锂离子电池循环寿命的融合预测方法_刘月峰
锂离子电池rul预测方法综述
第46卷第4期Vot46 No$4-热点与综述-2020年4月Aprit2020计算机工程Computer Engineering文章编号:1000-3428(2020)04-0011-08文献标志码：A中图分类号：TP391锂离子电池ROL 预测方法综述刘月峰，张公，张晨荣，张丽娜，杨宇慧（内蒙古科技大学信息工程学院，内蒙古包头014010）摘要：随 设备的 和 车辆的普及， 锂离 池的安全和稳 为研究人员的重要课题，其中池的寿命（RUL ）为监 池的手 一 ％锂离 池在其充 循环期间会经历不可逆，可 池衰减，最终 池故障，为 合理的充 管理，满足实际 中的高可靠性 ，对中的RUL 预研究， 对锂电池RUL 预测的基于机理模型）基于数据驱动、基于机理模型与数据驱合和基于数据驱动的模型融合等4种方法，并讨论基于数据驱动的各RUL 预测方法的优缺点，总结 研究方向和 趋势％关键词：汽车；锂离子电池；剩余使用寿命；数据驱动；模型融合方法回養邂俱开放科学（资源服务）标志码（OSID ）：中文引用格式：刘月峰，张公，张晨荣，等.锂离子电池RUL 预测方法综述:J ].计算机工程，2020，46 （4） ,11 -18.英文引用格式：LIU Yuefeng ，ZHANG Gong ，ZHANG Chenrong ，/1 al. Review of RUL prediction method for lithium-ionbatteies * J +. Computer Engineering ，2020，46 （4） ： 11 -18.Review of RUL Prediction Method for Lithinm-ion BatteriesLIU Yuefeng ，ZHANG Gong ，ZHANG Chenrong ，ZHANG Lina ，YANG Yuhui( SehoototIntormation Engineering ， Inner Mongo tia University otSeieneeand Te ehno togy ， Baotou ， Inner Mongo tia 014010，China )-Abstract] With the rapid growth and popularization of electronia devices and electria vehicles ，how to guarantee the safety and stability of lithium-ion batteries becomes an important topic of relevant reseerch ，in which the Remaining Useful Life ( RUL ) of batteies becomes one of the most critical meens to monitor the state of batteies. During the charge-discharge cycles ，lithium-ion batteies undergo an ereversible process that cen ceuse continuous degradation on battery cepacity and end up in battery malfunction. In order to perform aesonable charge-dis c harge management that cen meet the high reliability requirements in actual applicetions ，this paper conducts a reseerch on the RUL prediction in the using process of lithium-ion batteaes. Four RUL prediction methods arc expounded herein ， which arc based on mechanism model ，date driven ，mechanism and date driven fusion and date driven model fusion respectively ，and the EdvEntgesEnd disEdvEnt ges of RUL predi etion methods bEsed on dEt driven Ere diseu sed. Moreover ， the future reseerch direction and trends are also summarized and predicted herein .-Key words ] electric vehicles ； lithium-ion bateries ； Remaining Useful Life( RUL) ；date driven ；model fusion method DOI ： 10. 19678/j. issn. 1000-3428.00551690概述近年来，锂离池作为便携式能源，因 对于U 氢、铝酸等 类型电池的明显优势而迅速普，锂离 池 重 轻、 学反应性、高能度（高达23 Wh/kg ~70 Wh/kg ）等优点，其不 需要完全 即可充电， 任不利 （无记忆），且自，在不可以更好地保， 的生命周期（在3 000 循环时80 % ）。
锂离子电池循环寿命的融合预测方法
哈尔滨 150080 ； 2． 内蒙古科技大学信息工程学院
包头 014010 ）
要： 针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足： 过度依赖电池经验退化模型和模型输入变量单一
的问题， 提出了一种相关向量机 、 粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法 。通过相关向量机提取电池历 史数据的退化趋势， 构建趋势方程替换以往的电池经验退化模型， 作为粒子滤波算法的状态转换方程 。引入自回归模型的长期 趋势预测值， 替换观测值构建粒子滤波算法的观测方程 。将 3 种方法相融合估计电池剩余寿命 。实验结果表明： 融合方法不仅 预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型， 通用性强。 关键词： 锂离子电池； 相关向量机； 粒子滤波； 自回归模型； 融合方法
new
（ 4） （ 5）
=
u － Φμ N － Σi γi
2
－2 T 式中： Σ = （ σ Φ Φ + A） α i Σ ii 。
－1
－2 T ， μ = σ ΣΦ u ， γi = 1 －
模型都是依赖于时间变量 t 的模型， 也就是说模型的输入 t ， 。 变量是时间 输入信息量单一 锂离子电池退化数据的 趋势变化与前时刻的数据相关， 而与时间 t 没有直接的因 果关系， 因此本文提出利用 ＲVM 的强回归能力来构建基 于时间序列（ 锂离子电池的退化数据构建时间序列数据） 的退化模型， 产生 PF 所需的粒子采样分布（ 即状态转换方 程） 。将 ＲVM 与 PF 融合， 用以解决传统 PF 算法高度依赖 时间 t 作为输入变量构建的经验退化模型来估计电池 ＲUL 的问题。引入 AＲ 模型构建 PF 的观测方程， 解决多步预测 无法获得观测值的问题。
基于数据驱动的锂离子电池剩余寿命融合预测方法研究
将采集到的数据进行归一化处理，以消除数据量纲 对模型的影响。
特征提取
提取电池电压、电流等数据中的特征信息，如最大 值、最小值、平均值等，以供后续模型训练使用。
实验结果展示与分析
01
02
03
模型训练
预测结果展示
结果分析
使用基于数据驱动的融合预测方 法对处理后的数据进行训练，得 到预测模型。
将预测模型的预测结果进行可视 化展示，以便于分析电池剩余寿 命的变化趋势。
对比实际充放电数据与预测结果 ，分析预测模型的准确性和可靠 性。
06
结论与展望
研究成果总结
01
02
03
提出了一种基于数据驱动的锂离子电 池剩余寿命融合预测方法，该方法结 合了多种机器学习和统计学方法，能 够更准确预测电池的剩余使用寿命。
基于机器学习方法的剩余寿命预测具有自适应 性、泛化能力强等优点，但在处理复杂数据时 可能需要更多的时间和计算资源。
基于深度学习方法的剩余寿命预测
基于深度学习方法的剩余寿命预测是一种利用深度学习算法对电池性能数据进行学习和预测的方法 。
深度学习算法主要包括卷积神经网络、循环神经网络、自编码器等，可以自动从数据中提取更抽象的 特征表示，并建立相应的预测模型。
基于数据驱动的锂离子电池 剩余寿命融合预测方法研究
2023-10-30
目 录
• 研究背景与意义 • 锂离子电池失效机理分析 • 基于数据驱动的锂离子电池剩余寿命预测方法 • 融合预测方法设计 • 实验验证与结果分析 • 结论与展望 • 参考文献
01
研究背景与意义
锂离子电池发展现状
锂离子电池在便携式电子设备、电 动汽车和航空航天等领域得到广泛 应用。
一种锂离子电池循环寿命的预测方法[发明专利]
![一种锂离子电池循环寿命的预测方法[发明专利]](https://img.taocdn.com/s3/m/47e0fec96394dd88d0d233d4b14e852458fb3904.png)
专利名称：一种锂离子电池循环寿命的预测方法
专利类型：发明专利
发明人：马静,王盈来,李艳红,蒋勤虚,黄文,相佳媛,郭锋申请号：CN202111400559.X
申请日：20211124
公开号：CN114217238A
公开日：
20220322
专利内容由知识产权出版社提供
摘要：本发明涉及锂离子电池循环寿命的预测技术领域，具体涉及一种锂离子电池循环寿命的预测方法,包括以下步骤：在待评价的电池表面安装压力传感器，并对电池施加初始预紧力，记录电池循环测试压力传感器信号数据；将待评价的电池进行一定循环次数的短期循环测试，并且需要记录不同循环次数下的放电容量，计算容量保持率；将每次循环测试中充满电状态对应的压力传感器数据提取出来；根据循环次数、放电容量及压力传感器的电压数据进行拟合计算，对电池的循环寿命进行预测。
本发明的方法不需要昂贵精密的测试设备和进行复杂的理论计算，经过短期的循环测试即可快速地预测锂离子电池循环寿命，能够大幅降低了常规测试所产生的时间和资源浪费。
申请人：浙江南都电源动力股份有限公司,杭州南都动力科技有限公司
地址：311305 浙江省杭州市临安市青山湖街道景观大道72号
国籍：CN
代理机构：杭州创信知识产权代理有限公司
代理人：张德望
更多信息请下载全文后查看。
一种锂电池剩余寿命预测方法[发明专利]
![一种锂电池剩余寿命预测方法[发明专利]](https://img.taocdn.com/s3/m/5cec170986c24028915f804d2b160b4e767f81cc.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011239758.2(22)申请日 2020.11.09(71)申请人 上海工程技术大学地址 201620 上海市松江区龙腾路333号(72)发明人 刘峰 宋万清 (74)专利代理机构 上海统摄知识产权代理事务所(普通合伙) 31303代理人 杜亚(51)Int.Cl.G01R 31/367(2019.01)G01R 31/385(2019.01)G01R 31/392(2019.01)(54)发明名称一种锂电池剩余寿命预测方法(57)摘要本发明涉及一种锂电池剩余寿命预测方法，步骤为：(1)采集锂电池容量退化数据，即采集锂电池多个充放电循环的实际剩余容量，并由此按时间顺序构建长度为t的实际剩余容量总时间序列X t ；(2)根据实际剩余容量总时间序列X t 计算Lyapunov指数λ；(3)估计实际剩余容量总时间序列X t 的Hurst指数H，判断H是否位于区间(0.5,1)内，如果是，则进入下一步；反之，则利用人工智能算法预测锂电池剩余寿命RUL ；(4)建立FARIMA预测模型；(5)锂电池剩余寿命RUL预测。
采用本发明的方法能够准确地预测实际锂电池容量的剩余寿命，并且可以选择不同的预测起始点来进行RUL预测，使得能充分证明本方法的可靠性与准确性。
本发明对实际锂电池的生产与应用有着重要意义。
权利要求书2页 说明书7页 附图2页CN 112327169 A 2021.02.05C N 112327169A1.一种锂电池剩余寿命预测方法，其特征在于，步骤如下：(1)采集锂电池容量退化数据，即采集锂电池多个充放电循环的实际剩余容量，并由此按时间顺序构建长度为t的实际剩余容量总时间序列X t；(2)根据实际剩余容量总时间序列X t计算Lyapunov指数λ；(3)估计实际剩余容量总时间序列X t的Hurst指数H，判断H是否位于区间(0.5,1)内，如果是，则进入下一步；反之，则利用人工智能算法预测锂电池剩余寿命RUL；(4)建立FARIMA预测模型，表达式如下：Φ(B)Δd S l＝θ(B)X l；式中，X l代表根据实际剩余容量总时间序列X t得到的实际剩余容量第一子时间序列；S l 代表预测剩余容量时间序列；B代表满足等式BX t＝X t-1的后移算子；X t-1代表长度为t-1的实际剩余容量总时间序列；Φ(B)代表自回归项的p阶多项式；θ(B)代表滑动平均项的q阶多项式；Δ＝(1-B)为差分算子；Δd代表分数差分算子；Φ(B)、θ(B)、Δd的计算公式如下：Φ(B)＝1-Φ1(B)-Φ2(B)2-...-Φp(B)p；θ(B)＝1-θ1(B)-θ2(B)2-...-θq(B)q；d＝H-0.5；式中，Γ代表伽马函数；H代表Hurst指数；z代表FARIMA预测模型中锂电池寿命点的个数；(5)锂电池剩余寿命RUL预测，流程如下：(5.1)根据步骤(2)的Lyapunov指数λ确定锂电池退化过程的最大预测尺度；(5.2)令b＝1；(5.3)依据最大预测尺度从实际剩余容量总时间序列X t中选择第b个预测点，以第b个预测点对应的实际剩余容量作为最大值同时以l作为长度从实际剩余容量总时间序列X t截取实际剩余容量第一子时间序列X l；(5.4)将实际剩余容量第一子时间序列X l输入到步骤(4)的FARIMA预测模型，由其输出预测剩余容量时间序列S l；(5.5)判断预测剩余容量时间序列S l中是否存在时间序列点达到失效阈值，如果是，则计算锂电池剩余寿命RUL，RUL＝NEOL-Nnow，NEOL表示达到失效阈值时电池的充放电循环次数，Nnow表示电池现在的充放电循环次数；反之，则进入下一步；(5.6)令b＝b+1，第b+1个预测点与第b个预测点的时间间隔为1个循环周期，返回步骤(5.3)。
一种针对容量再生现象的锂离子电池寿命预测方法[发明专利]
![一种针对容量再生现象的锂离子电池寿命预测方法[发明专利]](https://img.taocdn.com/s3/m/24d030ce112de2bd960590c69ec3d5bbfc0ada56.png)
专利名称：一种针对容量再生现象的锂离子电池寿命预测方法专利类型：发明专利
发明人：刘金凤,陈浩玮,胡庆,孙晨
申请号：CN202210278351.3
申请日：20220317
公开号：CN114660497A
公开日：
20220624
专利内容由知识产权出版社提供
摘要：本发明公开了一种针对容量再生现象的锂离子电池寿命预测方法，属于电池寿命预测技术领域。
本发明针对现技术不能针对电池容量再生现象而进行电池寿命预测。
本发明获取锂离子电池的健康因子数据和循环次数；采用变分模态分解方法将所述健康因子分解成第一类模态分量和第二类模态分量；将第一类模态分量输入第一预测模型中，将第二类模态分量输入第二预测模型中，得到健康因子预测值；将健康因子预测值和循环次数输入退化关系模型中，得到锂离子电池的容量预测值，进而得到锂离子电池的寿命值。
本发明解决了锂离子电池退化过程中，电池数据的容量再生波动导致传统的数据驱动方法泛化能力弱、预测精度低的问题。
申请人：哈尔滨理工大学
地址：150080 黑龙江省哈尔滨市南岗区学府路52号
国籍：CN
代理机构：北京中济纬天专利代理有限公司
代理人：杨红娟
更多信息请下载全文后查看。
锂离子电池寿命预测综述
锂离子电池寿命预测综述
王宁;刘晓峰;陈泽华
【期刊名称】《低压电器》
【年(卷),期】2018(000)011
【摘要】随着锂离子电池的广泛应用,其寿命问题日益突出,尤其是在一些高/低温、高倍率充放电等工况下,寿命大大缩短,不仅难以满足某些条件下对电池寿命的要求,更有可能引发严重事故,影响其商业化大规模应用,有效预测并掌握其剩余寿命具有
重要意义.对锂离子电池寿命预测方法进行了综述,对比了当前存在的预测方法.介绍了国内外锂离子电池寿命预测的现状及发展,并介绍了其应用场景.对当前方法存在
的问题和未来的发展趋势进行了分析和预测,为在此相关领域研究的工作人员提供
有益的参考.
【总页数】13页(P1-13)
【作者】王宁;刘晓峰;陈泽华
【作者单位】太原理工大学电气与动力工程学院,山西太原030024;太原理工大学
大数据学院,山西太原030024;太原理工大学大数据学院,山西太原030024
【正文语种】中文
【中图分类】TM911
【相关文献】
1.锂离子电池状态估算与寿命预测综述 [J], 袁方莹
2.锂离子电池状态估算与寿命预测综述 [J], 姚芳; 张楠; 黄凯
3.锂离子电池剩余寿命预测方法研究综述 [J], 郑文芳;付春流;张建华;汤平;陈德旺
4.锂离子电池剩余寿命预测方法综述 [J], 蔡艳平;陈万;苏延召;姜柯;黄华
5.基于数据驱动法的锂离子电池寿命预测关键技术综述 [J], 李建林;王哲;许德智;马福元;孟高军
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
TH165 + ． 3
文献标识码： A
国家标准学科分类代码 ： 510． 40
A fusion prediction method of lithiumion battery cyclelife
2 Liu Yuefeng1， ， Zhao Guangquan1 ， Peng Xiyuan1
［ 1 ］
。国外的一些高校、 研究机构和公司针对电动车、 船
Ｒeceived Date： 201412
12 收稿日期： 2014-
* 基金项目： 国家自然科学基金（ 61301205 ） 、 部委预先研究课题（ 51317040302 ） 项目资助
第7 期
刘月峰 等： 锂离子电池循环寿命的融合预测方法
1463
靠性， 就必须要求能够评估锂电池的容量和预测剩余的循 ［6 ］ 环使用寿命 。国内也有一些研究机构已经开展了实际
［ 7 ］ 应用工作， 但尚处于起步阶段， 比如 Liu D． T． 等人 将锂
2
ＲVM、 PF 和 AＲ 的融合方法
离子电池的循环寿命预测方法应用于我国航天某所的卫 星锂电池健康评估系统中， 开发了卫星锂离子电池剩余寿 周建宝等 命预测系统； 针对空间应用计算资源约束问题， ［ 8 ］ FPGA ＲVM 人 还在 平台上实现了基于 的嵌入式锂电池 循环寿命预测计算方法， 预测电池的剩余寿命（ remaining ＲUL） ； 北京交通大学和北京航空航天大学也分 useful life， 先后得到实际应 别研究了相关电池剩余寿命估算方法， ［ 910 ］ ； 国内一些公司如哈尔滨冠拓电源设备有限公司和 用 深圳派司地科技有限公司在电池管理系统的开发上也取 ［11 ］ 得了一定的成果 。总体来说， 国内外电池管理系统的采 尤其是在电池剩余循环寿命估算的 集精度仍然不够精确， 准确性上仍然存在着不足， 技术不够成熟。 估计电池剩余寿命 ＲUL 的相关研究更多的是在理论 ［12 ］ 和方法层面。如 Miao Q 等人 提出一种改进的 PF 算法， 提高了预测精度； Olivares B． E． 等人 针对电池容量再生 现象提出一个基于 PF 框架的故障预测方法； Saha B 等 人
（ 1． Department of Automatic Test and Control，Harbin Institute of Technology，Harbin 150080 ，China； 2． School of Information Engineering，Inner Mongolia University of Science ＆ Technology，Baotou 014010 ，China） Abstract： According to the problems of traditional lithiumion battery remaining useful life （ ＲUL） prediction method based on particle filter， such as excessive reliance on battery experience degradation model and the single input variable of the model，a fusion ＲUL estimation approach for lithiumion battery is proposed based on relevance vector machine （ ＲVM） ， particle filter （ PF） and the autoregressive （ AＲ） modand the trend equation is built to replace the battery experience degrael． The degradation trend of battery historical data is extracted by ＲVM， which is adopted as the state transition equation of the PF algorithm． Longterm trend prediction values of the AＲ model are used dation model， to replace the real values， and then the observation equation of the PF algorithm is constructed． Three methods are integrated to estimate the battery ＲUL． Experimental results show that the prediction precision of fusion method is high， and the proposed data driven approach is more common because it can avoid building the complex experience degradation model based on battery failure mechanism． Keywords： lithiumion battery； relevance vector machine； particle filter； autoregressive model； fusion method
锂离子电池正广泛应用于消费电子、 电动汽车以及空 间系统。然而， 一个不可避免的问题是随着循环使用和材 质老化电池性能会不断下降直到废弃。另外电池性能的 退化无法直接测量， 往往需要提前对其进行估计， 从而决 定是否更换电池， 以避免一些不必要的事故。目前对锂电 池循环寿命的预测离成熟的实际在线应用还有一段距 离
第 36 卷 第 7 期 2015 年 7 月
仪
器
仪
表
学
报
Chinese Journal of Scientific Instrument
Vol. 36 No. 7 Jul． 2015
锂离子电池循环寿命的融合预测方法
1， 2 1 1 刘月峰 ， 赵光权 ， 彭喜元
*
（ 1． 哈尔滨工业大学自动化测试与控制系 摘
2 （ ＲV） 的个数， k（ x， x n ） 是核函数， ε i ～ N（ 0 ， σ ） 是独立同 u i 是 y i 的回归值。 分布的噪声，
基于数据驱动的研究工作愈来 器学习与计算智能的发展， 愈关注使用灵活的模型用于电池 ＲUL 的预测， 比如不同类
［ 19 ］ ［ 7 ］ ， 支持向量机 、 相关向量机 ， 为了互 ［ 20 ］ 补不同的方法， 融合预测方法 成为一个提高电池 ＲUL ［21 ］ 预测性能的主要研究方向。Zhou J． B． 等人 提出了基
型的神经网络
［ 1718 ］
如果 w 和 ε i 是直接估计的， 会有过拟合的问题， 模型 引进了超参数 α i 。 假设 w 服从零均 也不会稀疏。因此， 值且方差为 α i 的高斯分布， 即：
－1 p （ w i | α i ） ～ N（ w i | 0 ， αi ）
N
－1
于贝叶斯学习策略的融合方法用于锂离子电池 ＲUL 估计； Liu D． T． 等人［22］提出一种 AＲ 与 ＲPF 融合的锂离子电池 ＲUL 估计方法； Liu D． T． 等人［23］ 还对基于融合方法的锂 离子电池 ＲUL 估计进行了不确定性量化分析。基于目前 故障预测的融合方法发展趋势和前述锂离子电池 ＲUL 估 计工作中存在的一些问题， 本文提出基于相关向量机 （ relevance vector machine， ＲVM） 、 PF） 粒子滤波 （ particle filter， 和 AＲ 模型相融合的锂离子电池 ＲUL 预测方法。关于 PF 与 ＲVM 的融合方法已经有研究者开展了相关的研究工
哈尔滨 150080 ； 2． 内蒙古科技大学信息工程学院
包头 014010 ）
要： 针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足： 过度依赖电池经验退化模型和模型输入变量单一
的问题， 提出了一种相关向量机 、 粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法 。通过相关向量机提取电池历 史数据的退化趋势， 构建趋势方程替换以往的电池经验退化模型， 作为粒子滤波算法的状态转换方程 。引入自回归模型的长期 趋势预测值， 替换观测值构建粒子滤波算法的观测方程 。将 3 种方法相融合估计电池剩余寿命 。实验结果表明： 融合方法不仅 预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型， 通用性强。 关键词： 锂离子电池； 相关向量机； 粒子滤波； 自回归模型； 融合方法
1
引
言
舶、 飞机及航天器的电池管理系统（ battery management system， BMS） 进行研究和开发， 其中锂电池循环寿命的预测 23］ 是 BMS 的核心和难点， 文献［ 对此进行了详细的阐述。 另外， 许多如 GPS 系统和无人机（ unmanned aerial vehicles， UAVs） 等军事电子设备需要使用的便携式电源都依赖于 锂离子电池， 也需要评估锂电池的可靠性， 以避免锂离子 电池失效而导致从操作损伤到性能下降甚至灾难性故障 ［45 ］ 等不同程度的严重后果 。应用于植入式医疗设备的可 充电锂电池的可靠性被广大的利益相关者公认为最重要 的一个要求， 要确保这些设备的锂电池在操作过程中的可
N
y（ x， w） = 1， 2， …， M
x ） ∑ w k（ x，
n n
n =1
+ w0 ， u i = y（ x i ， w） + ε i ； i = （ 1）
应用 PF 算法来实现对电池 ＲUL 的预测。 随着机
w0 ， w1 ， …， w N］是权重向量，N 是相关向量 式中： w = ［