一种基于EIS的锂电池剩余寿命预测系统及方法

摘要

本发明提供了一种基于EIS的锂电池剩余寿命预测系统及方法，包括状态采集模块、性能分析模块、状态监测模块和信息存储模块；本发明的预测系统能够利用状态采集模块采集锂电池不同温度下的电荷状态以及EIS数据，性能分析模块以此为依据对锂电池的剩余寿命进行预测，并能够分别在状态监测模块和信息存储模块上计算和储存锂电池的剩余寿命信息；预测方法中采用高斯模型，利用历史数据建立训练集和测试集，利用不同温度下的电荷状态以及EIS数据对锂电池的剩余寿命进行预测，能够取得较好的预测效果。

说明书

技术领域

本发明涉及锂电池领域，尤其涉及一种基于EIS的锂电池剩余寿命预测系统及方法。

背景技术

锂电池凭借其高能量和功率密度性能，成为现代生活不可或缺的组成部分。

限制锂离子电池技术进一步发展的一个关键“拦路虎”是电池老化的不可预测性：准确预测电池健康状态(SoH)和剩余使用寿命(RUL)以通知用户是否进行电池更换或者避免意料之外的容量衰减显得尤为重要。

传统的电池预测方法依赖于微观老化机理(例如SEI膜生长，锂电镀和活性质量损失等)的建模，但对每一个老化的机理进行表征和模拟不具备扩展性。目前较为常用的方法是使用数据驱动的方法进行建模分析，即在电池运行的时候进行且无损的测量，然后直接利用统计机器学方法将测量结果与电池健康相关联，该方法由于数据特征选择的难度较大，一般不能得到较好的预测效果。

发明内容

本发明的目的在于提供一种基于EIS的锂电池剩余寿命预测系统及方法，用于解决心有的锂电池剩余寿命预测系统依赖于微观老化机理不能取得较好的预测效果的问题。

为了实现上述目的，本发明采用以下技术方案：

一种基于EIS的锂电池剩余寿命预测系统，包括状态采集模块、性能分析模块、状态监测模块和信息存储模块；

所述的状态采集模块用于采集锂电池的EIS、温度和电荷状态；

所述的性能分析模块用于根据采集到的不同温度和电荷状态下的EIS数据对锂电池进行对锂电池进行剩余寿命预测；

所述的状态监测模块用于显示所述的性能分析模块发送的锂电池的剩余寿命预测信息；

所述的信息存储模块用于存储所述的状态采集模块采集的锂电池的EIS、温度和电荷状态信息，存储所述的性能分析模块的剩余寿命预测信息。

所述的状态采集模块包括依次连接的传感器单元、数据处理单元和无线传输单元；

所述的传感器单元用于采集锂电池的EIS、温度和电荷状态数据；

所述的数据处理单元包括PC104数据采集卡和PC104主板，所述的PC104数据采集卡用于对传感器发送的锂电池的EIS、温度和电荷状态数据进行采集，所述的PC104主板上运行VxWork操作系统，用于对所述的PC104数据采集卡采集到的锂电池的EIS、温度和电荷状态数据进行处理；

所述的无线传输单元用于将经所述的PC104主板处理后的数据通过TCP/IP协议发送到性能分析模块。

所述的PC104主板和PC104数据采集卡采用紧固堆叠的方式连接。

所述的性能分析模块包括无线接收组件、有线通信组件和第一工控机；

所述的无线接收组件用于与所述的无线传输单元通信，接收所述的状态采集模块发送的经所述的PC104主板处理后的数据；

所述的有线通信组件用于将所述的性能分析模块、状态监测模块和信息存储模块通信连接；

所述的第一工控机用于根据所述的无线接收组件接收的经所述的PC104主板处理后的数据，对锂电池进行剩余寿命预测。

所述的状态监测模块包括第二工控机和是显示器；

所述的工控机用于接收所述的性能分析模块发送的锂电池的状态、剩余寿命预测结果，并控制显示器显示。

所述的信息存储模块包括第一数据服务器和第二数据服务器，所述的第一数据服务器和第二数据服务器上均集成有MySQL数据库，所述的第一数据服务器和第二数据服务器分别用于存储和备份。

一种基于EIS的锂电池剩余寿命预测方法，包括以下步骤：

步骤1：采集锂电池在不同温度和电荷状态下的EIS数据，对该数据进行预处理；

步骤2：存储并备份锂电池在不同温度和电荷状态下的EIS数据，且根据上述数据对锂电池进行剩余寿命预测，并存储和备份剩余寿命预测信息；

所述的对锂电池进行剩余寿命预测的方法包括以下步骤：

步骤2.1：建立历史数据库，构建训练样本，分为训练样本和测试样本，对锂电池进行剩余寿命预测；具体的：历史数据库包括锂电池在不同温度和电荷状态下的EIS数据及剩余寿命预测，所述的训练样本为(x

步骤2.2：根据历史数据库，建立锂电池剩余寿命预测高斯模型，具体的：

对任意整数N≥1以及变量X，与其对应的t时刻的过程状态f(X)的联合概率分布服从N维高斯分布，高斯模型为：f(t)～GP[m(t)，k(t，t′)]；其中，m(t)为高斯模型的均值，k(t，t′)为高斯模型的协方差函数；

对于n个训练样本：D＝{(x

测试样本为(X*，y*)，即对于新的输入X*，利用高斯模型根据训练样本预测出与X*相对应的输出值y*，对高斯模型进行测试；构建测试集(X*，y*)；

带高斯噪声的标准线性回归模型为：

y＝f(X)+ε；

式中：f(X)为回归函数值，ε为符合高斯分布的独立随机变量，其均值为m(t)＝0，方差为

训练集中y的先验分布为：

y～N(0，K)；

式中：K＝K(X，X)为n×n阶对称正定的协方差矩阵，即训练集X自身的协方差矩阵；

则训练集(X，y)与测试集(X*，y*)构成的联合高斯先验分布为：

其中，K(X，X

上述的协方差的函数采用Matern协方差函数：

其中，Matern协方差函数中的超参数l，σ

然后根据贝叶斯原理在训练集的基础上预测出与X*对应的最可能的输出值，即给定新的输入X*、训练集的输入值X和训练集的输出值y的条件下，推断输出值y*最可能的预测分布P(f

输出值y*的均值和方差为

根据训练集的输出值y*的均值

步骤2.3：利用步骤2.2建立的高斯模型，通过锂电池实时的不同温度和电荷状态下的EIS数据，对锂电池进行剩余寿命预测。

本发明的有益效果：

本发明所述的一种基于EIS的锂电池剩余寿命预测系统及方法，预测系统中包括状态采集模块、性能分析模块、状态监测模块和信息存储模块，能够利用状态采集模块采集锂电池不同温度下的电荷状态以及EIS数据，性能分析模块以此为依据对锂电池的剩余寿命进行预测，并能够分别在状态监测模块和信息存储模块上计算和储存锂电池的剩余寿命信息；预测方法中采用高斯模型，利用历史数据建立训练集和测试集，利用不同温度下的电荷状态以及EIS数据对锂电池的剩余寿命进行预测，能够取得较好的预测效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的结构示意图；

图2为本发明的方法流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示：本发明所述的一种基于EIS的锂电池剩余寿命预测系统，包括状态采集模块、性能分析模块、状态监测模块和信息存储模块；所述的状态采集模块用于采集锂电池的EIS、温度和电荷状态；所述的性能分析模块用于根据采集到的不同温度和电荷状态下的EIS数据对锂电池进行对锂电池进行剩余寿命预测；所述的状态监测模块用于显示所述的性能分析模块发送的锂电池的状态和剩余寿命预测信息；所述的信息存储模块用于存储所述的状态采集模块采集的锂电池的EIS、温度和电荷状态信息，存储所述的性能分析模块的剩余寿命预测信息。

优选的：所述的状态采集模块包括依次连接的传感器单元、数据处理单元和无线传输单元；所述的传感器单元用于采集锂电池的EIS、温度和电荷状态数据；所述的数据处理单元包括PC104数据采集卡和PC104主板，所述的PC104数据采集卡用于对传感器发送的锂电池的EIS、温度和电荷状态数据进行采集，所述的PC104主板上运行VxWork操作系统，用于对所述的PC104数据采集卡采集到的锂电池的EIS、温度和电荷状态数据进行处理；所述的无线传输单元用于将经所述的PC104主板处理后的数据通过TCP/IP协议发送到性能分析模块。

优选的：所述的PC104主板和PC104数据采集卡采用紧固堆叠的方式连接。

优选的：所述的性能分析模块包括无线接收组件、有线通信组件和第一工控机；所述的第一工控机可采用工业计算机；所述的无线接收组件用于与所述的无线传输单元通信，接收所述的状态采集模块发送的经所述的PC104主板处理后的数据；所述的有线通信组件用于将所述的性能分析模块、状态监测模块和信息存储模块通信连接；所述的第一工控机用于根据所述的无线接收组件接收的经所述的PC104主板处理后的数据，对锂电池进行故障预测与健康管理。

优选的：所述的状态监测模块包括第二工控机和是显示器；所述的第二工控机可采用工业计算机；所述的工控机用于接收所述的性能分析模块发送的锂电池的状态和剩余寿命预测，并控制显示器通过图形化等手段显示。

优选的：所述的信息存储模块包括第一数据服务器和第二数据服务器，所述的第一数据服务器和第二数据服务器上均集成有MySQL数据库，所述的第一数据服务器和第二数据服务器分别用于存储和备份；MySQL数据库是一种关系型数据库系统，它具有客户机/服务器体系结构的分布式数据库管理系统，MySQL完全适用于各种网络，用其建造的数据库可在局域网内的任何终端中访问，因此，可以和局域网中的其他设备实现数据共享，可以作为全系统的数据存储中心。

如图2所示：一种基于EIS的锂电池剩余寿命预测方法，包括以下步骤：

步骤1：采集锂电池在不同温度和电荷状态下的EIS数据，对该数据进行预处理；

步骤2：存储并备份锂电池在不同温度和电荷状态下的EIS数据，且根据上述数据对锂电池进行剩余寿命预测，并存储和备份剩余寿命预测信息；

所述的对锂电池进行剩余寿命预测的方法包括以下步骤：

步骤2.1：建立历史数据库，构建训练样本，分为训练样本和测试样本，对锂电池进行剩余寿命预测；具体的：历史数据库包括锂电池在不同温度和电荷状态下的EIS数据及剩余寿命预测，所述的训练样本为(x

步骤2.2：根据历史数据库，建立锂电池剩余寿命预测高斯模型，具体的：

对任意整数N≥1以及变量X，与其对应的t时刻的过程状态f(X)的联合概率分布服从N维高斯分布，高斯模型为：f(t)～GP[m(t)，k(t，t′)]；其中，m(t)为高斯模型的均值，k(t，t′)为高斯模型的协方差函数；

对于n个训练样本：D＝{(x

测试样本为(X*，y*)，即对于新的输入X*，利用高斯模型根据训练样本预测出与X*相对应的输出值y*，对高斯模型进行测试；构建测试集(X*，y*)；

带高斯噪声的标准线性回归模型为：

y＝f(X)+ε；

式中：f(X)为回归函数值，ε为符合高斯分布的独立随机变量，其均值为m(t)＝0，方差为

训练集中y的先验分布为：

y～N(0，K)；

式中：K＝K(X，X)为n×n阶对称正定的协方差矩阵，即训练集X自身的协方差矩阵；

则训练集(X，y)与测试集(X*，y*)构成的联合高斯先验分布为：

其中，K(X，X

上述的协方差的函数采用Matern协方差函数：

其中，Matern协方差函数中的超参数l，σ

然后根据贝叶斯原理在训练集的基础上预测出与X*对应的最可能的输出值，即给定新的输入X*、训练集的输入值X和训练集的输出值y的条件下，推断输出值y*最可能的预测分布P(f

输出值y*的均值和方差为

根据训练集的输出值y*的均值

步骤2.3：利用步骤2.2建立的高斯模型，通过锂电池实时的不同温度和电荷状态下的EIS数据，对锂电池进行剩余寿命预测。

与现有技术相比，本发明的有益效果为：

本发明所述的一种基于EIS的锂电池剩余寿命预测系统及方法，预测系统中包括状态采集模块、性能分析模块、状态监测模块和信息存储模块，能够利用状态采集模块采集锂电池不同温度下的电荷状态以及EIS数据，性能分析模块以此为依据对锂电池的剩余寿命进行预测，并能够分别在状态监测模块和信息存储模块上计算和储存锂电池的剩余寿命信息；预测方法中采用高斯模型，利用历史数据建立训练集和测试集，利用不同温度下的电荷状态以及EIS数据对锂电池的剩余寿命进行预测，能够取得较好的预测效果。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。