亚星游戏官网-www.yaxin868.com

基于dst和bmc技术的锂离子电池剩余使用寿命预测方法
【专利摘要】本发明公开了基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，该方法包括以下步骤：1.根据电池容量数据的特点，确定容量衰减模型；2.用证据理论(Dempster-Shafer?Theory，DST)对可使用的电池数据进行处理，得到模型参数的初始值；3.当输入被监测电池的容量数据时，通过贝叶斯蒙特卡洛(Bayesian?Monte?Carlo，BMC)技术对模型参数实时更新以跟踪电池容量的衰退趋势；4.外推模型到失效阈值得到电池剩余使用寿命预测值。本发明提出的方法具有以下优点：1.具有在电池寿命早期就能精确预测剩余寿命的能力；2.不需要大量的训练数据；3.实现预测结果的概率密度分布输出。
【专利说明】基于DST和BMC技术的锂离子电池剩余使用寿命预测方法
【技术领域】
[0001]本发明公开了基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，涉及锂离子电池剩余使用寿命预测方法，数据驱动预测【技术领域】。
【背景技术】
[0002]锂离子电池是一种可以将化学能转换为电能的储能装置。和镍镉蓄电池、镍氢蓄电池等其他二次电池相比，它有着能量密度高、使用寿命长、电池漏电率低、可大电流快速充电、工作电压高、工作范围广、成本低、无污染等诸多优势。凭借这些优势，锂离子电池已经在各种便携式信息处理终端、电动汽车、军事、航空航天等领域得到了广泛的应用。锂离子电池的退化趋势可以从其重复放电循环的容量衰减趋势体现出来。容量是指电池在全充状态下能够保持的电荷量。对于绝大多数应用而言，电池失效是指电池的容量低于其额定容量的80%。这时候，我们认为电池变得不可信赖，需要被更换。因为当电池容量到达失效阈值时，其容量往往会呈指数式衰减。电池失效有可能导致操作失效、设备停工，甚至灾难性的后果。一个典型的实例就是2006年11月，美国航空航天局发射的火星环球探测器在运行过程中发出错误指令，命令太阳能电池板动作使之朝向太阳，该指令执行时没有考虑供电锂离子电池的性能状态，使其过放电、温度过高失去了再充电能力，导致整个探测器系统丧失了电力供应而失去联系。
[0003]预测和健康管理(Prognosticsand health management,PHM)是一门融合了各种技术和方法的学科，它评价了某种产品在实际使用过程中的可靠性，并提前预报系统故障和化解系统危险。电池的PHM主要有两种方法:物理模型以及数据驱动。基于物理模型的预测方法利用电池使用过程中的负载条件、材料特性和失效机制的知识来估计电池的剩余使用寿命。数据驱动的技术是从例如电流、电压、时间和阻抗等性能数据中提取出特征值，再利用统计和机器学习方法来追踪电池性能的退化趋势并估计其剩余使用寿命。数据驱动的方法不需要具体的关于材料特性，组织结构或失效机制方面的知识，并且避免了开发高阶的系统物理模型，因此，数据驱动的方法比起物理模型的方法来说要简单得多。数据驱动的方法能够学习特性数据中体现出来的电池性能退化趋势，从而预测电池的剩余使用寿命。目前，基于数据驱动的电池剩余使用寿命预测方法已成为研究热点。常见的基于数据驱动的电池剩余使用寿命预测方法主要有:多种预测器组合预测、电池容量测量数据与卡尔曼滤波组合预测、相关向量机和粒子滤波等。典型的多种预测器组合预测方法结合了三种预测器:自回归移动平均模型(auto regressive moving average,ARMA),神经网络以及模糊逻辑。我们通过在不同负载条件下采集的具有相同尺寸相同化学组成的电池数据库来训练这些预测器。然而，收集良好的能够覆盖所有负载条件下的训练数据会是一个耗时且成本高昂的过程。电池容量测量数据与卡尔曼滤波组合预测方法主要基于电池容量测量和卡尔曼滤波。容量退化趋势主要分为两个阶段:一个是缓慢的衰减阶段，另一个是接下来较快的衰减阶段。当电池容量降至第二阶段时，在某种容量退化概率模型的基础上，利用卡尔曼滤波给出剩余使用寿命的预测值。然而，处于第二阶段的电池容量退化持续时间相较电池全部使用寿命时间而言是非常短的，因此，该方法无法在电池寿命早期给出预测值。相关向量机(relevance vector machine,RVM)和粒子滤波(particle filter,PF)也被用来预测电池的剩余使用寿命。人们利用RVM来学习特性数据之间的非线性关系，在基于阻抗谱数据构建的状态空间模型的基础上，利用粒子滤波估计剩余使用寿命。虽然这种方法比较精确，但是，阻抗测量需要高昂的成本和大型设备，还非常耗时。除此之外，测量期间，电池应该与充电器或负载断开连接。这些问题都限制了上述方法的实际应用。

【发明内容】

[0004]为了解决上述问题,本发明提山一种基于证据理论(Dempster-Shafer Theory,DST)和贝叶斯蒙特卡洛(Bayesian Monte Carlo,BMC)技术的锂离子电池剩余使用寿命预测方法。
[0005]本发明所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法采用如下步骤:
[0006]步骤1，监测锂离子电池的各项物理参数，获得监测数据；
[0007]步骤2，对步骤I中获取的监测数据中的可用锂离子电池容量数据进行容量衰减趋势的分析，确定锂离子电池的容量衰减数学模型；
[0008]步骤3，用DST理论对从步骤I中获取的可用的电池容量数据进行处理，确定容量衰减模型中的未知参数a、b、C、d的初始值；
[0009]步骤4,当有新的容量数据输入时,通过BMC技术对参数向量X=[a,b,c,d]进行更新以跟踪电池容量衰退趋势；
[0010]步骤5，每过一个锂离子电池循环周期，重复步骤4 ;
[0011]步骤6，利用步骤5得到的更新模型向前外推h步，直到模型的预测容量值到达失效阈值，继而判定电池的剩余使用寿命。
[0012]在本发明所述的方法中，所述预测容量值是呈下降趋势的，上述方法中所述的“到达”是指所述预测容量值在下降过程中从大于失效阈值刚好变成小于失效阈值的情况。
[0013]本发明所述的失效阈值是指锂离子电池额定容量的80%。
[0014]本发明所述的锂离子电池剩余使用寿命预测方法的流程如图1所示。首先，该方法根据锂离子电池容量数据的特点，选择合适的容量衰减模型；然后，用证据理论(Dempster-Shafer Theory, DST)对可使用的电池数据进行处理,得到模型参数的初始值；最后，当输入被监测电池的容量数据时，通过贝叶斯蒙特卡洛(Bayesian Monte Carlo,BMC)技术对模型的参数进行实时更新以跟踪被监测电池的容量衰退趋势，并外推模型到失效阈值得到锂离子电池剩余使用寿命的预测值。
[0015]本发明所述的锂离子电池剩余使用寿命预测方法针对容量衰退模型的参数初始化问题，采用了 DST理论，有效地确定了容量衰退模型参数的初始值，与一般的算术平均法确定容量衰退模型参数初始值的方法比较，发现其有效提高了模型的预测精度。
[0016]本发明所述的锂离子电池剩余使用寿命预测方法，经过利用NASA公开发布的锂离子电池试验数据进行评估，证明本发明所述的锂离子电池剩余使用寿命预测方法可以很好地满足锂离子电池剩余使用寿命的预测要求。且与一般的算术平均法确定容量衰退模型参数初始值的方法比较，发现其有效提高了模型的预测精度。【专利附图】

【附图说明】
[0017]图1为基于DST和BMC技术的锂离子电池剩余使用寿命预测方法的流程示意图。
[0018]图2为B0005号电池采用本发明所述的容量衰退模型拟合的电池容量拟合曲线。
[0019]图3为B0018号电池在第30个周期时的预测结果，初始模型参数由算术平均法确定。
[0020]图4为B0018号电池在第50个周期时的预测结果，初始模型参数山算术平均法确定。[0021]图5为B0018号电池在第50个周期时的预测结果，初始模型参数由DST法确定。【具体实施方式】
[0022]【具体实施方式】一:本实施方式是结合图1对本发明的技术方案进行详细说明。
[0023]基于DST和BMC技术的锂离子电池剩余使用寿命预测方法包括以下步骤:
[0024]步骤1，监测锂离子电池的各项物理参数，获得监测数据；
[0025]步骤I具体过程如下:
[0026]监测过程为将新出厂的同一型号同一化学组成的几个锂离子电池先放空电，再充满电，重复进行充放电k次，记录周期内每一个锂离子电池的容量，直至电池容量降至失效阈值以下。这一过程中记录的锂离子电池单周期放电容量数据和完整的容量退化数据即为获得的监测数据。
[0027]步骤2，对步骤I中获取的监测数据中的可用锂离子电池容量数据进行容量衰减趋势的分析，确定锂离子电池的容量衰减数学模型；
[0028]步骤2具体过程如下:
[0029]分析几个电池完整的容量退化数据，确定锂离子电池容量衰减数学模型，所确定的容量衰减模型为:
[0030]Q=a exp (bk) +c exp (dk) (I)
[0031]其中，Q为电池容量，k为循环周期数，参数a和c与电池内阻相关，参数b和d代表电池老化速率。
[0032]步骤3，用DST理论对从步骤I中获取的可用的电池容量数据进行处理，确定容量衰减模型中的未知参数a、b、C、d的初始值；
[0033]步骤3具体过程如下:
[0034]首先，利用matlab曲线拟合工具对η个电池的完整容量退化数据分别进行拟合，拟合模型采用所确定的容量衰减数学模型，拟合产生95%置信区间的参数估计；然后，从通过置信区间表示的各个参数组合依次进行比较，计算每个参数的信任度。最后，假设所有的数据源信任度是相同的，赋予基本信任分配函数相同的值:
[0035]m(Ai) = -(2)

η
[0036]Hi(Ai)是集合Ai的基本信任分配函数，η是训练数据集个数。由此可以计算出每个参数的信任度。对于集合Ai的信任度函数Bel (Ai)等于所有相关子集基本信任分配函数的总和:[0037]
【权利要求】
1.基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，包括如下步骤: 步骤1，监测锂离子电池的各项物理参数，获得监测数据； 步骤2，对步骤I中获取的监测数据中的可用锂离子电池容量数据进行容量衰减趋势的分析，确定锂离子电池的容量衰减数学模型； 步骤3，用DST理论对从步骤I中获取的可用的电池容量数据进行处理，确定容量衰减模型中的未知参数a、b、c、d的初始值； 步骤4，当有新的容量数据输入时，通过BMC技术对参数向量X=[a，b，c，d]进行更新以跟踪电池容量衰退趋势； 步骤5，每过一个锂离子电池循环周期，重复步骤4 ； 步骤6，利用步骤5得到的更新模型向前外推h步，直到模型的预测容量值到达失效阈值，继而判定电池的剩余使用寿命。
2.根据权利要求1所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，所谓的失效阈值是指电池额定容量的80%。
3.根据权利要求1所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，所谓的可用锂离子电池容量数据是指在将新出厂的同一型号同一化学组成的几个锂离子电池先放空 电，再充满电，重复进行充放电k次，记录周期内每一个锂离子电池的容量，直至电池容量降至失效阈值以下的过程中，记录的锂离子电池完整的容量退化数据。
4.根据权利要求1所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，所确定的锂离子电池容量衰减数学模型为:
Q=a exp(bk)+c exp (dk) (I) 其中，Q为电池容量，k为循环周期数，参数a和c与电池内阻相关，参数b和d代表电池老化速率。
5.根据权利要求1所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，所述DST理论是指根据DST的混合合成规则得到BMC更新的“基础模型”。混合合成规则根据每个数据集的信任度组合证据。假设2个证据相符，他们应该具有较高的信任度，因此和其它证据相比显得更重要。
6.根据权利要求1所述的基于DST和BMC技术的锂离子电池剩余使用寿命预测方法，其特征在于，BMC技术是指在贝叶斯解决方案的基础上，使用蒙特卡洛采样近似解决贝叶斯更新问题。
【文档编号】G01R31/36GK103926536SQ201410081096
【公开日】2014年7月16日 申请日期:2014年3月7日 优先权日:2014年3月7日
【发明者】陈则王, 李川江, 豆金昌, 王友仁, 崔江, 张骁阳 申请人:南京航空航天大学