[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN109917292B - 一种基于daupf的锂离子电池寿命预测方法 - Google Patents

一种基于daupf的锂离子电池寿命预测方法 Download PDF

Info

Publication number
CN109917292B
CN109917292B CN201910241178.8A CN201910241178A CN109917292B CN 109917292 B CN109917292 B CN 109917292B CN 201910241178 A CN201910241178 A CN 201910241178A CN 109917292 B CN109917292 B CN 109917292B
Authority
CN
China
Prior art keywords
value
new
daupf
algorithm
mean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910241178.8A
Other languages
English (en)
Other versions
CN109917292A (zh
Inventor
袁慧梅
朱骏
谭天雄
吴立锋
宋宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhonglian Technology Service Co ltd
Guangxi Jubang Energy Co ltd
Original Assignee
Capital Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN201910241178.8A priority Critical patent/CN109917292B/zh
Publication of CN109917292A publication Critical patent/CN109917292A/zh
Application granted granted Critical
Publication of CN109917292B publication Critical patent/CN109917292B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明一种基于DAUPF的锂离子电池寿命预测方法，首先采样部分，在UKF算法基础上加入双自适应因子，对Sigma点集一步预测后得到的状态值及协方差作为指导，再进行一次UT变换，得到新的Sigma点集，带入观测方程，得到新的观测量，从而得到第一次循环样本均值与协方差；在改进UKF算法部分完成一次循环后更新一个自适应因子，再进行下一次改进UKF算法循环。采样完成后进入PF过程，得到一次输出预测值后，更新另一自适应因子，完成一次DAUPF过程；最后预测测试数据。本发明改善了UPF算法采样部分，双自适应因子的加入令算法有更强鲁棒性，两步UT变换使自适应因子更好融入算法，算法预测效果更准确。

Description

一种基于DAUPF的锂离子电池寿命预测方法
技术领域
本发明涉及一种基于DAUPF(双自适应采样无极卡尔曼粒子滤波算法)的锂离子电池寿命预测方法，属于锂电池健康管理技术领域。
背景技术
锂离子电池已成功应用于许多消费电子产品(如手机，笔记本电脑和电动汽车)，并逐步扩展到军事通信，导航，航空，航天等领域。锂离子电池的安全性受到越来越多人的重视。电池以充放电的循环次数或使用年限来定义电池寿命。电池中的化学物质会随着电池工作时间的增加而逐渐老化，电池故障会造成很严重的后果。美国加州消防局称，一辆特斯拉Model S汽车在一个停车场中自燃，几小时后在拖车场中再度起火，两次自燃期间该车没有过碰撞及其他操作。所以准确预测锂离子电池的使用寿命是非常重要的。健康状态估计(SOH)和剩余寿命预测是电池健康管理的关键，它们能够确保锂离子电池的安全使用。
目前，锂电池的预测方法有两类。一类为非参数模型法，一类为参数模型法。
非参数法有神经网络法、机器学习法等。吴等人使用前馈神经网络(FFNN)与蒙特卡洛(IS)法估算锂离子电池的剩余使用寿命(RUL)。张等人使用基于长短期记忆型神经网络(LSTM)去预测电池剩余使用寿命。机器学习法有支持向量分类(SVM)、支持向量回归(SVR)、相关向量机(RVM)法等。Tobar等人将改进核自适应滤波的方法运用在电动自行车电池电压的预测。
参数模型法最常见的是各种滤波算法。其中，粒子滤波(PF)法是一种基于蒙特卡洛仿真的近似贝叶斯滤波算法。其核心思想是用一些离散的随机采样点来近似系统随机变量的概率密度函数。苗等人通过粒子滤波的方法预测电池的剩余使用寿命，得出粒子滤波可以很好地预测锂离子电池的剩余寿命。B.Saha等人建立电池系统框架，通过PF预测电池在不同放电率下的剩余使用寿命。粒子滤波方法适用于任何非线性非高斯环境，但好坏取决于所选的参考分布与状态后验估计。
扩展卡尔曼(EKF)与无迹卡尔曼(UKF)是改进的卡尔曼滤波(KF)算法。EKF的优点在于它拥有弱非线性，在噪声较小的环境中有较好的预测效果。董等人基于递归最小二乘法提出自适应扩展卡尔曼(AEKF)算法，得出AEKF能很好地抑制噪声。H.S.Ramadan等人分析比较多种EKF算法，得出预测电池荷电状态(SOC)需要精确的参数模型，而EKF算法的好坏与模型的精确程度息息相关。UKF的优点在于模型上没有损失，计算精度相对较高。郑提出一种集成的UKF方法来预测电池RUL，利用未来残差估计电池的参数，能精确预测电池的短期容量，但由于UKF无法调整模型参数，预测精度无法进一步提升。
粒子滤波与卡尔曼滤波各有优缺点，并且两种算法的优点可以弥补相互的不足，于是便有了扩展卡尔曼粒子滤波法和无迹卡尔曼粒子滤波法。苗等人通过使用无极卡尔曼粒子滤波(UPF)算法，成功地预测了电池的RUL。但该算法过于依赖粒子数、数据集大小以及历史数据质量等。张等人使用基于马尔科夫连蒙特卡洛的UPF算法，能维持粒子多样性对锂离子电池的剩余寿命进行预测。陈等人用二阶高斯模型和UPF对电池寿命进行预测。
UPF算法是在采样阶段，用UKF算法指导粒子采样。采样完成后进行PF算法步骤，计算权重，进行归一化处理。判断是否进行重采样，对粒子集合进行复制和淘汰。计算粒子集合均值，得到估计输出值。迭代结束后分析数据。其结构如图1所示。
由于引入了UKF算法指导采样，UPF算法容易受到高斯噪声的约束以及参考分布的影响；另外，传统的UT(Unscented Transform)变换后会对状态值进行更新，更新后的状态值的sigma分布与未更新前的sigma分布之间有一定的误差，如果使用未更新前所用的sigma分布来计算观测预测值等参数，也会对预测结果产生一定的影响。
发明内容
本发明的目的在于，针对上述问题，提出一种基于DAUPF的锂离子电池寿命预测方法，首先，为了解决UPF算法容易受到噪声和参考分布影响所带来的问题，我们在DAUPF算法中加入自适应因子。考虑到传统的UPF算法是UKF与PF算法的结合，于是分别在采样阶段与预测阶段加入自适应因子，自适应因子可以调整参数分布，从而弥补两种算法的不足。其次，采样阶段需要使用UKF算法给出概率密度，UKF在采样时会进行UT变换，由于需要在第一步UT变换后加入新的自适应因子，会使得UT变换给出的sigma分布不准确。另外，传统的UT变换后会对状态值进行更新，更新后的状态值的sigma分布与未更新前的sigma分布之间有一定的误差，如果使用未更新前所提出的sigma分布来计算观测预测值等参数，会对预测结果产生一定的影响。基于以上两点原因，本发明DAUPF算法在状态值更新后再进行一次UT变换，得到新的sigma点集，进而计算观测预测值等参数。本文用马里兰大学高级生命周期工程中心的锂电池实验数据验证DAUPF算法的有效性，并和扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波、无迹卡尔曼粒子滤波进行对比。
本发明一种基于DAUPF的锂离子电池寿命预测方法，为了解决上述问题所采用的技术方案为：首先采样部分，在UKF算法的基础上加入双自适应因子，然后指导Sigma点集一步预测，得到状态值和协方差，再进行一次UT变换，得到新的Sigma点集，带入观测方程，得到新的观测量，从而得到第一次循环的样本均值与协方差；在改进UKF算法部分完成一次循环后更新双自适应因子中的一个自适应因子，再进行下一次改进UKF算法循环。采样完成后进入PF过程，得到一次输出预测值后，更新另一自适应因子，完成一次DAUPF过程；最后，预测测试数据。
本发明一种基于DAUPF的锂离子电池寿命预测方法，具体包括如下步骤：
Step1.初始化参数；
Step2.进入改进UKF中，指导粒子分布；
Step3.通过UT变换第一次计算Sigma点集，得到
Figure GDA0002742978280000031
Step4.加入双自适应因子，得到
Figure GDA0002742978280000032
Step5.通过step3得到的Sigma点集，计算均值与协方差
Figure GDA0002742978280000033
Step6.用step5得到的均值与协方差，再进行一次UT变换,得到新的Sigma点集
Figure GDA0002742978280000034
Step7.通过step6得到的新Sigma点集预测得到观测预测值
Figure GDA0002742978280000035
用观测预测值、状态预测值通过无迹变换计算得到新的观测预测均值
Figure GDA0002742978280000036
均值与协方差
Figure GDA0002742978280000037
Step8.计算卡尔曼增益，方差及状态更新；
Step9.更新第一个自适应因子
Figure GDA0002742978280000038
值；
Step10.判断是否完成采样。如果完成，则进行下一步权值归一化处理，否则进入step2；
Step11.用step1-9采样部分得到的均值与方差，归一化处理计算权重，得到归一化权值；
Step12.粒子重采样；更新数据，状态更新，方差更新，均值作为最终估计。
Step13.得到预测值，更新自适应因子β值；
Step14.判断是否完成迭代。如果完成，则评价算法，否则进入step2；
Step15.评价算法。
其中，所述Step1初始化的参数包括：初始化状态值
Figure GDA0002742978280000041
其中，
Figure GDA0002742978280000042
为观测方程初始状态值，
Figure GDA0002742978280000043
为初始化协方差矩阵。
其中，所述Step2为开始采样阶段，整个采样阶段循环N次，采样阶段为：Step2-Step9。
其中，所述Step3具体为：计算2n+1个采样点的Sigma点集
Figure GDA00027429782800000412
其中，点集
Figure GDA00027429782800000413
由点Xk-1与
Figure GDA0002742978280000044
组成，其中，
Figure GDA00027429782800000414
为缩放比例函数。
其中，所述Step4具体为：
Figure GDA0002742978280000045
加入两个自适应因子，两个自适应因子初始值为1。第一个自适应因子为
Figure GDA0002742978280000046
其中，Zk-1为前一个采样点的观测值，
Figure GDA00027429782800000415
为前一次循环中Step7得到的观测预测均值。第二个自适应因子为
Figure GDA00027429782800000416
其中，Zk-1为系统真实值，Zupfk-1为Step13步DAUPF算法完成前一周期循环后得到的预测值。
其中，所述Step5为采样点的一步预测，均值为
Figure GDA00027429782800000417
由
Figure GDA00027429782800000418
计算得到，其中，
Figure GDA00027429782800000419
由Step3中得到的Sigma点集代入非线性变换函数得到。协方差
Figure GDA0002742978280000047
Figure GDA0002742978280000048
其中
Figure GDA0002742978280000049
其中λ＝α2(n+κ)-n；α＝1；ρ＝0；κ＝2。
其中，所述Step6为第二次UT变换，产生新的Sigma点集，
Figure GDA00027429782800000410
其中，点集
Figure GDA00027429782800000420
由点
Figure GDA00027429782800000421
与
Figure GDA00027429782800000411
组成，其中，点
Figure GDA00027429782800000422
为Step5中得到的均值。
其中，所述Step7观测预测值
Figure GDA00027429782800000423
由Step6中得到的新Sigma点集
Figure GDA00027429782800000424
代入状态方程函数得到。新的观测预测均值
Figure GDA00027429782800000425
由观测预测值
Figure GDA00027429782800000426
加权得到。新的均值
Figure GDA00027429782800000427
由新的观测预测均值与观测预测值加权得到。新的协方差
Figure GDA00027429782800000428
由Step6中得到的新的Sigma点集
Figure GDA00027429782800000429
Stap5中得到的均值
Figure GDA00027429782800000430
新的观测预测均值与观测预测值加权得到。
其中，所述Step8计算卡尔曼增益Kk，
Figure GDA00027429782800000431
为Step7中新的均值
Figure GDA00027429782800000432
与新的协方差
Figure GDA00027429782800000433
逆矩阵的乘积。更新的系统协方差
Figure GDA00027429782800000434
由卡尔曼增益Kk与新的均值
Figure GDA00027429782800000435
计算得到。更新的状态
Figure GDA00027429782800000436
由step6中新的Sigma点集
Figure GDA00027429782800000437
卡尔曼增益Kk、当前采样点的观测值Zk与新的观测预测均值
Figure GDA0002742978280000051
的差计算得到。
其中，所述Step9更新第一个自适应因子，具体步骤同Step4。
其中，所述Step13得到预测值，预测值Zupfk为归一化后权值代入状态方程函数得到，更新第二个自适应因子。
其中，所述Step14为判断步骤，判断算法是否完成。
本发明一种基于DAUPF的锂离子电池寿命预测方法，其优点及功效在于：改善了UPF算法的采样部分，双自适应因子的加入令算法有更强的鲁棒性，两步UT变换使得自适应因子能更好的融入算法中，使算法预测效果更准确。
附图说明
图1所示为UPF算法流程图。
图2所示为本发明方法流程图。
图3所示为马里兰大学4组锂离子电池数据A3、A5、A8、A12的容量变化曲线图。
图4a所示为A3电池数据真实值与四种算法结果对比图。
图4b所示为A3电池数据真实值与四种算法的绝对误差图。
图5a～图5d所示为A3电池数据真实值与四种算法的误差概率密度图。
图6a所示为A3电池数据101次循环的AME图。
图6b所示为A3电池数据101次循环的RMSE图。
图6c所示为A8电池数据101次循环的AME图。
图6d所示为A8电池数据101次循环的RMSE图。
图7a所示为不同电池数据下各算法的AME值。
图7b所示为不同电池数据下各算法的RMSE值。
具体实施方式
下面结合附图和实施例，对本发明的技术方案做进一步的说明。
如图2所示，本发明一种基于DAUPF的锂离子电池寿命预测方法，具体过程如下：
步骤一、初始化参数，包括：初始化状态值
Figure GDA0002742978280000052
其中，
Figure GDA0002742978280000053
为观测方程初始状态值，
Figure GDA0002742978280000054
为初始化协方差矩阵。
步骤二、进入改进UKF中，指导粒子分布。本步骤为开始采样阶段，整个采样阶段循环N次，整个采样阶段为：从步骤二至步骤九。
步骤三、通过UT变换第一次计算Sigma点集，得到
Figure GDA00027429782800000612
具体为：计算2n+1个采样点的Sigma点集
Figure GDA00027429782800000613
其中，点集
Figure GDA0002742978280000061
由点Xk-1与
Figure GDA0002742978280000062
组成，其中，
Figure GDA00027429782800000614
为缩放比例函数。
步骤四、加入双自适应因子，得到
Figure GDA00027429782800000615
具体为：加入两个自适应因子，两个自适应因子初始值为1。第一个自适应因子为
Figure GDA0002742978280000063
其中，Zk-1为前一个采样点的观测值，
Figure GDA00027429782800000616
为前一次循环中的步骤七得到的观测预测均值。第二个自适应因子为
Figure GDA00027429782800000617
其中，Zk-1为系统真实值，Zupfk-1为步骤十三DAUPF算法完成前一周期循环后得到的预测值。
步骤五、计算均值与协方差
Figure GDA0002742978280000064
步骤五为采样点的一步预测，均值为
Figure GDA00027429782800000618
由
Figure GDA00027429782800000619
计算得到，其中，
Figure GDA00027429782800000620
由步骤三中得到的Sigma点集代入非线性变换函数得到；协方差
Figure GDA0002742978280000065
其中
Figure GDA00027429782800000621
Figure GDA0002742978280000066
其中λ＝α2(n+κ)-n；α＝1；ρ＝0；κ＝2；
步骤六、再进行一次UT变换,得到新的Sigma点集。通过第二次UT变换，产生新的Sigma点集
Figure GDA00027429782800000622
其中，点集
Figure GDA0002742978280000067
由点
Figure GDA00027429782800000624
与
Figure GDA00027429782800000623
Figure GDA0002742978280000068
组成，其中，点
Figure GDA00027429782800000625
为步骤五中得到的均值。
步骤七、预测得到观测预测值；用观测预测值、状态预测值通过无迹变换计算得到新的观测预测均值、均值与协方差；具体如下：
观测预测值
Figure GDA0002742978280000069
新的观测预测均值
Figure GDA00027429782800000610
新的均值由新的观测预测均值与观测预测值加权得到，即
Figure GDA00027429782800000611
新的协方差由步骤六中得到的新的Sigma点集
Figure GDA00027429782800000626
步骤五中得到的均值
Figure GDA00027429782800000627
新的观测预测均值与观测预测值加权得到，即
Figure GDA0002742978280000071
步骤八：计算卡尔曼增益，方差及状态更新。
卡尔曼增益
Figure GDA0002742978280000074
更新的系统协方差由卡尔曼增益Kk与新的均值
Figure GDA0002742978280000077
计算得到，即
Figure GDA0002742978280000075
Figure GDA0002742978280000076
更新的状态由步骤六中新的Sigma点集
Figure GDA0002742978280000078
卡尔曼增益Kk、当前采样点的观测值与新的观测预测均值
Figure GDA0002742978280000079
的差计算得到，即
Figure GDA0002742978280000072
步骤九、更新第一个自适应因子
Figure GDA00027429782800000710
值。
Figure GDA0002742978280000073
其中，Zk-1为前一个采样点的观测值，
Figure GDA00027429782800000711
为前一次循环中的步骤七得到的观测预测均值。
步骤十、判断是否完成采样。如果完成，则进行下一步权值归一化处理，否则返回步骤二；
步骤十一、用步骤一到步骤九完成的采样部分得到的均值与方差，归一化处理计算权重，得到归一化权值；
步骤十二、粒子重采样。更新数据，状态更新，方差更新，均值作为最终估计；
步骤十三、得到预测值，更新自适应因子β值。预测值
Figure GDA00027429782800000712
为归一化后权值代入状态方程函数得到，更新第二个自适应因子
Figure GDA00027429782800000713
其中，Zk为系统真实值，Zupfk为步骤十三DAUPF算法完成一周期循环后得到的预测值。
步骤十四、判断是否完成迭代。如果完成，则评价算法，否则返回步骤二；其中步骤二到步骤十三为DAUPF算法的一周期循环，DAUPF算法循环几次由需求设定。
步骤十五、评价算法。
具体实施例：
本实验使用matlab进行仿真，基于马里兰大学高级生命周期工程中心的锂电池实验数据，实验选择No.03,05,08以及12作为实验数据，4组锂离子电池实验数据如图3所示，该实验使用具有不同容量降解速率的同类型同品牌电池，在相同工况下进行。锂电池的充放电测试方法为：在室温下运用ArbinBT2000电池测试系统进行充放电试验，当充电或放电电压达到制造商指定的截止电压时完成一次充电或放电过程。电池额定容量为0.9Ah，放电电流为0.4Ah。
下方初始值a、b、c、d为No.03,05,08,12拟合后得到的值。过程噪声与过程噪声方差分别设定为0.0001和0.001。本实验观测模型使用容量衰减模型Zk＝a*exp(b*k)+c*exp(d*k)。
1.将初始值a＝-0.0000083499；b＝0.055237；c＝0.90097；d＝-0.00088543代入
Figure GDA00027429782800000811
得到
Figure GDA0002742978280000081
Figure GDA0002742978280000082
设Z0＝0.9208。
2.采样阶段循环N次
3.
Figure GDA0002742978280000083
Figure GDA0002742978280000084
Figure GDA0002742978280000085
Figure GDA0002742978280000086
4.
Figure GDA0002742978280000087
5.进行第二次UT变换，
Figure GDA0002742978280000088
Figure GDA0002742978280000089
Figure GDA00027429782800000810
Wj (m)＝[0.3333 0.0833 0.0833 0.0833 0.0833 0.0833 0.0833 0.08330.0833]
Wj (c)＝[0.3333 0.0833 0.0833 0.0833 0.0833 0.0833 0.0833 0.08330.0833]
Figure GDA0002742978280000091
Figure GDA0002742978280000092
6.
Figure GDA0002742978280000093
Figure GDA0002742978280000094
Figure GDA0002742978280000095
Figure GDA0002742978280000096
7.
Figure GDA0002742978280000097
Figure GDA0002742978280000098
R＝0.0001
Figure GDA0002742978280000101
Figure GDA0002742978280000102
8.
Figure GDA0002742978280000103
Figure GDA0002742978280000104
Figure GDA0002742978280000105
9.更新自适应因子①
Figure GDA0002742978280000106
10.完成1次采样，后续采样重复步骤2-10。上述仅为一次循环的数据。
11.采样部分得到的均值与方差，归一化处理计算权重，得到归一化权值。
12.
Figure GDA0002742978280000107
更新自适应因子②
Figure GDA0002742978280000108
13.以上数值为进行一次DAUPF循环得到的预测数据Zupf，欲预测更多数据需继续进行运行程序。
以下通过用马里兰大学高级生命周期工程中心的锂电池实验数据验证DAUPF算法的有效性，并和扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波、无迹卡尔曼粒子滤波进行对比。
本实验为了说明DAUPF预测效果的准确性，分别和UKF、PF、UPF进行了对比，四种算法的初始参数以及误差值与本发明DAUPF的初始参数值以及误差值保持一致。
图4、图5对应电池数据A3，图4a，4b分别给出了其预测结果、绝对误差，图5a～图5d为误差概率密度图。
在图中，黑色曲线代表输出真实值；圆圈代表PF的预测结果；方格为UKF算法预测结果；菱形为UPF算法结果；交叉符号为DAUPF预测结果；横线是电池容量失效阈值。从图4a中可以看出，随着滤波方法的不断改进，预测效果有了显著的提升，其中DAUPF算法所表示的线更靠近真实值所代表的线。从绝对误差图4b中可以看出DAUPF的绝对误差是最小的，PF效果最差，并且越到失效点预测效果越差。从图5a～图5d中可以看出本发明DAUPF算法最为稳定，鲁棒性最强。
本实验完整地进行了101次循环，将每次循环后的得到的MAE与RMSE记录，绘成折线图如图6a～6d所示。RMSE值与MAE值越接近于0，意味着预测方法越准确。从图中可以看出，不同的数据集A3、A8，不同的数据量，不同的过程噪声与观测噪声下，DAUPF算法预测值的MAE值与RMSE值相比于其他算法最小，比相对预测效果最好的UPF误差要小一倍，并且算法的稳定性也强于其他算法(从横轴上看，可以看出DAUPF算法可以减少各种大小的观测噪声以及过程噪声的影响)。因此，本发明DAUPF算法相比较与其他几种算法预测性能更好。
从图7a、7b中可以看出，PF算法对于A3数据组预测效果不是很理想，即粒子滤波对数据点比较少的数据集的预测效果不好。UKF算法对于数据波动较大的数据有较好的预测效果。UPF算法对于不同数据集有很好的预测效果，但从数据上也能看出，数据点比较少的数据集对UPF算法的预测精度有一定的影响。本发明DAUPF算法在不同的数据集下的预测效果都优于其他算法，误差最小，并且最为稳定，鲁棒性更强。

Claims (9)

1.一种基于DAUPF的锂离子电池寿命预测方法，DAUPF为双自适应采样无极卡尔曼粒子滤波算法，其特征在于：该方法具体包括如下步骤：
Step1.初始化参数；
Step2.进入改进UKF中，指导粒子分布；
Step3.通过UT变换第一次计算Sigma点集，得到
Figure FDA0002742978270000011
Step4.加入双自适应因子，得到
Figure FDA0002742978270000012
Step5.通过step3得到的Sigma点集，计算均值与协方差
Figure FDA0002742978270000013
Step6.用step5得到的均值与协方差，再进行一次UT变换,得到新的Sigma点集
Figure FDA0002742978270000014
Step7.通过step6得到的新Sigma点集预测得到观测预测值
Figure FDA0002742978270000015
用观测预测值、状态预测值通过无迹变换计算得到新的观测预测均值
Figure FDA0002742978270000016
均值与协方差
Figure FDA0002742978270000017
Step8.计算卡尔曼增益，方差及状态更新；
Step9.更新第一个自适应因子
Figure FDA0002742978270000018
值；
Step10.判断是否完成采样；如果完成，则进行下一步权值归一化处理，否则进入step2；
Step11.用step1-9采样部分得到的均值与方差，归一化处理计算权重，得到归一化权值；
Step12.粒子重采样；更新数据，状态更新，方差更新，均值作为最终估计
Step13.得到预测值，更新自适应因子β值；
Step14.判断是否完成迭代；如果完成，则评价算法，否则进入step2；
Step15.评价算法。
2.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step1初始化的参数包括：初始化状态值
Figure FDA0002742978270000019
其中，
Figure FDA00027429782700000110
为观测方程初始状态值，
Figure FDA00027429782700000111
为初始化协方差矩阵。
3.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step3具体为：计算2n+1个采样点的Sigma点集
Figure FDA00027429782700000112
其中，点集
Figure FDA00027429782700000113
由点Xk-1与
Figure FDA0002742978270000021
组成，其中，
Figure FDA0002742978270000022
为缩放比例函数。
4.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step4具体为：
Figure FDA0002742978270000023
加入两个自适应因子，两个自适应因子初始值为1；第一个自适应因子为
Figure FDA0002742978270000024
其中，Zk-1为前一个采样点的观测值，
Figure FDA0002742978270000025
为前一次循环中Step7得到的观测预测均值；第二个自适应因子为
Figure FDA0002742978270000026
其中，Zk-1为系统真实值，Zupfk-1为Step13步DAUPF算法完成前一周期循环后得到的预测值。
5.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step5的均值为
Figure FDA0002742978270000027
由
Figure FDA0002742978270000028
计算得到，其中，
Figure FDA0002742978270000029
由Step3中得到的Sigma点集代入非线性变换函数得到；协方差
Figure FDA00027429782700000210
其中
Figure FDA00027429782700000211
其中λ＝α2(n+κ)-n；α＝1；ρ＝0；κ＝2。
6.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step6为第二次UT变换，产生新的Sigma点集，
Figure FDA00027429782700000212
其中，点集
Figure FDA00027429782700000213
由点
Figure FDA00027429782700000214
与
Figure FDA00027429782700000215
组成，其中，点
Figure FDA00027429782700000216
为Step5中得到的均值。
7.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step7观测预测值
Figure FDA00027429782700000217
由Step6中得到的新Sigma点集
Figure FDA00027429782700000218
代入状态方程函数得到；新的观测预测均值
Figure FDA00027429782700000219
由观测预测值
Figure FDA00027429782700000220
加权得到；新的均值
Figure FDA00027429782700000221
由新的观测预测均值与观测预测值加权得到；新的协方差
Figure FDA00027429782700000222
由Step6中得到的新的Sigma点集
Figure FDA00027429782700000223
Stap5中得到的均值
Figure FDA00027429782700000224
新的观测预测均值与观测预测值加权得到。
8.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step8计算卡尔曼增益Kk，为Step7中新的均值
Figure FDA00027429782700000225
与新的协方差
Figure FDA00027429782700000226
逆矩阵的乘积；更新的系统协方差
Figure FDA00027429782700000227
由卡尔曼增益Kk与新的均值
Figure FDA00027429782700000228
计算得到；更新的状态
Figure FDA00027429782700000229
由step6中新的Sigma点集
Figure FDA00027429782700000230
卡尔曼增益Kk、当前采样点的观测值Zk与新的观测预测均值
Figure FDA00027429782700000231
的差计算得到。
9.根据权利要求1所述的一种基于DAUPF的锂离子电池寿命预测方法，其特征在于：所述Step13得到预测值，预测值Zupfk为归一化后权值代入状态方程函数得到，更新第二个自适应因子。
CN201910241178.8A 2019-03-28 2019-03-28 一种基于daupf的锂离子电池寿命预测方法 Expired - Fee Related CN109917292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910241178.8A CN109917292B (zh) 2019-03-28 2019-03-28 一种基于daupf的锂离子电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910241178.8A CN109917292B (zh) 2019-03-28 2019-03-28 一种基于daupf的锂离子电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN109917292A CN109917292A (zh) 2019-06-21
CN109917292B true CN109917292B (zh) 2020-12-15

Family

ID=66967283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910241178.8A Expired - Fee Related CN109917292B (zh) 2019-03-28 2019-03-28 一种基于daupf的锂离子电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN109917292B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021004599A1 (en) * 2019-07-05 2021-01-14 Volvo Truck Corporation A method for estimating an operating parameter of a battery unit
CN110492866B (zh) * 2019-07-22 2022-12-09 航天东方红卫星有限公司 一种对运动目标的卡尔曼滤波方法
CN110442941B (zh) * 2019-07-25 2022-04-29 桂林电子科技大学 基于粒子滤波与过程噪声融合的电池状态与rul预测方法
CN111680848A (zh) * 2020-07-27 2020-09-18 中南大学 基于预测模型融合的电池寿命预测方法及存储介质
CN112285568B (zh) * 2020-10-21 2023-11-14 合肥工业大学 一种基于动力锂电池能量状态的剩余放电时间的估计方法
CN112560916B (zh) * 2020-12-09 2022-11-01 甘肃靖远航天风力发电有限公司 基于倾角传感器信息的风电塔筒倾覆智能诊断方法
CN112763929B (zh) * 2020-12-31 2024-03-08 华东理工大学 一种储能电站系统电池单体健康预测方法及装置
CN114791993B (zh) * 2022-05-16 2022-11-11 江苏大学 一种动力电池组soh预测方法及系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064857A (en) * 1997-04-15 2000-05-16 Globalstar L.P. Dual mode satellite telephone with hybrid battery/capacitor power supply
US6310789B1 (en) * 1999-06-25 2001-10-30 The Procter & Gamble Company Dynamically-controlled, intrinsically regulated charge pump power converter
US7612532B2 (en) * 2005-06-21 2009-11-03 Gm Global Technology Operations, Inc. Method for controlling and monitoring using a state estimator having variable forgetting factors
JP2009207332A (ja) * 2008-02-29 2009-09-10 Techno Core International Kk パック電池の充電装置及びパック電池の品質判定装置
US8190384B2 (en) * 2011-10-27 2012-05-29 Sakti3, Inc. Method and system for operating a battery in a selected application
KR20150047873A (ko) * 2013-10-25 2015-05-06 주식회사 엘지화학 리튬 이차전지용 비수 전해액 및 이를 구비한 리튬 이차전지
CN103675706B (zh) * 2013-12-13 2016-04-13 桂林电子科技大学 一种动力电池电荷量估算方法
CN104267261B (zh) * 2014-10-29 2017-02-15 哈尔滨工业大学 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法
CN104502851A (zh) * 2014-12-12 2015-04-08 广西科技大学 一种基于aukf算法的soc估算方法
CN105277896B (zh) * 2015-10-26 2018-01-26 安徽理工大学 基于elm‑mukf的锂电池剩余寿命预测方法
CN105629175A (zh) * 2015-12-29 2016-06-01 北京航天测控技术有限公司 一种基于无迹卡尔曼滤波的锂离子电池寿命预测方法
US10686321B2 (en) * 2016-01-29 2020-06-16 Robert Bosch Gmbh Secondary battery management
CN105974329A (zh) * 2016-07-22 2016-09-28 深圳市沃特玛电池有限公司 一种估算电池组soh的方法
CN107664751A (zh) * 2016-07-28 2018-02-06 中兴通讯股份有限公司 一种蓄电池实时荷电状态的测算方法及测算装置
US10099679B2 (en) * 2016-10-20 2018-10-16 Fca Us Llc Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
CN108693472B (zh) * 2017-04-12 2020-11-10 上海蓝诺新能源技术有限公司 电池等效模型参数在线辨识方法
CN107153163A (zh) * 2017-06-20 2017-09-12 福建工程学院 一种基于自适应ukf的锂电池soc估算方法
CN107387064A (zh) * 2017-07-27 2017-11-24 河南科技学院 一种新的排爆机器人隧进定位方法
CN108875126A (zh) * 2018-04-27 2018-11-23 中国航空无线电电子研究所 电解电容剩余寿命预测方法
CN108872870A (zh) * 2018-06-21 2018-11-23 浙江工业大学 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
CN109444757A (zh) * 2018-10-09 2019-03-08 杭州中恒云能源互联网技术有限公司 一种电动汽车动力电池剩余电量估算方法

Also Published As

Publication number Publication date
CN109917292A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
CN109917292B (zh) 一种基于daupf的锂离子电池寿命预测方法
Yuchen et al. Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
CN110068774B (zh) 锂电池健康状态的估计方法、装置及存储介质
Cheng et al. Residual lifetime prediction for lithium-ion battery based on functional principal component analysis and Bayesian approach
Chen et al. A long short-term memory neural network based Wiener process model for remaining useful life prediction
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
Kim et al. Model-based condition monitoring for lithium-ion batteries
Dong et al. A method for state of energy estimation of lithium-ion batteries based on neural network model
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
Ma et al. Robust state of charge estimation for Li-ion batteries based on cubature kalman filter with generalized maximum correntropy criterion
CN111581904A (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN107132490B (zh) 一种实现锂电池组荷电状态估计的方法
CN110457789A (zh) 一种基于改进粒子滤波与双指数衰退经验物理模型融合的锂离子电池剩余寿命预测方法
Takyi-Aninakwa et al. Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties
CN112816874A (zh) 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法
Takyi-Aninakwa et al. A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures
CN110442941A (zh) 一种基于改进粒子滤波与过程噪声多特征融合算法的电池状态跟踪与rul预测方法
CN109839596B (zh) 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
Shi et al. The optimization of state of charge and state of health estimation for lithium‐ions battery using combined deep learning and Kalman filter methods
Duan et al. Online parameter identification and state of charge estimation of battery based on multitimescale adaptive double Kalman filter algorithm
Vedhanayaki et al. Certain investigation and implementation of Coulomb counting based unscented Kalman filter for state of charge estimation of lithium-ion batteries used in electric vehicle application
Mao et al. State-of-charge of lithium-ion battery based on equivalent circuit model–Relevance vector machine fusion model considering varying ambient temperatures
Takyi-Aninakwa et al. An ASTSEKF optimizer with nonlinear condition adaptability for accurate SOC estimation of lithium-ion batteries
Ozcan et al. Online battery state-of-charge estimation based on sparse gaussian process regression

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211210

Address after: 532605 Building D, yizilian mahogany processing zone, No. 8, Youyiguan Industrial Park, Xiashi Town, Pingxiang City, Chongzuo City, Guangxi Zhuang Autonomous Region

Patentee after: Guangxi Jubang Energy Co.,Ltd.

Address before: 100089 Beijing Haidian District 2 Huayuan Road peony Venture Building 4 floor 1424 room

Patentee before: Beijing Zhonglian Technology Service Co.,Ltd.

Effective date of registration: 20211210

Address after: 100089 Beijing Haidian District 2 Huayuan Road peony Venture Building 4 floor 1424 room

Patentee after: Beijing Zhonglian Technology Service Co.,Ltd.

Address before: No.56, Xisanhuan North Road, Haidian District, Beijing 100048

Patentee before: Capital Normal University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201215