[发明专利]一种锂离子动力电池剩余寿命预测方法

说明书

本发明公开了一种锂离子动力电池剩余寿命预测方法，包括步骤一、建立锂离子动力电池的经验容量退化模型；二、以锂离子动力电池容量为状态变量，根据经验容量退化模型建立离散时间的状态方程和观测方程；三、确定求积分点大小及求积分点所对应的权值；四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计，得到模型的辨识参数；五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计，得出锂离子动力电池的剩余寿命。本发明步骤简单，实现方便，能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域，实时性好，精确性高，效果显著，便于推广。

技术领域

本发明属于锂离子动力电池技术领域，具体涉及一种锂离子动力电池剩余寿命预测方法。

背景技术

锂离子动力电池剩余寿命的预测是根据相关知识，结合系统历史数据，估计系统在当前时刻到失效阈值时刻之间循环工作的次数，失效阈值是由相关标准根据系统性能特征所设定的。锂离子动力电池剩余寿命(RUL)的定义为：在锂离子动力电池进入失效状态前，锂离子动力电池可以单次充放电的循环次数。针对锂离子电池RUL预测的重要意义，国内外投入大量资源进行算法研究，并取得了不错的估计效果。但目前已有的锂离子动力电池RUL预测方法仍然存在着一些问题，因此锂离子动力电池RUL预测算法的研究依然是当前的研究热点。常用的锂离子动力电池RUL预测方法主要分为基于数据驱动方法和基于机理模型的方法。

基于数据驱动方法主要有人工神经网络方法、支持向量机、相关向量机以及数据驱动方法的融合等。该类方法首先需要获取大量的动力电池老化试验的容量数据，从中找寻出动力电池寿命衰减的规律，再通过对容量数据进行推广和延伸，最终实现对动力电池RUL的预测。该类方法虽然不需要考虑电池的退化机理和化学特性，但电池老化因素的测试过程过于复杂，跟踪时间长，无法获得大量的实验数据。

基于机理模型的方法包括动力电池的电化学模型、等效电路模型(ECM)和经验容量退化模型，动力电池的电化学模型是基于电池内部复杂的物化反应构建的，模型的复杂度使得在高放电倍率下，模型会存在不可预估性，从而对预测结果产生影响；动力电池的ECM建立较为简单，基于该类模型的预测方法复杂度低，易于实现，但在近似过程中，动力电池内部的一些重要参量之间的隐含关系易被忽略，ECM难以完全考虑复杂的外界条件，导致ECM对动力电池的动、静态特性描述较弱。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种锂离子动力电池剩余寿命预测方法，其步骤简单，设计合理，实现方便，能够有效应用在新能源汽车等对锂离子动力电池剩余寿命预测要求较高的领域，实时性好，精确性高，效果显著，便于推广。

为解决上述技术问题，本发明采用的技术方案是：一种锂离子动力电池剩余寿命预测方法，包括以下步骤：

步骤一、建立锂离子动力电池的经验容量退化模型；

步骤二、以锂离子动力电池容量为状态变量，根据经验容量退化模型建立离散时间的状态方程和观测方程；

步骤三、确定Gauss-Hermite求积分公式的求积分点大小及求积分点所对应的权值；

步骤四、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池容量的历史数据跟踪估计，得到模型的辨识参数；

步骤五、采用改进的平方根求积分卡尔曼滤波算法对锂离子动力电池的剩余容量不断预测估计，得出锂离子动力电池的剩余寿命。

上述的一种锂离子动力电池剩余寿命预测方法，步骤一中所述锂离子动力电池的经验容量退化模型采用单指数模型，表示为：

C_k＝η_cC_k-1+β₁exp(-β₂/Δt_k-1)