[发明专利]基于相关向量机和粒子滤波的电池剩余可用寿命预测方法

权利要求书

1.一种基于相关向量机和粒子滤波的动力电池系统剩余可用寿命预测方法，其特征在于：具体包括以下步骤：

步骤一，在线获取动力电池系统的容量衰退数据；

步骤二，利用相关向量机提取所述容量衰退数据的特征向量；

步骤三，利用非线性最小二乘回归方法拟合动力电池老化模型；

步骤四，构建描述动力电池系统老化的状态空间方程；

步骤五，基于粒子滤波理论预测动力电池系统的剩余可用寿命；

所述步骤三具体包括：建立动力电池系统的老化模型为：y＝a·exp(b·l)+c·l^d，其中模型输出值y为动力电池容量，模型参数l为动力电池充放电循环次数，模型参数a和b与电池内阻有关，c和d与电池老化速率相关；d的值预设为2；使用非线性最小二乘回归方法对该模型进行拟合，拟合数据为步骤二获得的相关向量从而拟合得到模型的其他三个参数值a，b以及c。

2.如权利要求1所述的方法，其特征在于：所述步骤一具体包括：在线获取动力电池容量测量值y＝(y₁，y₂，...，y_N)^T以及对应的充放电循环次数k＝(1，2，...，N)^T；其中，y₁，y₂，...，y_N代表充放电循环次数为1，2，...，N时的动力电池容量测量值。

3.如权利要求2所述的方法，其特征在于：所述步骤二具体包括：将步骤一中在线获取的数据用于模型训练，将充放电循环次数k＝(1，2，...，N)^T作为输入，容量测量值y＝(y₁，y₂，...，y_N)^T为输出，得到训练好的相关向量机，同时得到相关向量其中l＝(l₁，l₂，...，l_M)^T为构成相关向量的动力电池充放电循环次数，为构成相关向量的对应充放电循环次数条件下的容量测量值。

4.如权利要求3所述的方法，其特征在于：所述步骤四中的状态空间方程为：

其中，k为动力电池充放电循环次数，χ_k和y_k分别为动力电池系统在k次充放电循环时的状态矩阵和观测矩阵，ω_k和v_k分别为k次充放电循环时的过程噪声矩阵以及测量噪声矩阵，a_k、b_k、c_k、d_k为模型参数a、b、c、d在k次充放电循环时的值，其中，a₀、b₀、c₀、d₀为步骤三所获得的拟合值以及预设值。

5.如权利要求4所述的方法，其特征在于：所述步骤五中基于粒子滤波理论预测动力电池系统的剩余可用寿命具体包括：

5.1).初始化：

其中，为系统第i个粒子0次循环时的状态矩阵预设值，为系统第i个粒子0次循环时的过程噪声矩阵，为系统第i个粒子1次循环时的状态矩阵估计值，N_p为所产生的粒子数，为系统第i个粒子1次循环时的权系数；

5.2).对于k∈{2，...，∞}，实施计算，计算流程如下：

5.2.1).更新粒子权系数w_k：

(1).产生随机变量：

其中，为系统第i个粒子k次循环时的状态矩阵，χ_k为系统k次循环时的状态矩阵估计值，y_k为系统k次循环时的容量观测值，q(·)为用户定义的概率密度函数，此处定义为基于状态方程统计特性的概率分布密度函数；

(2).计算非归一化的粒子权系数值：

其中，为系统第i个粒子k次循环时的非归一化权系数值，为第i个粒子k-1次循环时的归一化权系数值，f(·)为基于状态空间方程统计特性的概率密度分布函数；

(3).归一化粒子权系数：

5.2.2).重采样：

评估有效粒子数以判断是否需要进行重采样：

如果N_eff＜N_min，粒子进行重采样，其中N_eff为计算获得的有效粒子数，N_min为用户定义的有效粒子数的最小值；

5.2.3).计算系统状态矩阵估计值χ_k：

对N_p个粒子加权获得χ_k：

5.2.4).预测动力电池系统剩余可用寿命及概率分布函数，计算流程如下：

(1).将系统状态估计值带入观测方程预测多个粒子动力电池系统的容量衰退：

其中，为系统第i个粒子l⁽ⁱ⁾次循环时的容量预测值，如果Q为初始容量，则l⁽ⁱ⁾即为动力电池系统总的可用寿命循环次数；

(2).计算多个粒子动力电池系统剩余可用寿命预测值：

RUL⁽ⁱ⁾＝l⁽ⁱ⁾-k

其中，k为预测起始循环次数，RUL⁽ⁱ⁾为第i个粒子的剩余可用寿命循环次数；

(3).对N_p个粒子加权获得动力电池容量、剩余寿命预测值：

其中，l为预测的系统循环次数，y_l⁽ⁱ⁾为系统第i个粒子l次循环时的容量预测值，为系统l次循环时的容量预测值，为系统剩余可用寿命；

(4).获得动力电池剩余寿命概率密度分布函数：

其中，Y_1：k为第一个循环至k个循环的容量观测值，δ(·)为狄拉克函数。