基於高斯過程回歸的鋰電池健康狀況預測方法
2023-10-17 12:50:34
專利名稱：基於高斯過程回歸的鋰電池健康狀況預測方法
技術領域：
本發明涉及一種鋰電池健康狀況預測方法，屬於電化學和分析化學領域。
背景技術：
鋰電池由於具有高能量率和功率，使其成為電子設備中非常有潛力的能量來源。在電子設備中，鋰離子電池是非常重要的組成部分，在特定的系統中起著至關重要的作用，它的故障會導致系統性能的下降，操作失誤，更嚴重的會引發災難性的事故。通過我們對電池健康狀況的有效管理，包括設定電池的運行條件，計劃好電池的更換間隔等，在一定程度上能夠增強整個系統的可靠性和穩定性。然而，由於我們對電池的健康狀況進行管理和預測的過程中要依靠參數的積分，且直接測量值會受到噪聲的幹擾和解析度的制約，使得我們預測的不確定性增大，直接導致預測結果的準確性下降。所以我們必須對鋰離子電池健康狀況管理和預測給予高度關注，通過控制電池的運行條件，更換間隔等來增強系統的可靠性和穩定性.電池在線運行過程是動態的，它的性能在很大程度上受到周圍環境和負載情況的影響。電池的健康狀況(SOH)預測是電池預測中非常重要的組成部分，它主要是對系統電池儲存和傳遞的能量進行定量估計。SOH預測可以用來反應電池系統性能的退化，通過其有效的預測可以避免可能事故的發生。目前，對於鋰離子電池的SOH估計只要是利用電池的容量和阻抗還有很多其他的方式來估計電池的健康狀況，有人提出了基於合適的SOH定義的功率鋰離子電池的SOH的預測概念，還有Kim提出了利用雙平滑模式的SOH估計的新技術等等。高斯過程模型(GPR)是一種靈活的，具有不確定性表達的非參數模型，而且，GPR能夠通過適當的高斯過程的組合來對任一系統的行為進行建模，最終實現基於貝葉斯預測框架的預測，在這個過程中可以靈活方便的結合先驗知識。現在，它已經成為電池狀態預測和健康管理的算法中非常重要的一部分，在不同的預測模型中，協方差函數的選擇是非常重要的，但是，對於它的選擇並沒有明確的標準。對於隨時間變化的電池內部參數進行高斯過程回歸預測，然後利用其與電池容量的關係將其傳遞到電池容量領域進行預測，來表達容量隨時間的退化情況。結果是可以接受的，但是在實際的情況中，鋰離子電池使用過程中充放電的停歇會引發自充電現象，即再生現象；所以我們對其預測時，電池的退化趨勢要對這一點進行反應。另外，當我們獲得的訓練數據較少時，預測的效果不是很理想，不能更好的反應真實的電池退化狀況。
發明內容
本發明的目的是針對傳統鋰電池健康狀況預測適應性差的問題，提供一種基於高斯過程回歸的鋰電池健康狀況預測方法。基於高斯過程回歸的鋰電池健康狀況預測方法，它是由以下步驟實現的步驟一、將待檢測新出廠的鋰電池放空電，並再充滿電，重複進行充放電N次，其中N大於或等於20的整數，記錄周期內該鋰電池的電池容量，然後繪製該鋰電池的電池的健康狀態SOH與充放電周期的關係曲線，即具有再生現象的退化曲線；步驟二、根據具有再生現象的退化曲線和約束條件選擇協方差函數；該約束條件為所選擇的協方差函數所構成的協方差矩陣滿足非負定；協方差函數為k(Xi,Xj) = !^(XpXjhkn(XpXj),其中，kf用來描述未知系統模型中的函數部分，kn代表未知系統的噪聲部分，Xi為一個輸入點，Xj為另一個輸入點，i為大於或等於0的正整數，j為大於或等於0的正整數；以其協方差函數值來衡量輸入點Xi和輸入點\之間的距離；數值越大，說明這兩點的相關性越大步驟三、設定超參數 = [I1, oy, I2, of, w, on]的初值，先設定任意初值，然後按照共軛梯度法迭代來得到似然函數偏導為0的最優值；我們的最優值應使得似然函數對每個超函數的偏導為0，這是我們最終要達到的目標，但是這樣計算較複雜，所以在不知道最優值的情況下，先設定任意初值，然後按照共軛梯度法迭代來得到似然函數偏導為0的最優值。
步驟四、確定了協方差函數的形式後，將訓練數據{(x，y) |i = 1，...，n}和預測輸入代入協方差函數中，得到訓練目標值和預測輸出的先驗分布如下，
權利要求
1.基於高斯過程回歸的鋰電池健康狀況預測方法，其特徵在於它是由以下步驟實現的 步驟一、將待檢測新出廠的鋰電池放空電，並再充滿電，重複進行充放電N次，其中N大於或等於20的整數，記錄周期內該鋰電池的電池容量，然後繪製該鋰電池的電池的健康狀態SOH與充放電周期的關係曲線，即具有再生現象的退化曲線； 步驟ニ、根據具有再生現象的退化曲線和約束條件選擇協方差函數；該約束條件為所選擇的協方差函數所構成的協方差矩陣滿足非負定； 協方差函數為k(Xp Xj) = kf (Xi, Xj)+kn(Xi, Xj)其中，kf用來描述未知系統模型中的函數部分，kn代表未知系統的噪聲部分，Xi為ー個輸入點，Xj為另ー個輸入點，i為大於或等於0的正整數，j為大於或等於0的正整數；以其協方差函數值來衡量輸入點Xi和輸入點Xj之間的距離； 步驟三、設定超參數 = [I1, Ov, I2, of,w, On]的初值，先設定任意初值，然後按照共軛梯度法迭代來得到似然函數偏導為0的最優值； 步驟四、確定了協方差函數的形式後，將訓練數據{(X，y) Ii = 1，...，n}和預測輸入代入協方差函數中，得到訓練目標值和預測輸出的先驗分布如下，
2.根據權利要求I所述的基於高斯過程回歸的鋰電池健康狀況預測方法，其特徵在於所述的電池的健康狀態SOH的具體表示如下式
3.根據權利要求I所述的基於高斯過程回歸的鋰電池健康狀況預測方法，其特徵在幹所述步驟ニ、根據具有再生現象的退化曲線和約束條件選擇協方差函數，其選擇的協方差函數為周期函數、平方指數函數和常量協方差函數的組合作為協方差函數；其中平方指數協方差函數為
4.根據權利要求I所述的基於高斯過程回歸的鋰電池健康狀況預測方法，其特徵在於所述步驟三中設定超參數 = [I1, 0y，l2，0f，W, Oj的初值,所述的超參數是通過採用最大化似然函數來確定協方差函數中的超參數來實現； 似然函數如下
全文摘要
基於高斯過程回歸的鋰電池健康狀況預測方法，涉及一種鋰電池健康狀況預測方法，屬於電化學和分析化學領域。目的是針對傳統鋰電池健康狀況預測適應性差的問題。本發明是按一下步驟實現一、繪製該鋰電池的電池的健康狀態SOH與充放電周期的關係曲線；二、根據具有再生現象的退化曲線和約束條件選擇協方差函數；三、按照共軛梯度法迭代後確定超參數的最優值並該初值帶入先驗分布中；四、根據先驗部分得到後驗分布；五、得到不帶高斯白噪聲的預測輸出f′的均值和方差；六、將實際測得的電池的健康狀態SOH和步驟五得到的預測的電池的健康狀態SOH共同帶入到訓練數據y中，得出f′，確定預測置信區間，預測出鋰電池的健康狀況。用於鋰電池的檢測。
文檔編號G01R31/36GK102798823SQ20121019884
公開日2012年11月28日 申請日期2012年6月15日 優先權日2012年6月15日
發明者劉大同, 周建寶, 龐景月, 羅悅, 王紅, 彭宇 申請人:哈爾濱工業大學