[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

说明书

本发明提出了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，其利用相关向量机提取所采集的动力电池容量衰退的特征向量值，并建立动力电池系统的老化模型，基于该老化模型结合粒子滤波理论对动力电池系统的剩余可用寿命实现预测。该方法具有可有效降低训练数据量、提高算法的预测精度、保证RUL估计器的稳定性等诸多有益效果，有望在实际应用中获得精确、可靠的预测结果。

技术领域

本发明涉及动力电池的预测与健康状态管理领域，尤其涉及基于少量老化数据建立动力电池的老化模型，以及基于该模型对可用寿命进行预测。

背景技术

动力电池系统的剩余可用寿命(Remaining useful life:RUL)用于指示其在健康状态条件下的剩余寿命时间。动力电池的RUL预测能够帮助生产企业精确评估产品的寿命时间，进而制定出具有经济性、竞争力的产品质保期，同时可以帮助用户提前维修保养、更换电池系统，避免不必要的损失。早期的剩余寿命预测算法基于相关向量机(Relevancevector machine:RVM)从电化学阻抗谱 (Electrochemical impedance spectroscopy:EIS)测试数据中提取电池特征值构建动力电池老化模型，并基于粒子滤波(Particlefilter:PF)理论更新模型参数、预测电池RUL。因为EIS只能离线测量，因此该方法只能用于离线预测动力电池的RUL。为了克服这种限制，又出现了可基于D-S证据理论(Dempster-Shafer theory:DST) 以及贝叶斯蒙特卡罗方法(Bayesian Monte Carlo:BMC)构建的方法论进行在线预测。这种方法论首先利用DST基于多组离线数据初始化动力电池老化模型，然后利用BMC基于动力电池容量在线监测数据更新模型参数、预测动力电池RUL。基于这一理论体系，后续又有系列研究成果实现了动力电池老化模型的精度以及滤波性能的提升，从而更精确的预测了动力电池的RUL。然而该理论体系需要依据一支或多支动力电池实验数据初始化动力电池老化模型。该初始化过程需要大量的离线训练数据来构建精确的老化模型。此外，如果实际工作中的电池与实验电池的工作环境不同，会得出错误的初始化模型。并且，电池生产过程中的特性不一致会进一步增大模型初始化误差。为了解决这些问题，有研究提出了基于RVM 以及三参数容量衰退模型的理论体系预测动力电池RUL。其中，RVM基于动力电池运行过程中的历史数据提取特征向量，然后使用这些提取的特征向量拟合三参数容量衰退模型。该方法减少了训练数据，并降低了由于电池工作条件以及特性不一致性引发的建模误差。然而，三参数容量衰退模型指数函数项的指数是经验性的通过观测容量衰减速率获取，如果指数选取不准确，RUL预测值可能会远远偏离真实值。

因此，在当前应用背景技术下，如何基于少量、有限的老化数据实现动力电池老化模型的精确构建并进行RUL的在线精确、可靠预测具有重要的理论价值和应用意义。

发明内容

针对上述本领域中存在的技术问题，本发明提供了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，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。

进一步地，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代表循环次数1,2,…,N时的动力电池容量测量值。