CN103399276A - 一种锂离子电池容量估计及剩余循环寿命预测方法 - Google Patents

Abstract

一种锂离子电池容量估计及剩余循环寿命预测方法，涉及一种电池容量估计及寿命的预测方法。本发明解决了无法实现锂电池的容量估计及剩余寿命的预测的问题，本发明将采集到的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n和剩余的（n-a）/n的数据作为测试数据，利用分段三次Hermite插值法对训练数据进行扩展，利用扩展后获得的不同插值点的训练数据进行建模，利用获得具有不同参数的GPR模型进行外推预测，对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；本发明适用于电池容量估计及寿命的预测。

Description

一种锂离子电池容量估计及剩余循环寿命预测方法

技术领域

本发明涉及一种电池容量估计及寿命的预测方法。

背景技术

锂离子电池虽然是一种能量存储和转换设备，但它并不是可以无限使用的，即它的循环使用寿命是有限的，这是因为电池的性能会随着电池的使用而逐渐下降。

锂离子电池是一种可充电电池，它主要依靠锂离子在正极和负极之间移动来工作，整个电池的化学动力来自于它两个电极化学势的差异。蓄电池充电时将电能转换为化学能存储在电池中，放电时则将化学能转换为电能供负载使用。由于两种能量转换的可逆性，似乎充放电的循环过程是无限的，其实不然，这是因为充放电的循环过程中，电池内部会发生一些不可逆的过程，导致内部阻抗、输出电流等的变化，引起电池容量的衰减，从而影响了电池的循环使用寿命。

锂离子电池在循环充放电过程中，电池内部会发生一些不可逆的化学反应过程，导致电极上“嵌入/脱出”的Li+的损失，从而使电池内部阻抗提高，直接表现为电池开路电压的下降。

利用电阻阻抗谱法测得电池内阻阻抗包括电荷转移电阻R_CT、Warburg阻抗R_W和电解质电阻R_E，其中Warburg阻抗R_W对电池退化过程的影响微不足道，故可忽略。NASA的PCoE研究中心经过分析大量的实验数据发现，电池容量与内部阻抗之间具有高度的线性相关性，电池容量随着电池的老化过程将会逐渐退化，即每次充放电循环后的电池容量会逐渐下降，从而达不到额定容量，因此可以利用电池容量的退化作为电池循环使用寿命的主要表征，但是由于锂电池寿命的预测具有的历史数据少、模型难建立、不确定性的缺点，而无法实现锂电池的容量及剩余寿命的预测。

发明内容

本发明为了解决无法实现锂电池的容量估计及剩余寿命的预测的问题，提出了一种锂离子电池容量估计及剩余循环寿命预测方法。

本发明所述一种锂离子电池容量估计及剩余循环寿命预测方法，该方法的具体步骤为：

步骤一、采集待测电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z;

步骤二、将采集到的采集的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n作为训练数据，剩余的（n-a）/n的数据作为测试数据，其中，n为正整数，a为小于n的正整数；

步骤三、利用分段三次Hermite插值法对训练数据进行扩展，扩展后获得不同插值点的训练数据；

步骤四、采用高斯过程回归的建模方法，利用扩展后获得的不同插值点的训练数据进行建模，获得具有不同参数的GPR模型；

步骤五、利用获得具有不同参数的GPR模型进行外推预测，得到每个GPR模型外推预测值的均值及方差；

步骤六、比较测试数据与每个GPR模型的外推预测值的均值，获得每个GPR模型预测的准确性，选择误差最小的GPR模型为GPR预测模型；

步骤七、利用GPR预测模型对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；

步骤八、判断N次充放电周期后的电池剩余容量是否等于电池容量的失效阈值，若是，则电池的剩余充放电次数为N次，完成电池容量及寿命的预测，否则执行步骤九；

步骤九、比较N次充放电周期后的电池剩余容量与电池容量的失效阈值，若N次充放电周期后的电池剩余容量小于池容量的失效阈值，则另N=N-1，返回执行步骤七，若N次充放电周期后的电池剩余容量大于池容量的失效阈值，直接返回步骤七。

本发明利用已知的循环测试的容量数据进行训练测试，得到最优的预测模型后外推未来N个期的容量值并将剩余容量与失效阈值进行比较；并采用分段三次Hermite插值方法增加训练数据，分段三次Hermite插值的优势是保留了单调性和数据的外形，为优化训练模型提供较好的数据基础，实现了锂电池的容量及剩余寿命的预测。

附图说明

图1为1/3训练数据时的电池剩余寿命的预测效果图，图中a为预测均值，b为80%失效阈值的置信区间，c为70%失效阈值的置信区间，d为真实使用寿命，e为真实剩余寿命f为预测均值，箭头1所指为测试起点；

图2为2/3训练数据时的电池剩余寿命的预测效果图，c为70%失效阈值的置信区间，e真实剩余寿，f预测均值，箭头1所指为测试起点。

具体实施方式

具体实施方式一、本实施方式所述一种锂离子电池容量估计及剩余循环寿命预测方法，该方法的具体步骤为：

步骤一、采集待测电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z；

步骤二、将采集到的采集的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n作为训练数据，剩余的（n-a）/n的数据作为测试数据，其中，n为正整数，a为小于n的正整数；

步骤三、利用分段三次Hermite插值法对训练数据进行扩展，扩展后获得不同插值点的训练数据；

步骤四、采用高斯过程回归的建模方法，利用扩展后获得的不同插值点的训练数据进行建模，获得具有不同参数的GPR模型；

步骤五、利用获得具有不同参数的GPR模型进行外推预测，得到每个GPR模型外推预测值的均值及方差；

步骤六、比较测试数据与每个GPR模型的外推预测值的均值，获得每个GPR模型预测的准确性，选择误差最小的GPR模型为GPR预测模型；

步骤七、利用GPR预测模型对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；

步骤八、判断N次充放电周期后的电池剩余容量是否等于电池容量的失效阈值，若是，则电池的剩余充放电次数为N次，完成电池容量及寿命的预测，否则执行步骤九；

步骤九、比较N次充放电周期后的电池剩余容量与电池容量的失效阈值，若N次充放电周期后的电池剩余容量小于池容量的失效阈值，则另N=N-1，返回执行步骤七，若N次充放电周期后的电池剩余容量大于池容量的失效阈值，直接返回步骤七。

本具体实施方式是利用已知的循环测试的容量数据进行训练测试，得到最优的预测模型后外推未来若干周期的容量值。但是由于数据量较少，直接进行建模预测其效果较差，所以采用分段三次Hermite插值方法增加训练数据，分段三次Hermite插值的优势是保留了单调性和数据的外形，为优化训练模型提供较好的数据基础。

因为数据在采集过程中不可避免的会引入噪声，使得数据具有不确定性，在本报告中充分考虑这一点，采用高斯过程回归（GPR）算法进行数据测试和预测实验。高斯过程回归模型（GPR）是一种灵活的，具有不确定性表达的非参数模型，而且，GPR能够通过适当的高斯过程的组合来对任一系统的行为进行建模，最终实现基于贝叶斯预测框架的预测，在这个过程中可以灵活方便的结合先验知识。高斯过程的预测结果在输出预测结果的同时，还可以给出预测的方差，即确定了预测置信区间，增加了预测的准确性。

具体实施方式二、本实施方式是对具体实施方式一所述的一种锂离子电池容量估计及剩余循环寿命预测方法的进一步说明，步骤八中所述的电池容量的失效阈值为电池初始容量的70%或80%。

具体实施方式三、本实施方式是对具体实施方式一所述的一种锂离子电池容量估计及剩余循环寿命预测方法的进一步说明，步骤七中所述的方差所覆盖的区域为95%的置信区间。

具体实施方式四、本实施方式是对具体实施方式一所述的一种锂离子电池容量估计及剩余循环寿命预测方法的进一步说明，步骤二中所述的训练数据a/n=1/3，测试数据2/3。

3ICP10电池容量数据较少，为19组数据，为了验证本发明所述方法的有效性，分别采用全部容量数据的1/3长度的训练集进行预测模型的训练，剩余数据用于模型的验证与对比分析。

1、1/3训练数据容量预测

前1/3电池容量数据用于预测模型的训练，即前6个容量数据；

后2/3电池容量数据用于预测模型的验证；

模型训练采用Hermite插值，插值点数为7；

利用GPR预测模型对电池容量进行预测，预测步长为13；

获得各充放电周期的容量预测值、95%的置信区间、预测误差；

实验结果如表1所示：

表11/3训练数据时容量预测结果

电池的剩余寿命与电池的失效阈值密切相关，3ICP10（cycle1）的试验数据其初始容量为32.224Ah，分别设置不同的失效阈值进行研究，初始容量的70%是国际上主流标准，即失效阈值为22.557Ah，此外还设定80%的初始容量，即25.779Ah。根据不同的失效阈值给出电池的RUL预测值，置信区间、误差。

1/3训练数据时的RUL预测

按照电池容量预测的方法，采用1/3的数据作为训练数据，采用Hermite插值增加训练数据集，插值点数为7。失效阈值分别设置为22.557Ah和25.789Ah。预测过程与容量预测一样，预测效果如图1所示，预测值如表2所示。

表21/3训练数据时的RUL预测结果

具体实施方式五、本实施方式是对具体实施方式一所述的一种锂离子电池容量估计及剩余循环寿命预测方法的进一步说明，步骤二中所述的训练数据a/n=2/3，测试数据1/3。

2/3训练数据容量预测

前2/3电池容量数据用于预测模型的训练，即前13个容量数据；

后1/3电池容量数据用于预测模型的验证；

模型训练采用Hermite插值，插值点数为7；

利用GPR预测模型对电池容量进行预测，预测步长为11；

各充放电周期的容量预测值、95%的置信区间、预测误差；实验结果如表3所示。

表32/3训练数据时容量预测结果

2/3训练数据时的RUL预测

按照电池容量预测的方法，采用2/3的数据作为训练数据，采用Hermite插值增加训练数据集，插值点数为7。由于采用2/3的数据作为训练数据，训练数据已经接近80%失效阈值了，所以只能给出失效阈值为22.557Ah的剩余寿命。预测过程与容量预测一样，预测效果如图2所示，预测值如表4所示。

表42/3训练数据时的RUL预测结果

通过上述的预测曲线和误差对比可知，通过插值之后的数据进行建模，实现了锂离子电池容量退化过程的预测；预测结果不仅给出了点估计值还给出了预测结果的置信区间；其中，7个预测数据具有真实容量值，从图中可知7个真实值均在预测结果的置信区间内，同时给出了7个预测值与真实值的误差，。最后4个预测值没有真实容量值，所以不能给出评价。基于高斯过程回归的锂离子电池容量预测方法可以用于离线条件的锂离子电池容量和RUL预测。

Claims (5)

1.一种锂离子电池容量估计及剩余循环寿命预测方法，其特征在于，该方法的具体步骤为：

步骤一、采集待测电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z；

步骤二、将采集到的采集的电池的充放电周期次数x、每个充放电周期的放电电压及电池容量和每次充放电后的电池的剩余容量数据z的a/n作为训练数据，剩余的(n-a)/n的数据作为测试数据，其中，n为正整数，a为小于n的正整数；

步骤三、利用分段三次Hermite插值法对训练数据进行扩展，扩展后获得不同插值点的训练数据；

步骤四、采用高斯过程回归的建模方法，利用扩展后获得的不同插值点的训练数据进行建模，获得具有不同参数的GPR模型；

步骤五、利用获得具有不同参数的GPR模型进行外推预测，得到每个GPR模型外推预测值的均值及方差；

步骤六、比较测试数据与每个GPR模型的外推预测值的均值，获得每个GPR模型预测的准确性，选择误差最小的GPR模型为GPR预测模型；

步骤七、利用GPR预测模型对锂电池的下N次充放电循环周期后的电池剩余容量预测，获得N次充放电周期后的电池剩余容量；

步骤八、判断N次充放电周期后的电池剩余容量是否等于电池容量的失效阈值，若是，则电池的剩余充放电次数为N次，完成电池容量及寿命的预测，否则执行步骤九；

步骤九、比较N次充放电周期后的电池剩余容量与电池容量的失效阈值，若N次充放电周期后的电池剩余容量小于池容量的失效阈值，则另N＝N-1，返回执行步骤七，若N次充放电周期后的电池剩余容量大于池容量的失效阈值，直接返回步骤七。

2.根据权利要求1所述的一种锂离子电池容量估计及剩余寿命预测方法，其特征在于，步骤八中所述的电池容量的失效阈值为电池初始容量的70％或80％。

3.根据权利要求1所述的一种锂离子电池容量估计及剩余循环寿命预测方法，其特征在于，步骤七中所述的方差所覆盖的区域为95％的置信区间。

4.根据权利要求1所述的一种锂离子电池容量估计及剩余循环寿命预测方法，其特征在于，步骤二中所述的训练数据a/n＝1/3，测试数据2/3。

5.根据权利要求1所述的一种锂离子电池容量估计及剩余循环寿命预测方法，其特征在于，步骤二中所述的训练数据a/n＝2/3，测试数据1/3。

Images