[发明专利]基于预测模型融合的电池寿命预测方法及存储介质

说明书

本发明提供了一种基于预测模型融合的电池寿命预测方法及存储介质，所述电池寿命预测方法将长短记忆网络模型嵌套于粒子滤波模型之中，融合模型结构简单，用已有历史数据训练长短记忆网络模型得到退化趋势方程确定粒子滤波模型的的状态转移方程，解决了粒子滤波模型过于依赖经验模型的问题，粒子滤波模型利用粒子的加权和逼近容量的预测值，能得到剩余寿命的不确定表达，此外，将在线获得的新样本增加到原有训练样本集中重新训练模型，使得模型参数更新及时，有更好的适应性，可以实现镉镍蓄电池剩余循环寿命预测。

技术领域

本发明属于电池寿命预测技术领域，具体是涉及一种基于预测模型融合的电池寿命预测方法及存储介质。

背景技术

不论电力机车还是内燃机车，蓄电池与充电机并联构成了机车控制电路的能量来源，一旦蓄电池出现故障，便无法维持车内照明、无线通信通信装置以及应急装置的正常使用，对乘客的生命财产安全将带来很大的威胁。通过调研发现，高速铁路车用蓄电池多为碱性镉镍蓄电池，在实际运用中一般根据运行公里数或运用年限进行更换。此时电池寿命往往还有较大余量，提前更换无疑提高了动车组的运用成本。因此，研究准确可靠的寿命预测模型刻不容缓。目前，对电池的寿命预测方法大致分为两类：模型驱动和数据驱动。

模型驱动法基于蓄电池的内部结构原理、退化机制建立寿命预测模型。模型驱动法如现有技术一公开的应用电池层析成像测量技术和电化学性能测量技术，根据锂电池内部结构构建了动力电池循环寿命预测模型，但受电池种类、型号等因素影响，该方法难以运用到实际中。现有技术二公开的模型驱动法为一种退化模型，使用扩展卡尔曼滤波对燃料电池(PEMFC)在线估计健康度和剩余寿命，该模型对操作条件具有鲁棒性。现有技术提供的模型驱动方法为基于新的粒子滤波(PF)框架的模型，该框架使用当前测量值来重新采样状态粒子，可以防止粒子的简并，此外还能自适应调整粒子数量，适用于在线应用。实验结果表明，相较于其他标准模型，该模型能以更短时间得到更为精确的预测结果。虽然模型驱动方法的预测性能越来越提高，然而模型驱动法过于依赖故障机理，预测的准确度很大程度上取决于使用的状态模型，而蓄电池工作环境因素复杂多变，建立准确的退化模型较为困难。

数据驱动法通过挖掘分析失效数据，得到电池性能退化规律，进而预测电池寿命。数据驱动法如：现有技术四提出了一种基于支持向量机(SVM)实时剩余使用寿命RUL估计方法,分析锂电池不同工况下的循环数据，从电压和温度曲线中提取关键特征，利用这些特征训练模型，从而达到锂离子电池RUL预测的目的；现有技术五将等效电路模型参数和老化过程数据结合，用相关向量机(RVM)对PF的预后框架进行改进，进一步提高了预测的精确度，降低了预测的不确定性；现有技术六使用弹性均方反向传播方法自适应地优化长短期记忆网络(LSTM)来进行寿命预测，该方法能得到比支持向量机、标准循环神经网络更准确的预测结果。基于神经网络的数据驱动模型相对而言是现有技术中性能较好的，但是神经网络虽然对历史数据具有很好的学习能力，网络结构难以确定，对数据的样本量和质量要求很高，且不具有输出的不确定性表达。

此外，现有技术的电池寿命研究主要针对锂电池和燃料电池，而镉镍蓄电池由于其寿命试验耗时长，试验条件苛刻，目前还未有相关的寿命研究。现有相关研究所用蓄电池的循环寿命为1000次以下，而某型动车组用镉镍蓄电池寿命周期则高达2000次以上，电池容量才会降到标准以下。随着周期数的增大，离线方法无法更新模型，误差累加，难有较好的精确度，而在线预测模型能随数据的更新而更新模型，模型的预测精度将更高。此外，镉镍电池具有“记忆效应”的特性，一般的预测方法，难有较好的预测结果。

发明内容

有鉴于此，本发明提供了一种基于预测模型融合的电池寿命预测方法和存储介质，以解决现有的基于单一的粒子滤波模型预测所述电池寿命时由于过于依赖故障机理而造成建立准确的退化模型较为困难的问题，以及解决基于单一的神经网络预测模型的输出的不确定性的问题，同时还能解决现有技术无法在线更新模型的技术问题。