基于dst和bmc技術的鋰離子電池剩余使用壽命預測方法
【專利摘要】本發明公開了基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，該方法包括以下步驟：1.根據電池容量數據的特點，確定容量衰減模型；2.用證據理論(Dempster-Shafer?Theory，DST)對可使用的電池數據進行處理，得到模型參數的初始值；3.當輸入被監測電池的容量數據時，通過貝葉斯蒙特卡洛(Bayesian?Monte?Carlo，BMC)技術對模型參數實時更新以跟蹤電池容量的衰退趨勢；4.外推模型到失效閾值得到電池剩余使用壽命預測值。本發明提出的方法具有以下優點：1.具有在電池壽命早期就能精確預測剩余壽命的能力；2.不需要大量的訓練數據；3.實現預測結果的概率密度分布輸出。
【專利說明】基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法
【技術領域】
[0001]本發明公開了基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，涉及鋰離子電池剩余使用壽命預測方法，數據驅動預測【技術領域】。
【背景技術】
[0002]鋰離子電池是一種可以將化學能轉換為電能的儲能裝置。和鎳鎘蓄電池、鎳氫蓄電池等其他二次電池相比，它有著能量密度高、使用壽命長、電池漏電率低、可大電流快速充電、工作電壓高、工作范圍廣、成本低、無污染等諸多優勢。憑借這些優勢，鋰離子電池已經在各種便攜式信息處理終端、電動汽車、軍事、航空航天等領域得到了廣泛的應用。鋰離子電池的退化趨勢可以從其重復放電循環的容量衰減趨勢體現出來。容量是指電池在全充狀態下能夠保持的電荷量。對于絕大多數應用而言，電池失效是指電池的容量低于其額定容量的80%。這時候，我們認為電池變得不可信賴，需要被更換。因為當電池容量到達失效閾值時，其容量往往會呈指數式衰減。電池失效有可能導致操作失效、設備停工，甚至災難性的后果。一個典型的實例就是2006年11月，美國航空航天局發射的火星環球探測器在運行過程中發出錯誤指令，命令太陽能電池板動作使之朝向太陽，該指令執行時沒有考慮供電鋰離子電池的性能狀態，使其過放電、溫度過高失去了再充電能力，導致整個探測器系統喪失了電力供應而失去聯系。
[0003]預測和健康管理(Prognosticsand health management,PHM)是一門融合了各種技術和方法的學科，它評價了某種產品在實際使用過程中的可靠性，并提前預報系統故障和化解系統危險。電池的PHM主要有兩種方法:物理模型以及數據驅動。基于物理模型的預測方法利用電池使用過程中的負載條件、材料特性和失效機制的知識來估計電池的剩余使用壽命。數據驅動的技術是從例如電流、電壓、時間和阻抗等性能數據中提取出特征值，再利用統計和機器學習方法來追蹤電池性能的退化趨勢并估計其剩余使用壽命。數據驅動的方法不需要具體的關于材料特性，組織結構或失效機制方面的知識，并且避免了開發高階的系統物理模型，因此，數據驅動的方法比起物理模型的方法來說要簡單得多。數據驅動的方法能夠學習特性數據中體現出來的電池性能退化趨勢，從而預測電池的剩余使用壽命。目前，基于數據驅動的電池剩余使用壽命預測方法已成為研究熱點。常見的基于數據驅動的電池剩余使用壽命預測方法主要有:多種預測器組合預測、電池容量測量數據與卡爾曼濾波組合預測、相關向量機和粒子濾波等。典型的多種預測器組合預測方法結合了三種預測器:自回歸移動平均模型(auto regressive moving average,ARMA),神經網絡以及模糊邏輯。我們通過在不同負載條件下采集的具有相同尺寸相同化學組成的電池數據庫來訓練這些預測器。然而，收集良好的能夠覆蓋所有負載條件下的訓練數據會是一個耗時且成本高昂的過程。電池容量測量數據與卡爾曼濾波組合預測方法主要基于電池容量測量和卡爾曼濾波。容量退化趨勢主要分為兩個階段:一個是緩慢的衰減階段，另一個是接下來較快的衰減階段。當電池容量降至第二階段時，在某種容量退化概率模型的基礎上，利用卡爾曼濾波給出剩余使用壽命的預測值。然而，處于第二階段的電池容量退化持續時間相較電池全部使用壽命時間而言是非常短的，因此，該方法無法在電池壽命早期給出預測值。相關向量機(relevance vector machine,RVM)和粒子濾波(particle filter,PF)也被用來預測電池的剩余使用壽命。人們利用RVM來學習特性數據之間的非線性關系，在基于阻抗譜數據構建的狀態空間模型的基礎上，利用粒子濾波估計剩余使用壽命。雖然這種方法比較精確，但是，阻抗測量需要高昂的成本和大型設備，還非常耗時。除此之外，測量期間，電池應該與充電器或負載斷開連接。這些問題都限制了上述方法的實際應用。
【發明內容】
[0004]為了解決上述問題,本發明提山一種基于證據理論(Dempster-Shafer Theory,DST)和貝葉斯蒙特卡洛(Bayesian Monte Carlo,BMC)技術的鋰離子電池剩余使用壽命預測方法。
[0005]本發明所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法采用如下步驟:
[0006]步驟1，監測鋰離子電池的各項物理參數，獲得監測數據；
[0007]步驟2，對步驟I中獲取的監測數據中的可用鋰離子電池容量數據進行容量衰減趨勢的分析，確定鋰離子電池的容量衰減數學模型；
[0008]步驟3，用DST理論對從步驟I中獲取的可用的電池容量數據進行處理，確定容量衰減模型中的未知參數a、b、C、d的初始值；
[0009]步驟4,當有新的容量數據輸入時,通過BMC技術對參數向量X=[a,b,c,d]進行更新以跟蹤電池容量衰退趨勢；
[0010]步驟5，每過一個鋰離子電池循環周期，重復步驟4 ;
[0011]步驟6，利用步驟5得到的更新模型向前外推h步，直到模型的預測容量值到達失效閾值，繼而判定電池的剩余使用壽命。
[0012]在本發明所述的方法中，所述預測容量值是呈下降趨勢的，上述方法中所述的“到達”是指所述預測容量值在下降過程中從大于失效閾值剛好變成小于失效閾值的情況。
[0013]本發明所述的失效閾值是指鋰離子電池額定容量的80%。
[0014]本發明所述的鋰離子電池剩余使用壽命預測方法的流程如圖1所示。首先，該方法根據鋰離子電池容量數據的特點，選擇合適的容量衰減模型；然后，用證據理論(Dempster-Shafer Theory, DST)對可使用的電池數據進行處理,得到模型參數的初始值；最后，當輸入被監測電池的容量數據時，通過貝葉斯蒙特卡洛(Bayesian Monte Carlo,BMC)技術對模型的參數進行實時更新以跟蹤被監測電池的容量衰退趨勢，并外推模型到失效閾值得到鋰離子電池剩余使用壽命的預測值。
[0015]本發明所述的鋰離子電池剩余使用壽命預測方法針對容量衰退模型的參數初始化問題，采用了 DST理論，有效地確定了容量衰退模型參數的初始值，與一般的算術平均法確定容量衰退模型參數初始值的方法比較，發現其有效提高了模型的預測精度。
[0016]本發明所述的鋰離子電池剩余使用壽命預測方法，經過利用NASA公開發布的鋰離子電池試驗數據進行評估，證明本發明所述的鋰離子電池剩余使用壽命預測方法可以很好地滿足鋰離子電池剩余使用壽命的預測要求。且與一般的算術平均法確定容量衰退模型參數初始值的方法比較，發現其有效提高了模型的預測精度。【專利附圖】
【附圖說明】
[0017]圖1為基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法的流程示意圖。
[0018]圖2為B0005號電池采用本發明所述的容量衰退模型擬合的電池容量擬合曲線。
[0019]圖3為B0018號電池在第30個周期時的預測結果，初始模型參數由算術平均法確定。
[0020]圖4為B0018號電池在第50個周期時的預測結果，初始模型參數山算術平均法確定。[0021]圖5為B0018號電池在第50個周期時的預測結果，初始模型參數由DST法確定。【具體實施方式】
[0022]【具體實施方式】一:本實施方式是結合圖1對本發明的技術方案進行詳細說明。
[0023]基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法包括以下步驟:
[0024]步驟1，監測鋰離子電池的各項物理參數，獲得監測數據；
[0025]步驟I具體過程如下:
[0026]監測過程為將新出廠的同一型號同一化學組成的幾個鋰離子電池先放空電，再充滿電，重復進行充放電k次，記錄周期內每一個鋰離子電池的容量，直至電池容量降至失效閾值以下。這一過程中記錄的鋰離子電池單周期放電容量數據和完整的容量退化數據即為獲得的監測數據。
[0027]步驟2，對步驟I中獲取的監測數據中的可用鋰離子電池容量數據進行容量衰減趨勢的分析，確定鋰離子電池的容量衰減數學模型；
[0028]步驟2具體過程如下:
[0029]分析幾個電池完整的容量退化數據，確定鋰離子電池容量衰減數學模型，所確定的容量衰減模型為:
[0030]Q=a exp (bk) +c exp (dk) (I)
[0031]其中，Q為電池容量，k為循環周期數，參數a和c與電池內阻相關，參數b和d代表電池老化速率。
[0032]步驟3，用DST理論對從步驟I中獲取的可用的電池容量數據進行處理，確定容量衰減模型中的未知參數a、b、C、d的初始值；
[0033]步驟3具體過程如下:
[0034]首先，利用matlab曲線擬合工具對η個電池的完整容量退化數據分別進行擬合，擬合模型采用所確定的容量衰減數學模型，擬合產生95%置信區間的參數估計；然后，從通過置信區間表示的各個參數組合依次進行比較，計算每個參數的信任度。最后，假設所有的數據源信任度是相同的，賦予基本信任分配函數相同的值:
[0035]m(Ai) = -(2)
η
[0036]Hi(Ai)是集合Ai的基本信任分配函數，η是訓練數據集個數。由此可以計算出每個參數的信任度。對于集合Ai的信任度函數Bel (Ai)等于所有相關子集基本信任分配函數的總和:[0037]
【權利要求】
1.基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，包括如下步驟: 步驟1，監測鋰離子電池的各項物理參數，獲得監測數據； 步驟2，對步驟I中獲取的監測數據中的可用鋰離子電池容量數據進行容量衰減趨勢的分析，確定鋰離子電池的容量衰減數學模型； 步驟3，用DST理論對從步驟I中獲取的可用的電池容量數據進行處理，確定容量衰減模型中的未知參數a、b、c、d的初始值； 步驟4，當有新的容量數據輸入時，通過BMC技術對參數向量X=[a，b，c，d]進行更新以跟蹤電池容量衰退趨勢； 步驟5，每過一個鋰離子電池循環周期，重復步驟4 ； 步驟6，利用步驟5得到的更新模型向前外推h步，直到模型的預測容量值到達失效閾值，繼而判定電池的剩余使用壽命。
2.根據權利要求1所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，所謂的失效閾值是指電池額定容量的80%。
3.根據權利要求1所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，所謂的可用鋰離子電池容量數據是指在將新出廠的同一型號同一化學組成的幾個鋰離子電池先放空 電，再充滿電，重復進行充放電k次，記錄周期內每一個鋰離子電池的容量，直至電池容量降至失效閾值以下的過程中，記錄的鋰離子電池完整的容量退化數據。
4.根據權利要求1所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，所確定的鋰離子電池容量衰減數學模型為:
Q=a exp(bk)+c exp (dk) (I) 其中，Q為電池容量，k為循環周期數，參數a和c與電池內阻相關，參數b和d代表電池老化速率。
5.根據權利要求1所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，所述DST理論是指根據DST的混合合成規則得到BMC更新的“基礎模型”。混合合成規則根據每個數據集的信任度組合證據。假設2個證據相符，他們應該具有較高的信任度，因此和其它證據相比顯得更重要。
6.根據權利要求1所述的基于DST和BMC技術的鋰離子電池剩余使用壽命預測方法，其特征在于，BMC技術是指在貝葉斯解決方案的基礎上，使用蒙特卡洛采樣近似解決貝葉斯更新問題。
【文檔編號】G01R31/36GK103926536SQ201410081096
【公開日】2014年7月16日 申請日期:2014年3月7日 優先權日:2014年3月7日
【發明者】陳則王, 李川江, 豆金昌, 王友仁, 崔江, 張驍陽 申請人:南京航空航天大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
