[发明专利]锂电池剩余寿命预测方法

说明书

锂电池剩余寿命预测方法，涉及一种锂离子电池循环寿命预测技术，为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题。获得依据充放电周期的锂电池容量退化数据集，对数据进行预处理，构建DBN和RVM的融合模型，训练DBN模型和RVM模型，采用训练结束的DBN和RVM的融合模型预测锂电池剩余寿命。本发明适用于预测锂电池剩余寿命。

技术领域

本发明涉及一种锂离子电池循环寿命预测技术。

背景技术

锂电池由于其安全可靠的工作性能业已成为能源、汽车工程和航空工程等领域研究的焦点。锂离子电池广泛应用于航空、航天、卫星、军事、电动车等应用系统。然而锂电池的性能会随着循环充放电的使用过程而逐渐下降，电池容量会逐渐衰减，直到最终无法有效充满电而报废，所以锂电池的循环使用寿命是有限的，精确预测锂电池的剩余循环使用寿命是这些系统安全和可靠运行的关键。为叙述简便，以下将剩余循环使用寿命简化为剩余寿命(remaining useful life，RUL)。因而研究可靠精确的锂电池剩余寿命预测方法从而避免灾难事故的发生和降低维修成本就变得十分重要。

锂电池剩余寿命的预测方法可以分为三类：基于模型的方法、数据驱动的方法和融合的方法。基于模型的方法能较好地反映电池的物理和电化学特性，但是基于模型的方法很难监测电池内部状态并且精确的物理模型通常很难获得。数据驱动方法因其灵活及易于操作的特点成为是一个更受欢迎的方法。然而，数据驱动方法对数据的依赖较大，如数据的不确定或不完整会明显的影响数据驱动方法的性能。单一方法通常很难准确描述电池退化的非线性和充分适应不断变化的电池操作条件。融合方法具有克服单一方法这一缺陷的潜力。融合方法已经越来越多地受到关注并用于提高电池剩余寿命预测的性能。例如，Xing等人提出一种融合回归模型和粒子滤波(Particle Filter，PF)算法的集成模型预测锂电池的剩余寿命。同样的，Saha等人提出一种组合相关向量机(Relevance Vector Machine，RVM)和粒子滤波PF的电池剩余寿命预测方法。Liu等人开发了一种利用贝叶斯模型平均(Bayesian Model Averaging，BMA)的集成方法组合多个不同核函数构建的RVM子模型用于电池寿命预测。Dong等人提出一个由支持向量回归(Support Vector Regression，SVR)和粒子滤波PF构成的融合故障预测方法。目前这些方法在锂电池剩余寿命预测中已经获得了较好的效果。然而，由于锂电池的多样性和复杂性，目前的方法存在以下缺陷：(1)多数方法依赖精确的物理模型或者复杂的信号处理技术，这都需要昂贵的投入；(2)多数方法如RVM，SVR和PF都是浅层结构，这会限制故障预测的性能并且容易遭受维数灾难。

发明内容

本发明的目的是为了解决现有锂电池剩余寿命预测方法依赖精确的物理模型或复杂的信号处理技术，需要昂贵的投入，或现有方法基于浅层结构，这会限制故障预测的性能并且容易遭受维数灾难的问题，从而提供锂电池剩余寿命预测方法。

本发明所述的锂电池剩余寿命预测方法，该方法包括以下步骤：

步骤一、获得依据充放电周期的锂电池容量退化数据集，对数据归一化为[0,1]区间内，并将数据集划分为两个数据集，分别为训练数据集和测试数据集；在开始预测的点(starting point of prediction，SP)之前的数据用于训练，为训练数据，SP之后的数据用于测试，为测试数据；

步骤二、构建DBN和RVM的融合模型，即构建一个深度置信网络DBN模型和一个相关向量机RVM模型；

步骤三、训练DBN模型和RVM模型；使用训练集训练DBN模型，RVM模型的输入是DBN模型提取出的特征数据；