基于概率集成的鋰離子電池剩余壽命直接預(yù)測(cè)方法
【專(zhuān)利摘要】基于概率集成的鋰離子電池剩余壽命直接預(yù)測(cè)方法，涉及鋰離子電池剩余壽命預(yù)測(cè)【技術(shù)領(lǐng)域】。它為了解決傳統(tǒng)單調(diào)回聲狀態(tài)網(wǎng)絡(luò)MONESN方法的不穩(wěn)定性以及缺乏剩余壽命不確定性表達(dá)的問(wèn)題。本發(fā)明首先測(cè)量鋰離子電池每個(gè)循環(huán)周期的最大容量；采用N個(gè)MONESN模型預(yù)測(cè)鋰離子電池剩余壽命，得到N個(gè)預(yù)測(cè)結(jié)果；對(duì)上述結(jié)果進(jìn)行不確定性估計(jì)和集成，以得到基于概率集成的鋰離子電池剩余壽命預(yù)測(cè)結(jié)果。本發(fā)明充分發(fā)揮了MONESN模型較強(qiáng)的非線性預(yù)測(cè)能力，有效克服傳統(tǒng)MONESN算法不穩(wěn)定性的問(wèn)題。同時(shí)，能夠?qū)崿F(xiàn)剩余壽命不確定性的表達(dá)和管理。本發(fā)明適用于容量能夠直接測(cè)量獲得的情況下，鋰離子電池剩余壽命的預(yù)測(cè)。
【專(zhuān)利說(shuō)明】基于概率集成的鋰離子電池剩余壽命直接預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及鋰離子電池剩余壽命(Remaining Useful Life, RUL)預(yù)測(cè)【技術(shù)領(lǐng)域】?！颈尘凹夹g(shù)】
[0002]相比于傳統(tǒng)的NiMH電池和NiCd電池，鋰離子電池存在諸多優(yōu)點(diǎn)，如，高能量密度、長(zhǎng)壽命、高輸出電壓、低自放電率、高可靠性和安全性等等。因此，鋰離子電池被廣泛應(yīng)用于電動(dòng)汽車(chē)、消費(fèi)電子、通訊、導(dǎo)航、航海、航空、航天等領(lǐng)域，尤其是，鋰離子電池已經(jīng)成為第三代衛(wèi)星電池，可以有效提高載荷效率和降低航天器自重。
[0003]隨著鋰離子電池技術(shù)的快速發(fā)展，以及在諸多工業(yè)領(lǐng)域的快速推廣，電池的性能退化、預(yù)測(cè)和壽命預(yù)計(jì)、維修優(yōu)化等，吸引了研究者的關(guān)注，已經(jīng)成為能源、電源、可靠性工程和航空航天工程領(lǐng)域的研究熱點(diǎn)。
[0004]然而，由于鋰離子電池本身是一個(gè)復(fù)雜的電化學(xué)系統(tǒng)，難于監(jiān)測(cè)其內(nèi)部的狀態(tài)，以建立泛化的、準(zhǔn)確的物理模型。參數(shù)的識(shí)別也是模型應(yīng)用的另外一個(gè)挑戰(zhàn)，尤其是在動(dòng)態(tài)負(fù)載、環(huán)境變化影響以及其他的不確定性因素影響。
[0005]近年來(lái)，該研究領(lǐng)域轉(zhuǎn)向基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法，實(shí)現(xiàn)電池的退化建模和壽命預(yù)計(jì)。特別地，數(shù)據(jù)驅(qū)動(dòng)方法僅依賴于測(cè)試和監(jiān)測(cè)數(shù)據(jù)，可以實(shí)現(xiàn)健康狀態(tài)評(píng)估和可靠性估計(jì)。換句話說(shuō)，數(shù)據(jù)驅(qū)動(dòng)方法不需要考慮復(fù)雜的化學(xué)過(guò)程、物理原理等，因此，大量的基于統(tǒng)計(jì)、計(jì)算智能和人工智能的方法，如自回歸模型(AutoRegressive, AR),粒子濾波(Particle Filter, PF),高斯回歸過(guò)程(Gaussian Process Regression, GPR),相關(guān)向量機(jī)(Relevance Vector Machine, RVM),支持向量機(jī)(Support Vector Machine, SVM)和人工神經(jīng)網(wǎng)絡(luò)，用于實(shí)現(xiàn)電池的壽命預(yù)測(cè)。然而，數(shù)據(jù)驅(qū)動(dòng)的方法針對(duì)不同問(wèn)題、或者同一問(wèn)題的不確定性，存在不穩(wěn)定性和模型失配的問(wèn)題。
[0006]為提升這些數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)方法的能力，基于融合的預(yù)測(cè)方法逐漸成為主流。Liu等提出一種將數(shù)據(jù)驅(qū)動(dòng)和基于模型的PF方法融合的預(yù)測(cè)框架，提升長(zhǎng)時(shí)預(yù)測(cè)性能。Saha等提出一種電池的壽命預(yù)測(cè)方法，融合了 RVM方法和PF方法。Xing等提出了一種集成模型，將回歸模型和PF方法融合。Hu等提出了一種集成數(shù)據(jù)驅(qū)動(dòng)的方法，將不同數(shù)據(jù)驅(qū)動(dòng)方法通過(guò)加權(quán)模型進(jìn)行融合。
[0007]理論上,遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)可以近似任意動(dòng)態(tài)系統(tǒng)，但傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)模型難以建立，訓(xùn)練效率低導(dǎo)致其難以在現(xiàn)實(shí)中應(yīng)用。儲(chǔ)備池計(jì)算技術(shù)(reservoir computing, RC)作為一種新型的遞歸神經(jīng)網(wǎng)絡(luò),可以克服傳統(tǒng)方法的缺點(diǎn)。隨著RC的發(fā)展，Jaeger提出了回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network, ESN)。回聲狀態(tài)網(wǎng)絡(luò)保持傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)高度非線性逼近能力，同時(shí)解決傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)在使用中遇到的問(wèn)題?；芈暊顟B(tài)網(wǎng)絡(luò)是一種新型的遞歸神經(jīng)網(wǎng)絡(luò)，它采用儲(chǔ)備池結(jié)構(gòu)代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)的隱含層，將低維輸入空間映射到高維的狀態(tài)空間，使其具有高度的非線性逼近能力。同時(shí)網(wǎng)絡(luò)輸出空間和狀態(tài)空間滿足線性關(guān)系，可以采用最小二乘方法計(jì)算ESN輸出權(quán)值的最優(yōu)值，使ESN的輸出值和真實(shí)值之間滿足誤差平方和最小原則。[0008]如圖1所示。假設(shè)系統(tǒng)有M維輸出變量，N維內(nèi)部處理單元，L維輸入變量，在時(shí)刻k的輸入單元、內(nèi)部處理單元和輸出單元可以表達(dá)為:u(k) = (U1 (k),-,uL(k)),x(k)=(X1 (k)，…，xN(k))，and y (k) = Cy1 (k)，…，yM(k)),內(nèi)部處理單元的更新方程為:
[0009]X (k) = f (ffinu (k) +Wx (k-1) +Wbacky (k-1)), (I)
[0010]輸入變量和內(nèi)部處理單元之間由輸入連接權(quán)矩陣Win e Rnxm連接，內(nèi)部處理單元之間由內(nèi)部連接權(quán)矩陣W e Rnxn連接，內(nèi)部處理單元和輸出變量之間由輸出連接權(quán)矩陣W°ut e Rix(Μ+Ν+?，輸出變量有可能對(duì)內(nèi)部處理單元產(chǎn)生反饋，由反饋矩陣Wbaci e Rnxi連接。若系統(tǒng)不復(fù)雜，Wbaci—般取O。f = [f\，…，fN]表示內(nèi)部神經(jīng)元激活函數(shù)，通常情況
下取做雙曲正切函數(shù)。/ =L/ ，/丄|表示輸出函數(shù)，一般情況下，輸出層是線性的，即
= 1,2,…，M)取恒等函數(shù)。ESN輸出方程為:
[0011 ] y(k) = fout (Wout (u (k), x (k), y (k_l))， (2)
[0012]輸出層一般為線性，式(3)所示為本文所用線性輸出形式。W°ut = (WiJ0ut)是一個(gè)MX (L+N+M)維輸出權(quán)值矩陣(假定Wbaci = O).[0013]y(k) = Wout (u (k), X (k)).(3)
[0014]輸入和輸出單元之間的關(guān)系可以表示為:
[0015]
【權(quán)利要求】
1.基于概率集成的鋰離子電池剩余壽命直接預(yù)測(cè)方法，其特征在于:該方法包括以下步驟: 步驟一、測(cè)量鋰離子電池容量，得到鋰離子電池容量數(shù)據(jù)序列； 步驟二、利用步驟一中的鋰離子電池容量數(shù)據(jù)序列，采用N個(gè)單調(diào)回聲狀態(tài)網(wǎng)絡(luò)模型MONESN進(jìn)行鋰離子電池剩余壽命預(yù)測(cè)，得到N個(gè)鋰離子電池剩余壽命預(yù)測(cè)結(jié)果；N為正整數(shù)； 步驟三、對(duì)鋰離子電池剩余壽命預(yù)測(cè)結(jié)果進(jìn)行不確定性區(qū)間估計(jì)，得到基于概率集成的鋰離子電池剩余壽命預(yù)測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于概率集成的鋰離子電池剩余壽命間接預(yù)測(cè)方法，其特征在于:步驟三所述的對(duì)鋰離子電池剩余壽命預(yù)測(cè)結(jié)果進(jìn)行不確定性區(qū)間估計(jì)的方法為: 將步驟二中的N個(gè)鋰離子電池剩余壽命預(yù)測(cè)結(jié)果作為子模型輸出，所述子模型輸出數(shù)據(jù)服從威布爾分布，其概率密度函數(shù)為:
【文檔編號(hào)】G01R31/36GK103954914SQ201410208640
【公開(kāi)日】2014年7月30日 申請(qǐng)日期:2014年5月16日 優(yōu)先權(quán)日:2014年5月16日
【發(fā)明者】劉大同, 彭宇, 周建寶, 盧斯遠(yuǎn), 彭喜元 申請(qǐng)人:哈爾濱工業(yè)大學(xué)