基于误差修正的锂电池剩余寿命自适应预测方法-尊龙凯时官方app下载

文档序号:36395759发布日期:2023-12-15 18:10阅读:18来源:国知局
基于误差修正的锂电池剩余寿命自适应预测方法

1.本发明属于可靠性分析技术领域,更为具体地讲,涉及一种基于误差修正的锂电池剩余寿命自适应预测方法



背景技术:

2.由于锂电池具有的高能量密度以及长使用寿命等特点,锂电池已经被广泛应用于各类电子系统的电源模块

近年来,随着电子系统的集成度越来越高,系统中电源模块出现故障的频率也越来越高

对于复杂电子系统中的各个功能模块的电源来说来说,它们的可靠性影响着整个系统设备的运行稳定性,而对各电源模块的剩余寿命
(rul,remaining useful life)
预测技术方法的研究也变得十分必要,其具有以下几点重要意义:
(1)
是获得复杂电子系统可靠性信息的重要途径,可进一步为实现系统在线监测与健康管理提供依据;
(2)
有利于更好地设计锂电池加速老化试验以获得更为准确的老化数据;
(3)
可实现视情维修,使终端使用者获得复杂电子系统更多的寿命信息以减少对系统维护的投入

3.近年来,基于数据驱动的
rul
预测方法逐渐成为了锂电池可靠性分析领域的研究热点

现有的数据驱动方法主要分为两大类,基于人工智能的方法和基于概率统计的方法

虽然基于人工智能的预测技术具有很好的预测精度,但这类方法需要大量的历史锂电池退化数据对人工智能模型进行训练,而且得到的
rul
预测结果往往缺乏相关的不确定性描述,难以为后续器件的可靠性分析提供足够的信息

而基于概率统计的方法则是利用概率统计的模型来描述锂电池的退化趋势,可以很好地刻画锂电池的退化过程中的不确定性

在概率统计方法中,基于维纳过程的概率统计模型正被广泛地应用于各类不同锂电池的
rul
预测

然而,当面对具有复杂退化趋势的锂电池时,维纳过程模型的预测精度在很大程度上会受到其退化趋势函数类型选择的影响

这极大地限制了维纳过程模型在
rul
预测方面的应用范围



技术实现要素:

4.本发明的目的在于克服现有技术的不足,提供一种基于误差修正的锂电池剩余寿命自适应预测方法,采用长短记忆神经网络
lstm
作为误差函数对维纳过程进行修正,加强了维纳过程对锂电池退化趋势的拟合能力,从而提高了剩余寿命预测的准确度

5.为实现上述发明目的,本发明一种基于误差修正的锂电池剩余寿命自适应预测方法,其特征在于,包括以下步骤:
6.(1)、
数据预处理;
7.通过加速n个历史锂电池的寿命实验,采样每个历史锂电池在不同时刻的容量,然后利用
savitzky-golay
滤波器分别对这n组容量进行平滑处理,得到n组平滑数据其中,i=
1,2,

,n
,表示第i个历史锂电池的初始容量,表示第i个历史锂电池在第
t
个时刻的容量的平滑值,
t

1,2,-,mi,
mi表示第i个历史锂电池的采样时刻数;
8.(2)、
构建历史锂电池在每个采样时刻的维纳过程模型;
9.x(t)

x0 atb
σbb(t)
10.其中,
x0表示历史锂电池的初始容量;a表示维纳过程的漂移系数;
tb表示历史锂电池容量的退化趋势函数,b为退化趋势函数的参数;
σb是维纳过程的扩散系数;
b(t)
为标准布朗运动;
11.(3)、
构建各个历史锂电池维纳过程模型的误差函数;
12.(3.1)、
构建各个历史锂电池的似然函数:
[0013][0014]
其中,表示第i个历史锂电池维纳过程模型的参数;表示第i个历史锂电池容量的一阶差分;表示第i个历史锂电池趋势函数在不同采样时刻的一阶差分;表示
δ
xi的协方差矩阵,为mi-1
阶的单位矩阵;
[0015]
(3.2)、
求解各个似然函数的参数;
[0016]
令上述似然函数关于ai
和的一阶偏导数为0,得到:
[0017][0018][0019]
再将上述ai
和的表达式代入维纳过程模型中,并利用粒子滤波算法求得n个历史锂电池的参数估计值,分别为
[a1,
a2,
...an]

[b1,
b2,
...bn]

[0020]
(3.3)、
求解误差函数
[0021]
根据
(3.2)
中得到的参数以及
(2)
中的维纳过程模型,生成n组仿真容量数据
[0022]
然后用实际数据减去仿真数据得到误差数据其中,
[0023]
再利用这n组误差数据分别训练n个长短期记忆神经网络
lstm
,这n个
lstm
神经网络即代表了n个历史锂电池维纳过程模型的误差函数;
[0024]
(4)、
目标锂电池剩余寿命的实时预测;
[0025]
(4.1)、
获取当前时刻目标锂电池的容量;
[0026]
用步骤
(1)
中方法,获取当前时刻
tc下目标锂电池容量数据
判断是否超过了失效阈值w,若超过,则转至步骤
(5)
,算法结束;若未超过,则转至步骤
(4.2)

[0027]
(4.2)、
估计目标锂电池的维纳过程模型参数;
[0028]
计算目标锂电池容量数据
x
与历史锂电池容量数据
xi之间的欧氏距离
edi:
[0029][0030]
记具有最小欧氏距离的历史锂电池对应的误差数据为emin
,其对应的误差函数为
f(t)

lstm
min

[0031]
基于维纳过程模型,采用粒子滤波算法估计目标锂电池的模型参数,使得目标锂电池的误差数据逼近emin
,记估计得到的参数为
[0032]
(4.3)、
为目标锂电池构建基于误差函数修正的维纳过程模型;
[0033][0034]
其中,
x0表示目标锂电池的初始容量;amin
表示目标锂电池的漂移系数;
tb表示目标锂电池容量的退化趋势函数,bmin
为退化趋势函数的参数;
f(t)

lstm
min
表示目标锂电池的误差函数,
σb,
min
是维纳过程的扩散系数;
b(t)
为标准布朗运动;
[0035]
(4.4)、
计算目标锂电池在当前时刻
tc下的剩余寿命;
[0036]
基于误差函数修正的维纳过程模型,计算目标锂电池的剩余寿命概率密度函数
f(l)

[0037][0038]
其中,
l
表示时间变量,
q(l)

f(l tc)-f(tc)
;f′
(t)
表示误差函数
f(t)
在时刻
t
的一阶导数;
[0039]
(4.5)、
选取
f(l)
中最大值对应的时刻作为当前时刻
tc下待测锂电池的剩余寿命预测值,然后令
tc=
tc 1
,重新跳转至步骤
(4.1)

[0040]
(5)、
目标锂电池容量的退化量达到失效阈值w,预测终止,算法结束

[0041]
本发明的发明目的是这样实现的:
[0042]
本发明一种基于误差修正的锂电池剩余寿命自适应预测方法,通过加速历史锂电池的寿命实验,获取历史锂电池在不同时刻的特征量;然后采用极大似然估计以及粒子滤波算法得到历史锂电池的误差数据,并利用历史锂电池的误差数据训练对应的
lstm
神经网络;接着基于目标锂电池与历史锂电池特征量之间的欧氏距离,选择对应的
lstm
神经网络作为目标锂电池的误差修正函数,并利用该误差修正函数提高维纳过程模型对目标锂电池退化趋势的拟合能力;最后通过逆高斯分布计算出当前时刻下目标锂电池
rul
的概率密度函数,具有预测精度高

实时性好

预测速度快等特点

附图说明
[0043]
图1是本发明一种基于误差修正的锂电池剩余寿命自适应预测方法流程图;
[0044]
图2是加速寿命实验所获取的4组锂电池容量的退化量数据;
[0045]
图3是基于传统维纳过程模型得到的仿真退化趋势与锂电池实际容量退化轨迹对比图;
[0046]
图4是基于误差函数修正的维纳过程得到的仿真退化趋势与锂电池实际容量退化轨迹对比图;
[0047]
图5是本发明提出的一种基于误差修正的锂电池剩余寿命自适应预测方法的剩余寿命预测结果图:
[0048]
图6是三种预测模型对锂电池剩余寿命预测的结果:
(1)
基于
lstm
神经网络的剩余寿命预测模型;
(2)
基于传统
wiener
过程的剩余寿命预测模型;
(3)
一种基于误差修正的锂电池剩余寿命自适应预测方法模型

具体实施方式
[0049]
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明

需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略

[0050]
实施例
[0051]
图1是本发明一种基于误差修正的锂电池剩余寿命自适应预测方法流程图

[0052]
在本实施例中,选用锂电池为测试器件,如图1所示,本发明一种基于误差修正的锂电池剩余寿命自适应预测方法,包括以下步骤:
[0053]
(1)、
数据预处理;
[0054]
获取待测锂电池在不同时刻的退化量;
[0055]
通过加速n个待测锂电池的寿命实验,采样每个待测锂电池在不同时刻的特征量,然后利用
savitzky-golay
滤波器分别对这n组特征量进行平滑处理,得到n组平滑数据,记第i组平滑数据为其中,i=
1,2,

,n
,表示第i个待测锂电池的初始特征量,表示第i个待测锂电池在第
t
个时刻的特征量的平滑值,
t

1,2,

,mi,
mi表示第i个待测锂电池的采样时刻数;
[0056]
(2)、
构建待测锂电池在每个采样时刻的维纳过程模型;
[0057]
x(t)

x0 atb
σbb(t)
[0058]
其中,
x0表示待测锂电池的初始特征量;a表示维纳过程的漂移系数;
tb表示待测锂电池的特征量的退化趋势函数,b为退化趋势函数的参数;
σb是维纳过程的扩散系数;
b(t)
为标准布朗运动;
[0059]
(3)、
计算各个待测锂电池的维纳过程模型的误差函数;
[0060]
(3.1)、
构建各个待测锂电池的似然函数:
[0061][0062]
其中,表示第i个待测锂电池维纳过程模型的参数;表示第i个待测锂电池特征量的一阶差分;
表示第i个待测锂电池趋势函数在不同采样时刻的一阶差分;表示
δ
xi的协方差矩阵,为mi-1
阶的单位矩阵;
[0063]
(3.2)、
求解似然函数的参数;
[0064]
令上述似然函数关于ai
和的一阶偏导数为0,得到:
[0065][0066][0067]
再将上述ai
和的表达式代入维纳过程模型中,并利用粒子滤波算法求得n个历史待测锂电池的参数估计值,分别为
[a1,
a2,
...
,an
]

[b1,
b2,
...
,bn
]

[0068]
(3.3)、
求解误差函数
[0069]
根据
(3.2)
中得到的参数以及
(2)
中的维纳过程模型,生成n组仿真特征量数据
[0070]
然后用实际数据减去仿真数据得到误差数据其中,
[0071]
再利用这n组误差数据分别训练n个长短期记忆神经网络
lstm
,这n个
lstm
神经网络即代表了n个历史器件维纳过程模型的误差函数

[0072]
(4)、
目标锂电池剩余寿命的实时预测;
[0073]
(4.1)、
获取当前时刻目标器件的特征量数据
[0074]
获取当前时刻目标锂电池的特征量;
[0075]
用步骤
(1)
中方法,获取当前时刻
tc下目标锂电池的特征量判断是否超过了失效阈值w,若超过,则转至步骤
(5)
,算法结束;若未超过,则转至步骤
(4.2)

[0076]
(4.2)、
估计目标锂电池的维纳过程模型参数;
[0077]
计算目标锂电池特征量
x
与各个历史待测锂电池特征量
xi之间的欧氏距离
edi:
[0078][0079]
记具有最小欧氏距离的历史待测锂电池对应的误差数据为emin
,其对应的误差函数为
f(t)

lstm
min

[0080]
基于维纳过程模型,采用粒子滤波算法估计目标锂电池的模型参数,使得目标锂
电池的误差数据逼近emin
,记估计得到的参数为
[0081]
(4.3)、
为目标锂电池构建基于误差函数修正的维纳过程模型;
[0082][0083]
其中,
x0表示目标锂电池的初始特征量;amin
表示目标锂电池的漂移系数;
tb表示目标锂电池特征量的退化趋势函数,bmin
为退化趋势函数的参数;
f(t)

lstm
min
表示目标锂电池的误差函数,
σb,
min
是维纳过程的扩散系数;
b(t)
为标准布朗运动;
[0084]
(4.4)、
计算目标锂电池在当前时刻
tc下的剩余寿命;
[0085]
基于误差函数修正的维纳过程模型,计算目标锂电池的剩余寿命概率密度函数
f(l)

[0086][0087]
其中,
q(l)

f(l tc)-f(tc)
;f′
(t)
表示误差函数
f(t)
在时刻
t
的一阶导数

[0088]
(4.5)、
选取
f(l)
中最大值对应的时刻作为当前时刻
tc下待测锂电池的剩余寿命预测值;然后令
tc=
tc 1
,重新跳转至步骤
(4.1)

[0089]
(5)、
待测锂电池特征量的退化量达到失效阈值w,预测终止,算法结束

[0090]
为了说明本发明的技术效果,选取锂电池
b1
作为本专利的实施对象,选取其余3组锂电池退化数据作为历史退化数据,模拟实时工作状态下,锂电池的剩余寿命预测

图2是实验所获取的4组锂电池容量的退化量的数据

[0091]
采用步骤
(3)
中的方法估计得到四组锂电池的参数如表1所示:
[0092][0093]
表1[0094]
基于上述参数,采用传统维纳过程对这四个锂电池的退化趋势进行仿真,并与实际锂电池退化轨迹进行对比,其结果如图3所示

图3所示结果表明,由于受到退化趋势函数
tb的限制,传统维纳过程难以准确地拟合该类锂电池的退化趋势

[0095]
为了模拟实际工程中的剩余寿命预测过程,我们把锂电池
b1
设置为目标电池,锂电池
b2,b3,b4
均为历史电池

开始进行预测的时刻设置为第
402cycle
,每
10

cycle
进行一次寿命预测,当电池容量下降到初始容量的
88
%时,预测终止

图4展示了本发明所提出的结合误差函数修正和维纳过程的剩余寿命预测新方法得到的锂电池
b1
退化趋势仿真数据与
b1
的实际退化数据的对比图

可以清楚的看到,在利用误差函数进行修正之后,得到的仿真退化数据十分接近实际的锂电池退化数据,这说明了本发明所提方法的有效性

[0096]
利用本发明在不同时刻下预测得到的锂电池
b1
的剩余寿命曲线如图5所示

可以
清楚地看到,采用本发明得到的剩余寿命预测曲线可以提供不同时刻下剩余寿命的概率密度函数曲线,可以为器件的维修保障工作提供更多的信息,从而有利于器件维修工作的进行

[0097]
为了定量比较和衡量预测性能,图6展示了本发明

传统
wiener
过程和长短期记忆神经网络
(lstm)
对锂电池
b1
剩余寿命的预测结果

通过图6中不同类型模型对锂电池
rul
的预测结果可以发现,由于本发明采用了基于
lstm
神经网络的误差函数对传统维纳过程进行了修正,本发明对锂电池退化趋势的拟合效果会比传统维纳过程要好;同时,又因为本发明包含了
wiener
过程,相比于直接用
lstm
网络进行预测,本发明可以提供每个时刻预测结果的不确定性

表2给出了各模型对锂电池
b1

rul
平均预测误差

[0098] lstmwiener
过程本发明平均误差
9.9cycle28.8cycle5.7cycle
[0099]
表2[0100]
由表2显示的预测结果可以看出,本模型的剩余寿命预测结果的精度要远远高于其他模型,这直接说明了本发明提出的一种结合误差函数修正和维纳过程的剩余寿命预测新方法的优势,因而本发明更适用于实际工程中对于剩余寿命预测的需要

[0101]
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列

当前第1页1  
相关技术
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
网站地图