[发明专利]一种基于流数据的锂离子电池寿命预测方法

说明书

本发明公开了一种基于流数据的锂离子电池寿命预测方法，包括以下步骤：获取电池特征的流数据，同时构建若干随机森林模型，然后利用电池特征的流数据对随机森林模型进行训练；获取待预测电池特征的若干时间序列数据，其中一个时间序列数据对应一个随机森林模型，然后将各时间序列数据输入到对应的随机森林模型中进行寿命预测，再将各随机森林模型输出的寿命预测结果进行求平均，最后将求平均的结果作为最终的电池寿命预测结果，该方法能够降低预测的复杂度，同时提高预测的精度。

技术领域

本发明涉及一种锂离子电池寿命预测方法，具体涉及一种基于流数据的锂离子电池寿命预测方法。

背景技术

从锂离子电池的生产到使用，电池剩余使用寿命(RUL)一直是一个贯穿始终的问题。在锂离子电池生产完毕后，需要筛选出预期寿命过低的不合格电池，对于符合标准的电池也可根据预期寿命长短来划分品级。因此，锂离子电池寿命的早期分类预测RUL预测的一大重点。

目前，已有许多有关锂离子电池寿命预测的研究。有些研究侧重于数据变换的方法。如Zhang Yongzhi等人在“Lithiumion battery remaining useful life predictionwith box–cox transformation and monte carlo simulation.IEEE Transactions onIndustrial Electronics,66(2):1585–1597,2018.”一文中使用Box-cox变换和蒙特卡洛模拟来预测RUL。有些研究则通过构建锂离子电池的模型来预测。Dong Guangzhong等人在“Battery health prognosis using brownian motion modeling and particlefiltering.IEEE Transactions on Industrial Electronics,65(11):8646–8655,2018.”一文中则使用布朗运动模型和粒子滤波器来在线预测SOH和RUL。Guha Arijit和PatraAmit在“State of health estimation of lithium-ion batteries using capacityfade and internal resistance growth models.IEEE Transactions onTransportation Electrification,4(1):135–146,2017.”一文中利用电池容量衰减和内阻的特征来改善了粒子滤波器的表现。Ma Yan等人在“Yan Ma,Yang Chen,Xiuwen Zhou,and Hong Chen.Remaining useful life prediction of lithium-ion battery basedon gauss–hermite particle filter.IEEE Transactions on Control SystemsTechnology,27(4):1788–1795,2018.”一文中利用扩展卡尔曼滤波来构建预测模型，并用Gauss-Hermite粒子滤波器来更新卡尔曼滤波的参数。另外的一些研究使用了机器学习的方法。Wei Jingwen等人在“Remaining useful life prediction and state of healthdiagnosis for lithium-ion batteries using particle filter and support vectorregression.IEEE Transactions on Industrial Electronics,65(7):5634–5643,2017.”一文中使用支持向量机和粒子滤波器来预测电池寿命。Khumprom Phattara和Yodo Nita在“Adata-driven predictive prognostic model for lithium-ion batteries based ona deep learning algorithm.Energies,12(4):660,2019.”中使用了深度神经网络来预测电池寿命。Severson等人在“Data-driven prediction of battery cycle life beforecapacity degradation.Nature Energy,4(5):383–391,2019.”一文中则利用特征工程和一个线性的神经网络来解决该问题。