[发明专利]基于机理-数据驱动模型的锂电池剩余容量预测方法

摘要

本发明公开一种基于机理‑数据驱动模型的锂电池剩余容量预测方法，首先构造锂电池剩余容量与其充放电循环周期的退化机理模型；对锂电池原始剩余容量数据进行凸优化降噪处理，基于预处理得到的可靠性较高的数据，采用最小二乘法对机理模型中未知参数进行辨识，从而得到精确的预测模型表达式，实现基于机理模型的锂电池剩余容量的预测。再建立基于LSSVM的建模误差数据驱动模型，将LSSVM估计的建模误差反馈到机理模型的预测结果上，从而实现锂电池剩余容量的高精度预测。本发明方法适用于不同工况条件下的锂电池剩余容量的预测，在预测过程中综合考虑了电池工作时所处的外界环境信息与电路工作条件对其寿命退化的影响，与实际更相符。

主权项

1.一种基于机理‑数据驱动模型的锂电池剩余容量预测方法，其特征在于，包括以下步骤：(1)锂电池运行时所处的工况信息主要包括外界环境信息与电路工作信息，其中，外界环境信息包括环境温度T和相对湿度W，电路工作信息包括充电电流I_in，充电电压V_in，放电电流I_out，放电截止电压V_out；在环境温度T设定为T′，相对湿度W设定为W′，充电电流I_in设定为I′_in，充电电压V_in设定为V′_in，放电电流I_out设定为I′_out，放电截止电压V_out设定为V′_out的标准工况下，取m块相同的锂电池同时进行循环充放电实验，监测并记录每块锂电池的充放电循环周期C以及在第C充放电循环周期下对应的锂电池剩余容量q_a.c，从而计算出m块锂电池在第C充放电循环周期下对应的剩余容量均值其中，a为进行试验的锂电池编号，且a＝1,2,3...m，C＝1,2,3...t；(2)建立锂电池剩余容量退化机理模型：q_C＝k₁C‑k₂e^aC+k₃Q₁，其中(α，k₁，k₂，k₃)为模型未知参数，Q₁为锂电池初始容量，q_C为第C充放电循环周期下对应的锂电池剩余容量；由步骤(1)中获得的不同充放电循环周期下的剩余容量均值可以得到m块锂电池的初始容量均值进而得到标准工况下该种锂电池剩余容量退化机理模型表达式：(3)对步骤(1)获取的锂电池剩余容量数据进行凸优化降噪处理，处理后的数据作为模型参数辨识的依据；采用最小二乘法对步骤(2)中模型未知参数(α，k₁，k₂，k₃)进行辨识，从而获得具体的退化模型表达式为：其中(α^*，k₁^*，k₂^*，k₃^*)为参数辨识结果；由此得到标准工况下该型号锂电池剩余容量退化机理通用模型具体表达式为：(4)另取n＝500块与步骤(1)中同种型号的锂电池分别置于n个不同的非标准工况下同时进行循环充放电试验，即每块锂电池在不同充放电循环周期下所处的环境温度、相对湿度、充电电流、充电电压、放电电流、放电截止电压分别为T_j.c，W_j.c，I_in.j.c，V_in.j.c，I_out.j.c，V_out.j.c时，监测并记录每块锂电池的初始容量值q_j.1、充放电循环周期C以及在第C充放电循环周期下的剩余容量值q_j.C；将初始容量值q_j.1带入步骤(3)锂电池剩余容量退化机理通用模型中，得到基于退化机理模型的锂电池剩余容量预测值从而获得模型预测误差根据试验获取的Δq_j.C及相应的运行工况多元信息(C，T_j.c，W_j.c，I_in.j.c，V_in.j.c，I_out.j.c，V_out.j.c)，建立基于LSSVM的建模误差预测模型，记为Δq_j.C＝f(C，T_j.c，W_j.c，I_in.j.c，V_in.j.c，I_out.j.c，V_out.j.c)，即可根据锂电池当前所处的运行工况多元信息来求得Δq_j.C；其中，j为本步骤试验的锂电池编号，j＝1，2，3...n；(5)监测待测锂电池的初始容量值q_x.1以及当前所处的运行工况信息(C，T_x.c，W_x.c，I_in.x.c，V_in.x.c，I_out.x.c，V_out.x.c)，获取折算到标准工况下的待测锂电池剩余容量预测值以及模型预测误差Δq_x.C，进而求得当前待测锂电池剩余容量预测值其中x为待测锂电池编号。