基于ELM-MUKF的锂电池剩余寿命预测方法

摘要

本发明公开一种基于ELM-MUKF的锂电池剩余寿命预测方法，具体步骤为：(1)选取锂电池等压降放电时间作为锂电池寿命特征参数；(2)利用锂电池等压降放电时间数据构建基于极端学机(Extreme Learning Machine，ELM)的锂电池状态更新方程；(3)将锂电池状态更新方程联合等压降放电时间观测方程作为锂电池性能退化模型；(4)基于所建立的锂电池性能退化模型,利用多阶无迹卡尔曼滤波(Multi Unscented Kalman Filter，MUKF)方法进行等压降放电时间预测；(5)构建基于极端学机的等压降放电时间与锂电池实际容量的关系模型；(6)将步骤(4)预测的等压降放电时间作为步骤(5)中所确定模型的输入,求取锂电池未来的实际容量值,依据规定的锂电池失效阈值,最终估计出锂电池的剩余循环使用周期。本发明方法能够在线监测锂电池健康状况，预测未来锂电池寿命特征参数，进而有效评估锂电池剩余寿命状况。

主权项

一种基于ELM‑MUKF的锂电池剩余寿命预测方法，其特征在于包括如下步骤：(1)选取锂电池的等压降放电时间T(i)作为锂电池寿命特征参数，等压降放电时间为其中，T(i)为第i个循环使用周期下等压降放电时间差，为锂电池放电阶段规定的高电压时所对应的时间点；为锂电池放电阶段规定的低电压时间所对应的时间点；(2)利用锂电池等压降放电时间数据构建基于极端学习机(Extreme Learning Machine，ELM)的锂电池状态更新方程T(k)＝f(T(k‑1),T(k‑2),...,T(k‑τ))+ω(k)，其中：f(·)为反映k时刻等压降放电时间与其前τ个时刻的等压降放电时间关系的非线性函数；τ为状态更新方程的阶数；ω(k)为k时刻系统状态噪声，其协方差矩阵为Q_k；(3)依据步骤(2)所建立的锂电池状态更新方程，结合观测方程z(k)＝T(k)+v(k)，得到k时刻锂电池性能退化模型为：$\left\{\begin{array}{c}T\left(k\right)=f\left(T\right(k-1),T(k-2),...,T(k-\tau \left)\right)+\omega \left(k\right)\\ z\left(k\right)=T\left(k\right)+v\left(k\right)\end{array}\right.;$其中，z(k)为k时刻等压降放电时间输出值；v(k)为测量噪声，其协方差矩阵为R_k；(4)依据步骤(3)的锂电池性能退化模型，基于在线检测的锂电池等压降放电时间T(1),...,T(k‑2),T(k‑1),T(k)，利用多阶无迹卡尔曼滤波(Multi Unscented Kalman Filter，MUKF)方法进行等压降放电时间的前向q步预测，得到(k+q)时刻的等压降放电时间T(k+q)；(5)以锂电池等压降放电时间T(i)作为输入、以锂电池实际容量Q_i作为输出，构建基于(T(i)，Q_i)训练样本的ELM模型，也即确定出基于ELM模型的实际容量Q_i与T(i)的关系函数，记为Q_i＝g(T(i)),i＝1,2,...,k，其中实际容量为充满电的锂电池在规定的放电率、温度、终止电压条件下所放出的电量；(6)将步骤(4)前向q步预测得到的T(k+q)作为步骤(5)中确定的ELM关系函数Q_i＝g(T(i))的输入，则ELM的输出即为前向q步预测的实际容量值Q_k+q；(7)设定锂电池失效阈值为实际容量Q_TH＝70％Q_A，判定前向q步预测的实际容量值Q_k+q是否达到失效阈值Q_TH，若Q_k+q＝Q_TH，则锂电池的剩余寿命为q个循环使用周期，其中Q_A为锂电池额定容量。