[发明专利]一种面向预测性运维的动力电池健康预测方法

说明书

本发明涉及一种面向预测性运维的动力电池健康预测方法，属于电池管理技术领域。改方法采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，并利用在线提取的特征进行模型自校正。本发明避开传统的利用电池容量进行预测所面临的在线容量不可测问题，为电池的预测性运维提供退役点的预测，并且在使用过程中能够实时的进行自校正，提高预测的精度。

技术领域

本发明属于电池管理技术领域，涉及一种面向预测性运维的动力电池健康预测方法。

背景技术

交通电气化是现在国内外工业界的新趋势，锂离子电池具有寿命长、自放电率低、能量密度大特点，成为良好的储能设备。电池的预测性运维是对电池进行精细化、有效化管理的重要途径，而电池的健康预测是进行预测性运维的基础和关键步骤。电池的健康预测通常是指电池的容量估计以及剩余寿命预测。然而由于实际使用中容量不可测的限制，使得电池健康预测成为行业内一项重要挑战和亟待解决的关键技术。

电池的健康预测方法通常可分为基于模型和基于数据驱动两类。基于模型的方法主要是通过历史数据与循环次数建立的经验或半经验模型进行预测。通常为指数模型、双指数模型、或者多项式模型。利用先进滤波器例如卡尔曼滤波，粒子滤波等进行曲线拟合得到拟合曲线，从而利用拟合曲线进行容量估计或者进行剩余寿命预测。而基于数据驱动的方法由于其不需要特殊的模型，而仅仅依赖数据本身的特性，近年来得到了快速的发展。基于数据驱动的方法通常是以容量衰减的序列构建映射关系，通过先前几个容量数据预测下一个容量数据，并进行外推得到剩余循环寿命。或者通过在充放电过程中根据特殊的工况提取相关的健康因子，建立健康因子和容量之间的映射关系，通过健康因子估计电池的容量。然后建立电池容量序列映射关系进行外推得到电池的剩余循环寿命。然而，不论是通过健康因子和容量之间建立映射关系还是通过容量序列建立映射关系，在实际使用中都存在容量不可测从而无法进行模型矫正的缺陷。此外通过健康因子建立和容量之间的映射关系还受到不同电池的健康因子变化趋势和范围存在差异从而导致容量估计不准的难题。这些短板都是限制进行精确剩余寿命预测从而精确进行预测性运维的主要因素。

针对上述的问题，亟需一种能精确预测动力电池退役点的方法。

发明内容

有鉴于此，本发明的目的在于提供一种面向预测性运维的动力电池健康预测方法，有效的捕捉衰减特性进行退役点的预测，为电池的预测性运维提供更加精确的剩余寿命预测。

为达到上述目的，本发明提供如下技术方案：

一种面向预测性运维的动力电池健康预测方法，该方法避开传统利用电池容量进行健康预测时在线容量难以获取的难题，利用通用健康因子替代容量进行健康预测，采用有用性评价体系对健康因子进行评估，利用贝叶斯优化方法对阈值进行优化，采用迁移学习将最相似衰减的电池模型训练信息传递给测试单体，并利用早期衰减数据进行模型的微调，最后利用所训练好的模型进行健康预测，包括一步衰减预测和外推剩余容量预测，此外，得益于健康因子可在线提取的优势，该方法可以进行实时的在线模型自校正，从而在使用过程中不断的提升预测的精度，为动力电池的预测性运维提供更加精确的退役点预测。具体包括以下步骤：

S1：收集动力电池老化数据集，建立电池老化数据库，根据车用动力电池的充放电特性，提取可用于替代容量的通用性特征。

S2：利用贝叶斯优化方法，根据早期的衰减特性对所测试电池的特征进行阈值优化，并根据本发明所提出的健康因子有用性评价体系对所提取的通用性特征进行评估。

S3：在已有数据库中根据早期衰减特性搜寻最相似衰减过程单体，对该单体进行模型训练。

S4：利用迁移学习将训练好的模型传递给测试电池，并利用早期特征进行模型微调。