[发明专利]一种电池剩余使用寿命的综合估算方法

说明书

本发明公开了一种电池剩余使用寿命的综合估算方法,包括以下步骤:使用曲线拟合的方法估算出电池的RUL₁；使用卡尔曼滤波算法估算出电池的RUL₂；使用灰色神经网络算法估算出电池的RUL₃；使用BP神经网络算法作为综合法，将RUL₁、RUL₂和RUL₃作为神经网络的输入，将最终的RUL作为神经网络的输出，最终估算出电池的剩余使用寿命RUL。本发明具有以下优点和效果：能够避免现有单一变量预测电池RUL的局限性，通过三种方法综合估算电池的RUL，该综合估算方法不需要建立复杂的模型，易于实现，同时估算出电池的RUL可以平抑误差的波动，提高预测精度，鲁棒性好，可靠性高。

技术领域

本发明涉及电池状态估算技术领域，特别涉及一种电池剩余使用寿命的综合估算方法。

背景技术

准确预测电池剩余使用寿命(Remaining Useful Life，RUL)，能够提前获知其寿命信息，对不能使用的电池进行及时更换，这极大保障了设备的安全可靠运行，避免了用电设备因电池失效而无法工作的情况发生。因此，锂离子电池的剩余寿命(RUL)预测研究已然成为纯电动汽车领域的研究热点问题，对研究纯电动汽车的使用寿命和应用推广具有重要意义。

目前对锂电池的RUL预测的研究相对较少，且预测精度不高。通常采用的估算电池RUL的方法包括以下几种：

(1)基于退化机理模型的预测方法：方法主要是对电池进行电化学测试，从电池本质电化学机理的角度分析电池中的性能变化规律，再利用电池性能参数与剩余使用寿命之间的内在联系来预测电池剩余使用寿命。基于退化机理模型的剩余使用寿命预测能够得到电池老化过程的详细物理分析和化学分析，但其涉及电池内部材料参数较多，模型复杂度高，计算量大，实际应用较为困难。

(2)基于经验退化模型的预测方法:基于经验退化模型的方法主要是通过建立一个能够精确反映电池性能状态参数(如容量、内阻、放电终压等)随时间的变化趋势、或系统前后两个时刻状态变量之间变化关系的经验模型，从而实现电池RUL的预测。但是，这种模型易受噪声和环境干扰，难以跟踪负载动态特性，其动态精度、鲁棒性及适应性较差。

(3)基于数据驱动的RUL预测方法：基于数据驱动的RUL预测方法是目前电池寿命预测的主流方法，通过采集运行状态下电池的有效失效数据和性能退化数据，然后分析和挖掘电池失效数据或性能退化数据中隐含的电池性能退化因子演变规律来预测电池剩余寿命。这种方法需要大量历史数据进行寿命预测，否则难以保证预测结果的准确度，预测精度不高。

现有的方法预测电池的RUL普遍存以下问题：首先是单一变量预测电池RUL的局限性，可靠性不高；预测电池RUL需要建立复杂的模型；预测精度普遍不高且鲁棒性差。

发明内容

本发明的目的在于提供一种电池剩余使用寿命的综合估算方法，能够避免现有单一变量预测电池RUL的局限性，通过三种方法综合估算电池的RUL，该综合估算方法不需要建立复杂的模型，易于实现，同时估算出电池的RUL可以平抑误差的波动，提高预测精度，鲁棒性好，可靠性高。

本发明的上述技术目的是通过以下技术方案得以实现的：一种电池剩余使用寿命的综合估算方法,包括以下步骤:

S1、使用曲线拟合的方法估算出电池的RUL₁；

S2：使用卡尔曼滤波算法估算出电池的RUL₂；

S3：使用灰色神经网络算法估算出电池的RUL₃；

S4：使用BP神经网络算法作为综合法，将RUL₁、RUL₂和RUL₃作为神经网络的输入，将最终的RUL作为神经网络的输出，最终估算出电池的剩余使用寿命RUL。