存在对于不同电池及不同工作状态适应能力低、进一步解决电池容量非线性退化趋势预测能力差的问题，本发明提供了一种基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法。

基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法，它包括如下步骤：

步骤一：在线测量待测锂离子电池的容量数据，保存数据并对所述数据进行预处理，并离线测量与所述待测锂离子电池同型号的锂离子电池的真实容量退化数据；

步骤二：基于EKF方法确定待测锂离子电池经验退化模型的参数，根据待测锂离子电池经验退化模型和NSDP-AR模型构造锂离子电池状态空间模型，利用预处理后的数据并根据EKF方法确定所述锂离子电池状态空间模型中状态转移方程参数，所述状态转移方程为待测锂离子电池经验退化模型；所述NSDP-AR模型的预测输出值与观测噪声叠加后的观测值序列为所述锂离子电池状态空间模型的电池容量的观测值，所述NSDP-AR模型为利用步骤一所述离线测量的与待测锂离子电池同型号的锂离子电池的真实容量退化数据采用融合自回归系数求取方法确定AR模型与使用EKF算法获取的非线性退化因子参数拟合，从而获得离线测量的与待测锂离子电池同型号的锂离子电池的真实NSDP-AR模型，该离线测量的与待测锂离子电池同型号的锂离子电池的真实NSDP-AR模型及所述离线测量的待测锂离子电池同型号的锂离子电池与在线测量待测锂离子电池进行容量退化特征关联度分析，基于关联度进行加权参数计算后，获得在线测量待测锂离子电池的NSDP-AR模型；

步骤三：根据步骤二建立的锂离子电池状态空间模型中的待测锂离子电池经验退化模型对待测锂离子电池进行状态估计，利用所述NSDP-AR模型的输出叠加观测噪声进行待测锂离子电池的状态更新，所述锂离子电池状态空间模型获取每一个充放电循环的电池容量数据，并将所述数据与待测锂离子电池的失效阈值比较获取锂离子电池剩余寿命。

本发明的优点在于，本发明利用EKF方法和NSDP-AR模型建模预测，对电池容量的长期退化趋势进行预测，获取长期预测结果并将其叠加观测噪声后作为卡尔曼滤波状态更新环节的观测值真值输入。本发明所述的基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法的锂离子电池状态空间模型特征以及数据本身所体现出的特征进行结合，提升了本方法对于不同电池的适应性，降低了RUL预测算法对于经验退化模型的依赖性。本发明的方法具备良好的状态跟踪能力，所述方法对于不同电池单体之间的适应性有所提高，对CALCE电池进行实验，CALCE电池实验RUL预测效果明显改善，RUL预测相对误差平均降低9%左右，容量预测相对误差平均降低1.2%左右，并且对于EKF方法与ND-AR模型融合型预测算法对于一些电池样本会出现预测结果与真实系统物理特性完全相违背的缺点进行了很好的克服，所述算法的预测能力及适用范围有所提升。

附图说明

图1为本发明所述的基于EKF方法和NSDP-AR模型融合型锂离子电池循环寿命预测方法的流程示意图。

具体实施方式