[发明专利]一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法

说明书

一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法，本发明涉及电池的自适应在线剩余使用寿命预测方法。本发明的目的是为了解决现有单个电池工作过程中的剩余使用寿命预测方法需要大量历史数据，在一定程度上会受到强马尔可夫特性的制约，以及电池在退化过程中的随机性难以得到量化的问题。过程为：一：提取电池第k次工作过程中的容量数据；二：构建电池的退化模型；三：构建自适应估计退化模型参数；四：计算电池的剩余使用寿命；判断第k次工作循环下的电池的荷电状态SOC是否低于80％，如果SOC高于80％，则令k＝k+1，执行一至四，否则电池报废；五：评估剩余使用寿命的在线预测效果。本发明用于电池使用寿命预测领域。

技术领域

本发明涉及锂离子电池的剩余使用寿命预测和统计分析相结合的学科交叉领域，具体涉及面向单个锂离子电池的自适应在线剩余使用寿命预测方法。

背景技术

锂离子电池由于其电化学特性稳定、能量密度高、充放电速度快等优点被广泛地应用于交通运输、航空航天、电力存储、机械制造等领域。

在锂离子电池的工作过程中，由于其内部物理结构和外部环境条件的影响，电池的容量会逐渐下降，这将对实际的用电系统或者设备的可靠性和安全性产生很大的负面影响，严重时甚至会发生灾难性的事故。因此，在用电设备的电池管理系统(BatteryManagement System，BMS)中，准确地获得锂离子电池的退化信息是至关重要的。剩余使用寿命(Remaining useful Life，RUL)是衡量锂离子电池退化趋势的重要性指标。剩余使用寿命指的是系统首次从当前状态到完全失效时所经历的时间。准确的预测锂离子的剩余使用寿命可以充分发挥电池的动力性能，提高电池使用的安全性，其意义在于及时掌握电池的运行情况，协助操作人员及时对电池进行维护和更换，降低电力系统或者设备的运行成本。

目前锂离子电池的剩余使用寿命预测方法从总体上可以分为基于物理化学模型的方法、数据驱动的方法和基于混合经验模型的方法。由于电池的内部工作机理复杂、退化机理尚不明晰，基于物理化学模型的方法在预测剩余使用寿命时存在着一定的困难。另一方面，数据驱动的方法在本质上是黑箱模型，需要大量的历史数据训练算法模型，并且不能量化电池在退化过程中的不确定性。不仅如此，在线数据还被要求遵循与历史数据相似的分布，否则学习类的方法很难保证预测的准确性。基于混合经验模型的方法则是将先验知识融入到算法模型中，根据实际情况，可以通过构建电池的容量和电流、电压以及循环次数等参数之间的算法模型，然后对模型中的参数进行辨识，进而完成剩余使用寿命的预测任务，具备很强的解释性和可靠性。

值得一提的是，传统的数据驱动方法需要大量的历史数据，如何仅仅使用单个电池工作过程中的数据进行剩余使用寿命预测存在着一定的挑战。不仅如此，现有的一些预测方法在一定程度上会受到强马尔可夫特性的制约，如何以自适应的方式利用电池从初始运行到当前工作循环的数据有待于进一步的研究。最后，电池在退化过程中的随机性往往难以得到量化，如何很好地描述退化过程中的不确定性需要深入的研究。

发明内容

本发明的目的是为了解决现有单个电池工作过程中的剩余使用寿命预测方法需要大量历史数据，在一定程度上会受到强马尔可夫特性的制约，以及电池在退化过程中的随机性难以得到量化等问题，而提出一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法。

一种面向单个锂离子电池的自适应在线剩余使用寿命预测方法具体过程为：

步骤一：提取电池第k次工作过程中的容量数据；

步骤二：基于步骤一构建电池的退化模型；

步骤三：基于步骤二构建自适应估计退化模型参数；

步骤四：基于步骤三计算电池的剩余使用寿命；