[发明专利]多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法

说明书

本发明多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。解决在多类型锂离子电池混合使用情况下，传统电池管理系统无法有效管理，并且传统预测模型预测起始点靠后的问题。对于同种锂离子电池采用小波分解，将容量退化历史数据分为高频波动部分和低频趋势两部分，分别将两部分数据作为输入数据训练其对应的带残差层的小波神经网络。将实时低频趋势数据带入残差小波网络和无迹粒子滤波结合的模型，得到长期剩余寿命预测结果。该结果将为系统后期更换电池次序提供依据。剩余寿命预测结果与实时高频波动部分使用带残差层的小波神经网络模型得到的短期预测值，通过同循环次数叠加得到其实时健康状态预测值，用于锂离子电池健康状态均衡管理。

技术领域

本发明属于锂离子电池健康管理技术领域，具体涉及多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法。

背景技术

锂离子电池已被广泛应用于工业生产和日常生活中。从手机、笔记本电脑等电子产品，到电动汽车、人造卫星和电网储能等大型应用场景，锂离子电池都发挥着极其重要的作用。然而，随着锂离子电池的大规模生产，不同生产商所制造出来的电池存在着巨大差异。并且同一生产商的不同批次，甚至是同一批次生产的锂离子电池同样存在着差异。因此，锂离子电池在多类型混用时的管理已成为限制其发展的难点之一。

多类型锂离子电池组管理系统的提出是提升各类电池使用效能的有效方式，并且维修难度远远小于传统的串并联结构。区别于传统的电池管理系统，多类型锂离子电池组管理系统对于电池的挑选并不严苛，即使差异较大的不同类型的锂离子电池也不影响其管理能力。健康状态和剩余寿命预测是电池管理系统的重要功能之一，同时也是均衡管理、损坏预警等功能实现的前提。由于锂离子电池是典型的动态、非线性电化学系统，实际应用场景下无法测量其阻抗等内部状态，因此，根据电流或电压测量值计算得到的容量变化曲线成为目前电池健康状态和剩余寿命预测的主要依据。

不同类型的锂离子电池的容量退化状态存在差异，难以用同一预测模型进行预测。并且传统健康状态预测和剩余寿命预测的起始点普遍为其寿命后期，对于使用前期的电池均衡管理或者异常退化难以有效进行。当前电池管理系统的剩余寿命预测与健康状态预测为两个部分，忽略了两者之间的联系，产生大量工作重复和计算资源浪费。

发明内容

本发明是为了解决多类型锂离子电池混用时的电池管理系统使用中，健康状态预测和剩余寿命预测起始点为使用后期，在前期预测精度差，难以为电池均衡管理提供依据的问题。同时，提供了独立成分分析法为前期数据处理，以解决多类型锂离子电池混用的难题。现提供应用于多类型锂离子电池组管理系统中，锂离子电池使用前期开始的健康状态预测和剩余寿命预测方法。

本发明采用的技术方案是，多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法，包括以下步骤：

步骤一、利用独立主成分分析法将具有多类型锂离子电池的电池组原始数据分解为不同类型电池的退化数据，并根据分解结果进行分类；

步骤二、将步骤一中退化数据与数据库中容量退化曲线进行对比，判断是否前期训练完成该种单体电池多尺度预测模型，若不存在则建立该类预测模型；

步骤三、通过步骤二确认已训练好该种锂离子电池多尺度预测模型后，将步骤一中的单体容量退化数据代入对应多尺度组合模型中，获得长期剩余寿命预测值和短期实时健康状态预测值；

步骤四、将步骤一和步骤三得到的单体锂离子电池真实容量数据、预测容量数据和预测模型参数存入数据库；

所述步骤一中，将锂离子电池组数据使用独立主成分分析法进行退化数据分离，得到不同类型电池容量退化数据；然后将单体电池的容量退化数据与各个类型数据进行比对，从而使各个单体电池划分到不同类型电池型号中；

所述步骤二中，判断是否存在该类型的预测模型采用差值判断，即将其代入数据库中与各种类型锂离子电池平均退化曲线进行减法计算，差值过大时认为不存在其预测模型；