[发明专利]一种计及自愈影响的锂电池退化建模及寿命预测方法

摘要

本发明公开一种计及自愈影响的锂电池退化建模及寿命预测方法，包括以下步骤1)自愈现象及对锂电池退化影响数学描述；2)考虑具有自愈特征的车用锂电池退化建模；3)退化模型参数估计；4)退化模型参数更新和剩余寿命预测，本发明的方法通过对车用锂电池性能退化规律建模及剩余寿命预测，可以实现锂电池的预测性维护，提高电动汽车的安全性。

主权项

一种计及自愈影响的锂电池退化建模及寿命预测方法，其特征在于：包括以下步骤：1)自愈现象及对锂电池退化影响数学描述：锂电池工作原理指其充放电原理，当对电池充电时，电池的正极上生成锂离子，经过电解液运动到负极碳层微孔中，嵌入的锂离子越多，充电容量越高；当对电池进行放电时，嵌在负极碳层中的锂离子脱出，回到正极，回到正极的锂离子越多，放电容量越高；当电池停止放电时，由于扩散作用使得离子的浓度趋于平衡，电压得以回升，电池寿命改善，这种非线性的自恢复效应，我们称之为自愈现象，车用锂电池使用过程，一般为间歇放电；间歇放电比连续放电能够提高电池寿命，间歇放电时，当传递一个脉冲电流后，电池能够放松一段时间，从而活性物质在扩散过程中得到恢复，使得电量增加，对电池性能会有改善，自愈是锂电池固有的电化学特征，每次静置状态都有自愈现象，而每次自愈的程度不同，且独立分布，是一个随机变量，各次自愈引起的程度有积累的效应，即自愈是可以叠加的，因此，锂电池自愈的规律变化可用非齐次Poisson过程描述，而针对锂电池退化对寿命的影响，可考虑复合泊松过程描述；假设:{Μt,t≥0}是强度为λ(t)的非齐次Poisson过程，用于刻画锂电池在[0,t]时间内自愈的次数，每次自愈作用使电池性能状态产生微小变化，令第n次自愈对锂电池退化影响为Πn,{Πn,n≥1}为独立同分布的随机变量,相互独立；拟利用正态分布描述其变化规律，用于刻画每次自愈行为对锂电池退化的随机影响，Πn～N(μ,σ2),n＝0,1,…,Mt式中，Πn为第n次自愈对电池性能改变量，μ,σ2为分布参数；近似认为自愈作用规律Mt及其影响Πn相互独立，根据上述假设，对于电池性能状态而言，在时间(ti‑1,ti)的性能退化量Yi为复合Poisson过程，数值上可表示为：则{Y(t),t≥0}为表征自愈对锂电池退化的影响的复合泊松过程；2)考虑具有自愈特征的车用锂电池退化建模：考虑具有自愈特征的车用锂电池的退化过程，可用如下随机过程描述：X(t)=x0+∫0tγ(t;θ)dt+σW(t)+Σn=1M(t)Πn]]>其中，X(t)为退化量，γ(t；θ)为漂移系数，表示刻画锂电池退化率的函数，θ为退化率函数的未知参数；σ为扩散系数，W(t)为布朗运动，为表征自愈对锂电池退化影响的复合泊松过程；t时刻退化量X(t)可通过监测车用锂电池充放电电流、电压、用时等参数计算获得，由此可构建时刻T0:k＝{t0,t1,…tm}和退化变量X0:k＝{x0,x1,…xm}状态空间；根据首达时间意义下的剩余寿命概念，车用锂电池在当前时刻tn的剩余寿命可定义为:Lτ=inf{t:X(t+τ)≥∂}]]>首达时间T对应的累积概率分布函数为：FT(t)=Pr(T≤t)=PrSupX(t)≥∂t>0=PrW(t)≥∂-x0-∫0tγ(t;θ)dt-Σn=1M(t)Πnσt>0]]>其中为失效阈值，求解退化过程X(t)的首达时间分布，即求解布朗运动W(t)到达的首达时间，为此，拟首先求解剩余寿命累积分布函数模型中的参数估计，退化模型中未知参数集Γ包括泊松过程参数，θ，σ；3)退化模型参数估计：为实现剩余寿命累积分布函数模型中的参数估计，拟先构建状态空间模型来描述退化的演变过程，如式：Γi+1=Γi+αxi+1=xi+∫ii+1γ(t;θ)dt+σW(t)+Σn=iM(i+1)Πi+β]]>其中，α～N(0,Α),β～N(0,Β)，Γi～N(g0,K0)，对于该模型中新增参数Α，Β，g0,K0统一表示为参数集Ξ，基于监测的退化数据X0:k＝{x0,x1,…xm}对Ξ的估计，估计值Ξ表示，拟采用经验最大化算法与无味粒子滤波算法相结合的方法求解模型中的参数；具体过程如下：一、初始化参数Ξ(0)；二、E步：计算对数似然函数ln P(X0:k,Ξ)，再对似然函数求期望三、M步：求似然函数期望的最大值,可由求得但在M步过程中，所涉及的期望E(xi),E((xi)2),E(ln(xi‑xi‑1)未知，本项目拟采用UPF算法对其估计，然后将E步和M步不断迭代直至收敛，获得最优参数，采用UPF算法求取E(xi),E((xi)2),E(ln(xi‑xi‑1)，具体包括：一、参数初始化；二、重要性采样，通过UKF算法更新i‑1步的分布，计算Sigma点得到并计算权重；三、重采样；四、基于抽取新的粒子，并与i‑1步的粒子组成新的粒子集，计算得到E(xi),E((xi)2),E(ln(xi‑xi‑1)的最小均方估计值；五、令i＝i+1,转入第一步，直至参数收敛；4)退化模型参数更新和剩余寿命预测：当获得新的退化数据时，利用贝叶斯方法，更新退化模型，求取随机过程首达时间，然后将估计参数带入到剩余寿命累积分布函数中，即可实现剩余寿命的预测。