[发明专利]一种动力电池的剩余寿命预测方法

说明书

本发明提供了一种动力电池的剩余寿命预测方法，其基于动力电池本体历史数据与云端大数据融合驱动来实现，该方法在实施过程中，能够充分利用待预测电池本体的在线历史数据和包含非本体信息的云端大数据，对动力电池RUL实现预测，具有步骤简单、预测精度高、能极大程度地提高可用信息源的利用率、可支持任意数量的非本体信息作为预测输入量等诸多有益效果，能够有效适应大数据应用场景。

技术领域

本发明涉及动力电池耐久性与可靠性管理技术领域，尤其涉及锂离子电池单体及锂离子电池系统的实时剩余寿命监测技术。

背景技术

实时的动力电池剩余寿命(RUL)预测能及时评估并反馈电池在老化失效前仍能使用的充放电循环次数，防止电池过度使用事故，保障产品长寿命、高可靠运行。然而，支撑动力电池RUL预测的信息源有限，通常仅有两类信息源可供预测利用：第一类是包含待预测电池本体历史工作信息的在线历史数据；第二类是不含有本体信息的同类型电池离线试验/云端在线使用大数据。在利用上述第一类信息的一些电池RUL预测方法中，例如，时序预测法其核心在于寻找适用于电池RUL预测的高效时间序列模型，充分挖掘电池本体在线历史数据的时间延续性，定量推测未来的老化趋势；随机过程预测法重点在于建立完备的时间分布解析形式，试图归纳电池本体在线历史数据的时间不确定性，定量计算未来的寿命分布。这些电池RUL预测方法充分挖掘了本体在线历史数据信息，取得了一定的RUL预测效果，但由于驱动预测的信息来源单一，仍存有极大的改进空间。除上述方法外，现有技术中还有部分预测方法基于同类型电池的离线老化试验数据，寻找适用于该类电池的寿命经验模型表达式，然后致力于改造基于本体在线历史数据的表达式系数更新手段。这些方法简单结合了两种信息源，在信息利用的角度优于时序预测法和随机过程预测法，但庞大的离线老化试验数据仅用于提供简单的经验模型表达式，其信息利用率较低，缺乏考虑同类型电池云端使用的历史信息，容易因片面的老化认识引发严重的预测偏离或发散，难以适应大数据时代的电池管理发展趋势。

发明内容

针对以上现有技术中所存在的问题，本发明提供了一种动力电池的剩余寿命预测方法，其基于动力电池本体历史数据与云端大数据融合驱动来实现，具体包括以下步骤：

步骤一、提取待测电池的历史健康状态(SOH)序列h_m＝{h₁,h₂,…,h_m}以及对应的等效循环次数序列k_m＝{k₁,k₂,…,k_m}，其中，m为待测电池历史健康数据的采样数量，其中，所述的等效循环次数指待测电池累计充电安时数达到其最大可用充电容量且累计放电安时数达到其最大可用放电容量的事件发生次数；

步骤二、提取同类型电池的离线测试大数据及云端在线使用大数据，并构建融合驱动模型的训练数据集；

步骤三、建立融合驱动模型，利用所述训练数据集对所述模型进行训练；

步骤四、设定目标SOH序列，基于所述目标SOH序列与所述训练数据集构造预测矩阵；

步骤五、基于经训练的所述融合驱动模型以及所述预测矩阵，对待测动力电池的剩余寿命进行预测。

其中，所述的健康状态SOH指待测电池在既定温度和电流倍率下以恒流恒压/恒流形式测得的充/放电容量与其标称容量或类似条件下测得的充/放电容量之比，其数值可遵循该定义测得或由公知的电池SOH估计方法获得。

进一步地，所述步骤二具体包括：

拟合所述同类型电池的离线测试大数据及云端在线使用大数据中SOH与等效循环次数之间的关系，获得同类型电池的老化轨迹函数集K_n(h)＝{K₁(h),K₂(h),…,K_n(h)}，其中，n为离线测试/云端在线使用大数据中选取的电池数量；