[发明专利]一种锂离子电池剩余使用寿命预测方法

说明书

本发明公开了一种锂离子电池剩余使用寿命预测方法，具体步骤如下：从锂电池数据集中提取容量数据，采用经验模态分解方法将容量数据分解为代表容量重生现象的高频分量和表示容量总体退化趋势的低频分量，然后利用ARIMA模型分别预测EMD分解的子分量，最后将各个分量的预测结果相加，得到综合的预测结果；将上一步骤的容量预测值作为正则化粒子滤波模型的观测值，在正则化粒子滤波的每一步迭代过程中调整更新容量预测值，进而得到更为准确的剩余使用寿命；EMD‑ARIMA预测值作为RPF算法模型的观测值解决了粒子滤波算法过度依赖经验退化模型的问题，同时，RPF的引入弥补了EMD‑ARIMA方法预测结果的单点估计问题，可以提供更为详尽的PDF区间表达，且正则化粒子滤波的引入提升了粒子滤波的不确定性表示能力，所提出方法可广泛应用于与锂电池剩余使用寿命的预测。

技术领域

本发明涉及测试电池的电气状况的技术领域，尤其涉及一种锂离子电池剩余使用寿命预测方法方法。

技术背景

锂离子电池因其具有能量密度高、绿色环保、无记忆效应、自放电率低、寿命长等优点，在电动汽车、便携式电子设备、航空航天等许多领域得到了广泛的应用和发展。然而，随着电池充放电循环次数的增加，锂电池的性能逐渐退化，表现为内阻增大，容量减小。锂电池的性能退化会影响设备的功能，降低系统的可靠性，增加维护成本，甚至在人员、设施等方面造成很大的损失。因此，准确预测锂离子电池的剩余使用寿命(RUL)是十分必要的。电池的RUL定义为其工作状态恶化到故障阈值之前剩余的充放电循环次数。电池退化状态可以通过健康指标(HI)来表征，如电流、电压、阻抗和容量。容量作为最广泛的电池健康指标，通常认为当电池容量退化到电池额定容量的70％时，电池达到其寿命结束(EOL)阈值。

目前研究人员在锂离子电池RU预测方面进行了大量的研究工作。电池预测方法可以大致分为基于模型的方法、数据驱动方法和混合方法。基于模型的方法依赖于对锂离子电池退化过程和失效机制的分析,然后建立正确的参数模型来预测系统的退化过程。基于数据驱动的预测方法仅依赖于历史数据，从监测数据中提取有效的特征信息，如电流、电压、阻抗和容量，使用统计和机器学习技术来跟踪退化趋势及估计RUL。数据驱动方法的预测精度取决于建模样本数据的数量和质量。基于数据驱动的预测方法和基于模型的预测方法在应用于锂离子电池预测时都有各自的局限性，因此融合预测成为提高RUL预测性能的研究热点。

现有的EMD-ARIMA作为一种数据驱动预测方法可以得到较为精确的电池容量长期预测结果，但其预测结果为预测值的单点估计，在实际应用中无法给出较为详尽的预测结果概率密度函数PDF表达。

发明内容

针对现有技术存在的预测结果过度依赖于经验退化模型，对不同数据的适应能力差，预测结果为RUL预测值的单点估计，在实际应用中无法给出较为详尽的预测结果概率密度函数表达的问题，本发明对于提供了基于EMD-ARIMA和正则化粒子滤波RPF算法融合的一种锂离子电池剩余使用寿命预测方法，该方法具体的步骤包括：

步骤1，采集电池容量数据，并对容量数据进行预处理。从容量数据中选取预测起始点T，并将预测起始点T之前的数据作为训练数据，T之后的数据作为测试数据，并且设置电池容量失效阈值Cap_EOL；

步骤2，采用EMD算法对训练数据集进行分解，并采用ARIMA算法对分解得到的各分量进行预测，最后对各分量预测值求和得到综合预测结果，表示为EMD-ARIMApre，具体实现步骤为：

步骤2.1，将训练数据集作为原始信号x(t)，进而将原始数据数据x(t)分解为一组子信号IMFs和残差信号，最后，原始信号x(t)可表示为：

其中r_n(t)表示残差分量，h_i(t)固有模态分量；

步骤2.2，对信号进行EMD分解处理之前采用ABC-SVM预测信号两端；