[发明专利]锂电池剩余寿命预测方法、系统、设备及介质

说明书

本发明公开了一种锂电池剩余寿命预测方法、系统、设备及介质，包括：进行锂电池充放电循环实验，采集每次充放电过程中的电压数据以及循环次数以建立每一次充放电循环实验对应的充放电曲线，从每一条所述充放电曲线中提取至少三个动态特征数据；对提取的三个动态特征数据进行加权增强处理，以构成一组数据集，再将其划分为训练集、验证集和测试集；建立支持向量回归模型，并将训练集作为模型的输入，对支持向量回归模型进行训练，并利用验证集优化模型中的核函数参数以及加权系数，对支持向量回归模型进行迭代，以获取目标支持向量回归模型；根据测试集并利用目标支持向量回归模型以实现寿命预测。本发明获得更高的预测精度以及更好的鲁棒性。

技术领域

本发明涉及锂电池剩余寿命预测领域，具体涉及了一种锂电池剩余寿命预测方法、系统、设备及介质。

背景技术

锂离子电池具有重量轻，高能量密度，高效率，优异的低温性能，低自放电率和长寿命等优点，已广泛应用于飞机、电动汽车、航天器等各种领域。但是，锂离子电池的性能会随着时间的推移而退化，而剩余寿命是动力电池中隐含的状态量，无法直接测量和估算。因此，建立准确的剩余寿命预测(Remaining Useful Life，RUL)模型有利于电池的健康管理。

锂电池剩余寿命预测方法有很多种，有等效电路模型、人工神经网络、AR模型等。等效电路模型通过具备专门知识的专家，通过对大量状态数据的分析，基于系统工作原理搭建电气元件构成的电路模型，对系统动态特性进行等效或近似。但是在近似过程中可能忽略电池内部一些参量之间对系统特性有决定性作用的隐含关系，难以将复杂的外界条件全部加以考虑，造成模型对电池特性的描述能力较弱，并且由于模型误差、测量误差等噪声的积累，极易导致预测中后期的鲁棒性变差。人工神经网络是由许多神经元与按照某种规则相互连接而形成的一种人工智能网络系统，具有自组织和自学习能力强的特点。但是网络结构难以确定，且仅仅能给出RUL预测的点估计值，不具备预测结果的不确定表达能力，且神经网络法的鲁棒性受到具体使用算法的优劣和选取评价指标的限制。AR模型是基于系统状态过去若干个时刻的记录结果获取当前时刻系统状态的预测值，建立模型对系统的未来状态进行估计。但是AR模型预测结果的置信区间较大，且仅仅着眼于输入数据自身的变化特征，不能结合任何物理信息，容易出现预测结果与实际系统特征相违背的现象，并且存在预测精度不高和鲁棒性不好的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种锂电池剩余寿命预测方法、系统、设备及介质，用于解决现有技术中锂离子电池的性能会随着时间的推移而退化，而剩余寿命是动力电池中隐含的状态量，无法直接测量和估算的问题。

为实现上述目的及其他相关目的，本发明提供一种锂电池剩余寿命预测方法、系统、设备及介质，所述预测方法包括：

进行锂电池充放电循环实验，采集每次充放电过程中的电压数据以及循环次数以建立每一次充放电循环实验对应的充放电曲线，并从每一条所述充放电曲线中提取至少三个动态特征数据；

对从每一条所述充放电曲线中提取的三个动态特征数据进行加权增强处理，以构成一组数据集，再将所述数据集划分为训练集、验证集和测试集；

建立支持向量回归模型，并将所述训练集作为所述支持向量回归(SupportVactor Regression，SVR)模型的输入，对所述支持向量回归模型进行训练，并利用所述验证集优化所述支持向量回归模型中的核函数参数以及加权系数，对所述支持向量回归模型进行迭代，以获取目标支持向量回归模型；

根据所述测试集并利用所述目标支持向量回归模型以实现寿命预测。

于本发明的一个实施例中，所述三个动态特征数据为恒流充电时间、恒压充电时间以及放电过程中电压从3.5V降至3.3V所消耗的时间，其中，所述恒流充电时间为以恒定电流充电过程中消耗的时间，所述恒压充电时间为以恒压充电直至充电电流降至20mA所消耗的时间。

于本发明的一个实施例中，每一次采集所述动态特征数据之间间隔1秒。