[发明专利]一种基于锂电池退化阶段划分的剩余使用寿命的预测方法

说明书

本发明公开了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括：根据训练集的健康指标和电池容量值间的关系，建立容量预测模型；预测测试集的容量值；将训练集和测试集的容量值划分为3个阶段，并建立分类模型；根据第三阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；采集待预测剩余使用寿命样本的健康指标，获取预测容量值；将预测容量值输入分类模型获得样本类别；若其处于第三阶段，则将样本的健康指标输入RUL预测模型获得剩余使用寿命的预测值。本发明根据分类模型和RUL预测模型准确预测处于第三阶段的电池剩余使用寿命，也只预测第三阶段的电池剩余使用寿命，使本发明的计算量较小。

技术领域

本发明属于锂电池剩余使用寿命的预测领域，更具体地，涉及一种基于锂电池退化阶段划分的剩余使用寿命的预测方法。

背景技术

锂电池由于其具有较高的能量密度、较低的自放电率、工作温度范围宽广、充放电速度快等众多优点，现在已经被广泛的应用在了交通动力电源、电力储能电源、移动通信电源等领域。然而，锂电池在循环使用过程中，由于电池内部的物理结构以及外部环境条件和使用方式不当等都会使它的性能会产生退化，如容量值会随着使用循环次数的增加而减少，因此，建立电池的退化模型，预测电池的剩余使用寿命具有重要的意义。

在电池的使用过程中，由于复杂的环境变化或不规范的操作情况，电池的退化可能会呈现非单调性，如电池的退化过程会出现缓慢退化阶段、加速退化阶段、濒临失效阶段等阶段性。如果对处于缓慢退化阶段数据进行寿命预测，其实是没有太大的必要，因此，若能对电池的退化阶段进行划分，选用濒临失效阶段的数据做剩余使用寿命预测，不仅可以节省预测成本，而且可以达到较好的预测精度，在实际工程应用中具有重要意义。

目前常用的锂电池剩余寿命预测方法有基于模型的和数据驱动的。基于模型的预测方法需满足一个先决条件即预测对象的模型能够用数学模型表示并且已知，然后根据已知的数学模型，分析预测对象的失效机理。这类方法通常基于Wiener过程、Gamma过程等随机过程来描述设备退化过程，但是在实际应用中，针对不同的复杂系统建立准确的数学模型是很困难的，因此目前最常用的剩余寿命预测方法是数据驱动的方法。其主要有以下几种：基于回归模型的方法如PLS(Partial Least Square)；自回归模型(AR)；人工神经网络(Artificial Neural Networks,ANN)；支持向量机(SVR)；相关向量机(RVM)等。以上方法不需要获知设备退化的数学模型，只需要通过过程测量的数据就可以实现准确的寿命预测。

目前，针对锂电池退化过程阶段划分的方法有基于健康因子的退化率和退化过程中全周期样本的等间距划分。但是当选定的健康因子在退化过程中退化速率没有明显的差异时，基于健康因子退化率的划分方法就失效了；而基于全周期样本的等间距划分方法在分类的准确率上还有些许不足。退化阶段的准确划分将直接影响剩余寿命预测的精度，因此研究退化阶段划分的方法具有重要的意义。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，旨在解决因现有的锂电池剩余寿命预测没有进行退化阶段划分导致预测精度低的问题。

为实现上述目的，本发明提供了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括如下步骤：

(1)根据数据已知的训练集的健康指标和电池容量值间的关系，建立容量预测模型；

(2)在未知容量值的测试集中提取健康指标作为容量预测模型的输入，预测测试集的容量值；

(3)将训练集和测试集的容量值按照容量衰减趋势划分为3个阶段，并在3个阶段的数据上贴类别标签建立分类模型；

(4)根据第三阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；

(5)采集待预测剩余使用寿命的健康指标，获取预测容量值；