北京理工大学的熊瑞教练团队提出了基于老化特性的锂电池强健诊断和赢余寿命预测格式，算法可能用较小的企图量获得精度较高的结果。研商功劳正在eTransportation国际交通电动化杂志上楬橥。 布景先容 锂离子电池正在电动汽车中遍及行使，当其容量低于初始容量的80%

北京理工大学的熊瑞教练团队提出了基于老化特性的锂电池强健诊断和赢余寿命预测格式，算法可能用较小的企图量获得精度较高的结果。研商功劳正在eTransportation国际交通电动化杂志上楬橥。

布景先容锂离子电池正在电动汽车中遍及行使，当其容量低于初始容量的80%时，该电池就到达了运用寿命。电池强健形态（SOH）诊断和锂离子电池的赢余运用寿命（RUL）预测可能助助电动汽车用户及时监控电池的形态，避免阻碍的发作。

SOH诊断格式可分为基于模子的格式和基于特性提取的格式。基于模子的格式普通须要电池全性命周期下的SOC-OCV对应相合，标定较为费时且关于车载BMS的企图责任较大；特性提取格式通过大方的强健目标和SOH的相合来修建一个数据驱动模子，可能低落车载BMS的正在线臆度的企图量。此中的强健目标普通由电池的端电压弧线中提出获得。本文作家抽取了凡是情景下的充电电压弧线和电流倍率区间中的特性，用来臆度电动汽车的电池容量。RUL预测格式可分为基于模子的格式和数据驱动格式。基于模子的格式通过非线性模子来预测电池的RUL，该格式的首要缺陷是很难策画加快老化测试来采集有用的离线锻炼数据；数据驱动格式通过机械进修的格式来预测电池 RUL，须要少许离线或正在线锻炼数据集。本文作家依照电池老化特色解析，开辟了一种RUL预测格式，该格式运用0.5C下的数据离线锻炼模子，而且以递归的体例举办正在线企图，以缓解企图责任。

本文作家运用了Arbin BT-5HC充放电机和松下的18650锂离子电池举办实践；加快老化实践的两种全体格式如表1所示。正在测试1中，各电池单体别离以0.5C、1C、1.5C和2C的倍率放电，此中0.5C的实践数据被用作下述算法的锻炼集；测试2的电池单体正在每次轮回中顺次用0.5C、1C、1.5C和2C放电（动态倍率放电）以验证算法。

1首进步行电池的强健诊断，正在这一步中可能获得电池的SOH（即电池的赢余容量与初始容量的百分比）。用IC弧线臆度电池SOH的道理是当电池的SOH分别时，电池电压蜕变相仿的值所对应的容量蜕变量分别。本文作家基于同样的道理，从电池0.5C下的充电电压弧线个分别电压区间（别离为 3.6~3.7 V、3.7~3.8 V、3.8~3.9 V、3.9~4.0 V、4.0~4.1 V 和 4.1~4.2 V）对应的容量差值举动臆度SOH的特性，如图3所示。

可能看出，跟着电池SOH的低落，被抽取出的累积容量值也正在低落，以是可能把其举动强健目标。终末通过机械进修的格式修建起强健目标与电池SOH之间的相合。将6个强健目标（HI1~HI6）举动神经搜集的输入层，然后与50个遁避层神经元举办全接连，终末输出电池的容量，即可获得SOH。

2算法的第二步是对电池老化阶段的辨识。图5出现了电池单体正在分别放电倍率下的衰减弧线。各个容量衰减弧线可能分为两个阶段，第一阶段为前100个轮回，衰减较疾；第二阶段的衰减弧线简直为线性，较为平缓。可能通过弧线拟合用具来划分两个老化阶段；当划分后所拟合的直线R方最小时即为最优划分身分。本文作家同样运用了0.5C下的容量衰减弧线来辨识电池的老化阶段，然后运用随机丛林（RF）算法，用算法第一步中获得的六个强健目标举动输入，用100个树修建出强健目标与老化阶段的相合，终末输出电池的老化阶段。

3算法的第三步是对电池的RUL作预测。正在算法的第二步中可能看出，正在电池老化的第二阶段，其衰减纪律简直是线性的，是以可能修建一个线性模子来预测RUL。因为衰减流程不是苛酷线性的，且随机丛林的辨识也可以涌现必定的差错，故本文作家运用了含遗忘因子的递归最小二乘法（RLS）来辨识该预测模子的参数。RLS正在老化第二阶段初步的50个轮回后初步对RUL举办预测，每10次轮回给出一个预测值。4用RLS辨识获得线性模子的参数后，可能预测到正在k次轮回后电池的SOH小于0.8，即预测到电池的EOL。终末，用1000个样本的蒙特卡洛仿真企图EOL的不确定性，获得线性模子正在每个轮回下的EOL的概率密度函数。图6出现了用0.5C放电（测试1）锻炼的模子，正在动态电流倍率放电（测试2）情景下的容量臆度结果。臆度容量切近参考值，大大批的轮回次数下，臆度差错正在1%以内，均方根差错为0.80%，注释该容量臆度格式具有较高的精度，且正在实车上有行使价格。

图7出现了基于随机丛林和神经搜集（NN）两种分别分类算法关于老化阶段辨识的结果。可能看出，正在分别的老化途径下，随机丛林的辨识结果均好于神经搜集。

图8出现了用0.5C放电的两个电池单体锻炼获得的随机丛林模子，正在动态倍率放电情景下老化阶段辨识结果。辨识获得的电池老化第二阶段的开始轮回为第107次轮回，仅有三个轮回被过错的辨识。

图9给出了遗忘因子（μ）正在分别数值下，RLS对分别老化途径下的RUL的预测结果。此中可变遗忘因子界说如下：

本文中α = 0.995 ，μ0 = 0.95。差错阈值为50次轮回，即RUL与线次轮回以内即视为无误预测。

图10出现了运用可变遗忘因子的RLS对动态电流倍率情景下RUL的预测，其预测结果基于图6中的SOH臆度结果。可能看出，正在200次轮回后，预测的RUL落正在了差错准许周围内，且300次轮回后，绝大大批情景下的预测差错小于10。用蒙特卡洛格式仿真获得的RUL的概率密度函数，RUL的95%置信区间正在第257、357和457次轮回下别离为[265, 285]、[181, 197]和[88, 108]次轮回，均正在无误预测的周围内。每次RUL预测的企图时代正在0.3秒阁下，企图量巨细合用于实车。

本文作家开辟了基于老化特性的锂离子电池强健形态诊断和赢余寿命预测算法。开始从充电电压弧线个强健目标；然后用离线数据锻炼了神经搜集模子和随机丛林模子，修建了强健目标与SOH、老化阶段之间的相合；终末依照SOH臆度和老化阶段识别结果，用含遗忘因子的RLS算法预测电池的RUL，并维系蒙特卡罗仿真天生 RUL 预测结果的概率密度函数。

实践结果说明，不管是恒定照样动态倍率放电下，该算法都可能无误的臆度SOH，且大大批情景下臆度差错小于1%。正在200次轮回后，该算法可能对动态放电倍率下的电池单体正在0.3秒的时代杀青无误的RUL预测。实践结果正在必定水准上说明本文作家开辟的该算法精度较高，企图量较小，可能行使于实践电动汽车上。

汽车测试网-创建于2008年，报道汽车测试工夫与产物、趋向、动态等 合系邮箱 marketing#auto-testing.net (把#改成@)