一种基于锂电池退化阶段划分的剩余使用寿命的预测方法

摘要

本发明公开了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括：根据训练集的健康指标和电池容量值间的关系，建立容量预测模型；预测测试集的容量值；将训练集和测试集的容量值划分为3个阶段，并建立分类模型；根据第三阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；采集待预测剩余使用寿命样本的健康指标，获取预测容量值；将预测容量值输入分类模型获得样本类别；若其处于第三阶段，则将样本的健康指标输入RUL预测模型获得剩余使用寿命的预测值。本发明根据分类模型和RUL预测模型准确预测处于第三阶段的电池剩余使用寿命，也只预测第三阶段的电池剩余使用寿命，使本发明的计算量较小。

说明书

技术领域

本发明属于锂电池剩余使用寿命的预测领域，更具体地，涉及一种基于锂电池退化阶段划分的剩余使用寿命的预测方法。

背景技术

锂电池由于其具有较高的能量密度、较低的自放电率、工作温度范围宽广、充放电速度快等众多优点，现在已经被广泛的应用在了交通动力电源、电力储能电源、移动通信电源等领域。然而，锂电池在循环使用过程中，由于电池内部的物理结构以及外部环境条件和使用方式不当等都会使它的性能会产生退化，如容量值会随着使用循环次数的增加而减少，因此，建立电池的退化模型，预测电池的剩余使用寿命具有重要的意义。

在电池的使用过程中，由于复杂的环境变化或不规范的操作情况，电池的退化可能会呈现非单调性，如电池的退化过程会出现缓慢退化阶段、加速退化阶段、濒临失效阶段等阶段性。如果对处于缓慢退化阶段数据进行寿命预测，其实是没有太大的必要，因此，若能对电池的退化阶段进行划分，选用濒临失效阶段的数据做剩余使用寿命预测，不仅可以节省预测成本，而且可以达到较好的预测精度，在实际工程应用中具有重要意义。

目前常用的锂电池剩余寿命预测方法有基于模型的和数据驱动的。基于模型的预测方法需满足一个先决条件即预测对象的模型能够用数学模型表示并且已知，然后根据已知的数学模型，分析预测对象的失效机理。这类方法通常基于Wiener过程、Gamma过程等随机过程来描述设备退化过程，但是在实际应用中，针对不同的复杂系统建立准确的数学模型是很困难的，因此目前最常用的剩余寿命预测方法是数据驱动的方法。其主要有以下几种：基于回归模型的方法如PLS(Partial Least Square)；自回归模型(AR)；人工神经网络(Artificial Neural Networks,ANN)；支持向量机(SVR)；相关向量机(RVM)等。以上方法不需要获知设备退化的数学模型，只需要通过过程测量的数据就可以实现准确的寿命预测。

目前，针对锂电池退化过程阶段划分的方法有基于健康因子的退化率和退化过程中全周期样本的等间距划分。但是当选定的健康因子在退化过程中退化速率没有明显的差异时，基于健康因子退化率的划分方法就失效了；而基于全周期样本的等间距划分方法在分类的准确率上还有些许不足。退化阶段的准确划分将直接影响剩余寿命预测的精度，因此研究退化阶段划分的方法具有重要的意义。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，旨在解决因现有的锂电池剩余寿命预测没有进行退化阶段划分导致预测精度低的问题。

为实现上述目的，本发明提供了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括：

(1)根据数据已知的训练集的健康指标和电池容量值间的关系，建立容量预测模型；

(2)在未知容量值的测试集中提取健康指标作为容量预测模型的输入，预测测试集的容量值；

(3)将训练集和测试集的容量值按照容量衰减趋势划分为3个阶段，并在3个阶段的数据上贴类别标签建立分类模型；

(4)根据第3阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；

(5)采集待预测剩余使用寿命的健康指标，获取预测容量值；

(6)将预测容量值输入分类模型判断是否处于电池退化过程的第3阶段，若是，将健康指标输入RUL预测模型，获取剩余使用寿命的预测值，否则，输出剩余使用寿命的预测范围。

优选地，步骤(1)中锂离子电池训练集的健康指标包括放电电压从v₁到v₂间隔的时间差值、放电时间从t₁到t₂间隔内的温度变化值；

优选地，步骤(1)中，将训练集的健康指标作为支持向量回归方法(SVR)的输入，输出训练集中电池的容量，建立容量预测模型，支持向量回归方法的核函数采用径向基核函数(RBF)。

优选地，步骤(3)中按容量衰减趋势将电池容量值划分3个阶段的依据为：

若则电池容量位于第一阶段；

若则电池容量位于第二阶段；

若则电池容量位于第三阶段；

其中，cpt代表电池容量值；cpt_max代表电池的最大容量值；cpt_min代表电池的最小容量值。

第一阶段的电池容量值贴上“1”的标签；第二阶段的电池容量值贴上“2”的标签；第三阶段的电池容量值贴上“3”的标签；

优选地，剩余使用寿命为；

其中，N_i表示第i次放电循环次数，N_EOL表示锂电池退化到失效时刻的放电循环次数；RUL为剩余使用寿命。

优选地，将第三阶段的健康指标作为支持向量回归方法(SVR)的输入，输出剩余使用寿命，建立RUL预测模型；支持向量回归方法的核函数采用径向基核函数(RBF)。

优选地，所述训练集的健康指标包括：放电电压从4.2V到3.7V间隔的时间差值、放电时间从1000s到2000s间隔内的温度变化值。

通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下

有益效果：

(1)本发明采用训练集和测试集的容量值按照容量衰减趋势划分为3个阶段，对应锂电池退化过程的三个阶段，并贴上类别标签建立分类模型，基于第三阶段的锂电池建立RUL预测模型；根据分类模型以及RUL预测模型能准确预测电池的剩余使用寿命。

(2)本发明在预测电池使用寿命时，首先采集健康指标预测容量值，根据预测容量值判断是否电池处于第三退化阶段，若是处于第三退化阶段，则通过RUL预测模型获取剩余使用寿命的预测值，否则只给出剩余使用寿命的预测范围，相比于现有技术不进行电池退化阶段的划分，均进行预测剩余使用寿命相比，本发明的方法计算量小，同时容易实现。

附图说明

图1是本发明提供的基于锂电池退化阶段划分的剩余使用寿命的预测方法流程图；

图2(a)是本发明提供的几次循环放电电压随时间的变化示意图；

图2(b)是本发明提供的几次循环放电温度随时间的变化示意图；

图3(a)是本发明提供的在放电电压曲线中提取的第一健康指标；

图3(b)是本发明提供的在放电温度曲线中提取的第二健康指标；

图4(a)是本发明提供的训练集的容量预测值示意图；

图4(b)是本发明提供的测试集的容量预测值示意图；

图5(a)是本发明提供的根据健康指标预测容量值划分的分阶段类别标签；

图5(b)是本发明提供的预测容量值利用支持向量分类方法获取的训练集的分类效果图；

图5(c)是本发明提供的预测容量值利用支持向量分类方法获取的测试集的分类效果图；

图6(a)是本发明提供的基于图5(a)的第三阶段健康指标建立的RUL预测模型示意图；

图6(b)是本发明提供的基于图5(c)的第三阶段健康指标验证RUL预测模型的效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于锂电池退化阶段划分的剩余使用寿命的预测方法，包括:

(1)根据数据已知的训练集的健康指标和电池容量值间的关系，建立容量预测模型；

(2)在未知容量值的测试集中提取健康指标作为容量预测模型的输入，预测测试集的容量值；

(3)将训练集和测试集的容量值按照容量衰减趋势划分为3个阶段，并在3个阶段的数据上贴类别标签建立分类模型；

(4)根据第3阶段的健康指标和对应的剩余使用寿命建立RUL预测模型；

(5)采集待预测剩余使用寿命的健康指标，获取预测容量值；

(6)将预测容量值输入分类模型，判断预测容量值是否处于第3阶段，若是，将健康指标输入RUL预测模型，获取剩余使用寿命的预测值，否则，输出剩余使用寿命的预测范围。

优选地，步骤(1)中训练集的健康指标包括:放电电压从v₁到v₂间隔的时间差值、放电时间从t₁到t₂间隔内的温度变化值；健康指标构成的集合为X∈R^I×J，其中，I为放电循环训练样本，J为每一放电循环训练样本采集的健康指标个数，此处J为2；

根据实际需求定义放电电压的v₁和v₂，以及放电时间t₁和t₂；

本发明中，训练集的健康指标包括:放电电压从4.2v到3.7v间隔的时间差值，计算公式为：t_{i_DtD_EVI}＝t_{U_3.7}-t_{U_4.2}，i＝1,2,3…n；放电时间从1000s到2000s间隔内的温度变化值，计算公式为:T_{i_DTD_EtI}＝T_{t_max}-T_{t_min}，i＝1,2,3…n；其中，t_{U_3.7}为放电电压为3.7v时的时间；t_{U_4.2}为放电电压为4.2v时的时间；t_{i_DtD_EVI}为放电电压从4.2v到3.7v间隔的时间差值；T_{t_max}为放电时间为2000s时的温度值；T_{t_min}为放电时间为1000s时的温度值；T_{i_DTD_EtI}为放电时间从1000s到2000s间隔内的温度变化值；i表示循环数。

优选地，步骤(1)中所述容量预测模型的建立方法为：将训练集的健康指标作为支持向量回归方法的输入，并将训练集中电池的容量作为支持向量回归方法的输出，训练获取容量预测模型。

优选地，步骤(3)中按容量衰减趋势将电池容量值划分3个阶段的依据为：

若则电池容量位于第一阶段；

若则电池容量位于第二阶段；

若则电池容量位于第三阶段；

其中，cpt代表电池容量值；cpt_max代表电池的最大容量值；cpt_min代表电池的最小容量值。

优选地，步骤(4)中的剩余使用寿命为：

其中，N_i表示第i次放电循环次数，N_EOL表示锂电池退化到失效时刻的放电循环次数；RUL为剩余使用寿命。

优选地，步骤(4)中建立RUL预测模型的方法为：

将第三阶段的健康指标作为支持向量回归方法的输入，并将第三阶段的剩余使用寿命作为支持向量回归方法的输出，训练获取RUL预测模型。

优选地，支持向量回归方法的核函数采用径向基核函数。

优选地，第一阶段的电池容量值贴上“1”的标签；第二阶段的电池容量值贴上“2”的标签；第三阶段的电池容量值贴上“3”的标签；

为了更加直观简单的明白本发明阐述的基于锂电池退化阶段划分的剩余使用寿命的预测方法，现提供数据公开的锂电池进行验证说明。

将数据公开的锂电池分为9组实现，每一组包括3个或4个电池，各组间的实验条件均不相同，主要区别表现在实验温度和放电电流；同一组电池的实验条件也不大相同，主要表现在放电截止电压的差异上，具体情况如表1所示。

表1

以第一组电池为例，电池在加速寿命退化实验下经历三个不同的阶段：充电循环、放电循环和阻抗检查；在充电循环过程中，首先保持恒流(电流为1.5A)模式充电，直至电压到达预先设定的上限电压4.2v，然后把充电电力切换为恒压模式，直至电流低于下限阈值20mA；在放电循环过程中采用恒流(电流2A)放电，直至电压达到预设电压下限，即#5、#6、#7和#18电池对应预设电压下限为2.7v、2.5v、2.2v和2.5v；

在循环充电过程中采集到的数据包括：测量电压、测量电流、温度和充电器电流、充电器电压以及时间；在循环放电过程中采集到的数据包括：测量电压、测量电流、温度、负载电流、负载电压、时间和容量，如表2所示。

表2

本次验证采用第一组#5电池，选用的数据为循环放电过程采集到的测量电压和温度两个变量的数据，见图2(a)和2(b)，按照健康指标的计算公式从测量电压和温度两组数据中提取两个健康指标，提取结果如图3(a)和图3(b)所示，第一健康指标，即放电电压从4.2v到3.7v间隔的时间差值随着循环次数单调下降，第二健康指标，即放电时间从1000s到2000s间隔内的温度变化值随着循环次数单调上升，这两个健康指标随着放电循环次数是单调变化的，因此可用来表示电池的退化趋势。

#5电池共放电168次放电循环，取前面70％的数据(118次)放电循环作为训练集，剩余50次循环作为测试集；训练集的两个健康指标作为支持向量回归(SVR)的输入，采集的容量值作为SVR的输出，建立容量预测模型。训练集的容量预测拟合结果如图4(a)所示，从图4(a)可知，实际数据与容量预测模型输出的预测数据保持一致，两者的相似度为99.4％；将测试集的健康指标输入以训练集获取的容量预测模型中，获取测试集的容量预测数据；同时进行后面50次的放电过程，获取测试集容量的实际数据，测试集容量的预测数据和实际数据的对比如图4(b)，从图4(b)可知，预测数据和实际数据的变化趋势一致，且两者获取的容量值相近，两者的相似度为96.57％，由此可知，采用训练集获取的容量预测模型输出的容量预测值，适用于锂电池的多次放电循环过程呈现的实际值，证实了容量预测模型对容量预测的准确性及稳定性。

图5(a)为按照上述图4(a)与图4(b)显示的容量预测数据将按照按容量衰减趋势划分为3个阶段的结果，将所有数据打乱顺序任取其中的70％的数据建立分类模型；图5(b)是按照上述训练集的实际数据和预测数据划分为3个阶段的结果，从图5(b)可知，分类准确率为97.5％；图5(c)是按照上述测试集的实际数据和预测数据划分为3个阶段的结果，从图5(c)可知，分类准确率为96％；从图5(b)和图5(c)获取的分类准确率具有较好的效果。

根据预测的容量值对锂电池的退化阶段进行划分并贴类别标签，本发明中处于第三阶段的数据代表退化严重的阶段，急需做出RUL预报，因此，在锂电池的RUL预测阶段只选取第三阶段的数据建立RUL预测模型，图6(a)是训练集中第三阶段数据建模的训练结果；取图5(c)中的第三阶段的数据做RUL预测模型的验证集，结果见图6(b)，从图6(a)与图6(b)可知，根据训练集第三阶段数据建立的RUL预测模型获取的预测数据和训练集第三阶段的实际剩余使用寿命数据一致，相似度为95.4％；根据测试集第三阶段数据建立的RUL预测模型获取的预测数据和测试集第三阶段的实际剩余使用寿命数据一致，相似度为96.5％；从相似度可以看出本发明的剩余使用寿命的预测方法是有效的。

实际应用中，如果锂电池的容量值未处于第三阶段则不必进行剩余使用寿命的预测，只需给出剩余使用寿命范围在25％以上即可。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。