[发明专利]一种基于Box-Cox变换与蒙特卡罗仿真的锂离子动力电池RUL预测方法

说明书

本发明提出一种基于Box‑Cox变换以及蒙特卡罗仿真的动力电池RUL预测方法，其应用Box‑Cox变换对电池容量进行变换，构建容量变换值与循环次数之间的线性模型，并利用最小二乘算法对模型参数以及模型不确定性进行辨识，剩余寿命的不确定性应用蒙特卡罗仿真产生。该算法可以缩减精确剩余寿命预测所需的在线老化数据，当有离线老化数据时，精确剩余寿命预测所需要的在线数据量最低仅为电池总衰减数据量的30％。

技术领域

本发明涉及动力电池的预测与健康状态管理领域，尤其涉及建立动力电池的预测与健康状态管理模型，以及基于所建立模型的动力电池管理系统。

背景技术

锂离子动力电池在在线应用情况下，可通过其剩余寿命(Remaining usefullife:RUL)预测截止寿命(End of Life:EOL)。通常情况下，当锂电池的容量衰减至初始容量的80％时，即认为是锂电池的截止寿命。现有的锂离子动力电池RUL预测主要有基于模型的方法以及基于数据驱动的方法。其中，基于模型的方法通常使用非线性老化模型并结合先进的粒子滤波技术比如粒子滤波技术对RUL进行预测，但在锂电池寿命末期容量衰减坡度很小时，RUL预测结果的精确度较低。基于数据驱动的方法主要基于机器学习对锂离子动力电池老化数据进行数据挖掘，从而获得在线的URL预测器，然而该方法为获得更高的精确度，通常需要大量的离线老化数据。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种基于Box-Cox变换以及蒙特卡罗仿真的动力电池RUL预测方法，该方法包括以下步骤：

步骤一，基于实际在线工作条件，选择相同规格的锂离子动力电池进行加速寿命实验，将获得的数据作为锂离子动力电池的离线老化数据；

步骤二，对步骤一中的所述离线老化数据进行Box-Cox变换，获取不同动力电池的离线变换系数以及容量值线性模型；

步骤三，将步骤二中的不同动力电池的离线变换系数取平均，并作为动力电池在线变换系数，将所述在线变换系数应用于部分在线获取的容量数据观测值，并辨识步骤二中获取的所述容量值线性模型的模型系数以及所述模型系数的方差。

步骤四，依据步骤三中所辨识的所述模型的系数以及所述方差，基于蒙特卡罗算法进行仿真，预测动力电池RUL以及RUL的概率分布。

进一步地，所述步骤二中的所进行的Box-Cox变换，采用如下表达式：

对于C>0

其中，C代表电池容量观测值，λ代表动力电池的离线变换系数。

进一步地，所述步骤二中的所述动力电池的容量值线性模型，满足C(λ)～N(Kβ,σ²)的假设，即：

其中，C(λ)＝(C₁(λ),C₂(λ),…,C_n(λ))^T，λ代表动力电池的离线变换系数，K为设计矩阵，满足K＝(K₁,K₂,…,K_n)^T，并且K_i＝(1,k_i)，β＝(β₀,β₁)^T，n为样本的大小，k_i代表电池循环数，β₀,β₁代表模型系数，ε_i为满足正态分布的独立随机误差，均值为0，方差为σ²。

进一步地，所述动力电池的离线变换系数采用最大似然估计法获取，取使得以下公式中值最大的λ作为动力电池的离线变换系数λ：