数据驱动的梯次电池RUL预测与分类方法.pdf

《数据驱动的梯次电池RUL预测与分类方法.pdf》由会员分享，可在线阅读，更多相关《数据驱动的梯次电池RUL预测与分类方法.pdf（7页完成版）》请在专利查询网上搜索。

1、(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 202010387144.2 (22)申请日 2020.05.09 (71)申请人 国网福建省电力有限公司莆田供电 公司 地址 351100 福建省莆田市城厢区霞林街 道南园东路999号 申请人 国网福建省电力有限公司 (72)发明人 范元亮林明星林翊乾彭宇霞 郑宇陈扩松陈友恒 (74)专利代理机构 厦门市首创君合专利事务所 有限公司 35204 代理人 张松亭 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) (54)发。

2、明名称 一种数据驱动的梯次电池RUL预测与分类方 法 (57)摘要 本发明公开了一种数据驱动的梯次电池RUL 预测与分类方法,步骤S1： 收集拟参与梯次利用 电池的生产商数据及电池型号， 对于每一种型 号， 取30个出厂的新电池， 构成一组； 步骤S2： 对 于不同生产商的不同型号的电池， 测试每一组电 池的时序数据， 建立电池RUL的衰减数据库； 步骤 S3： 根据步骤S2中测试的时序数据， 建立数据驱 动RUL预测模型， 预测退役电池的RUL； 步骤S4： 基 于K均值算法， 对退役电池进行分类； 步骤S5： 将 步骤S4中分得同类的电池， 通过串并联结合组装 成新的电池组， 投入到能源互。

3、联网中进行梯次利 用。 本方法能够极大地缩短了退役电池的RUL评 估时间， 降低了对个体电池的RUL进行精准评估 的成本。 权利要求书1页 说明书4页 附图1页 CN 111537889 A 2020.08.14 CN 111537889 A 1.一种数据驱动的梯次电池RUL预测与分类方法,其特征在于， 具体包括如下步骤： 步骤S1： 收集拟参与梯次利用电池的生产商数据及电池型号， 对于每一种型号， 取30个 出厂的新电池， 构成一组； 步骤S2： 对于不同生产商的不同型号的电池， 测试每一组电池的时序数据， 建立电池 RUL的衰减数据库； 步骤S3： 根据步骤S2中测试的时序数据， 建立数据。

4、驱动RUL预测模型， 预测退役电池的 RUL； 步骤S4： 基于K均值算法， 对退役电池进行分类； 步骤S5： 将步骤S4中分得同类的电池， 通过串并联结合组装成新的电池组， 投入到能源 互联网中进行梯次利用。 2.根据权利要求1所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S2中测试每一组电池的时序数据， 具体为： 选取电池充放电过程中的电压、 电流、 温度 作为特征量。 3.根据权利要求1所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S3具体包括： 步骤S31： 模型定义与参数估计， 利用步骤S2中时序数据， 建立状态退化模型， 基于极大。

5、 似然估计方法得到估计参数； 步骤S32： 测试退役电池的时序数据， 对所述退役电池的时序数据进行预处理， 输入到 步骤S31得到的状态退化模型中， 得到估计退役电池的RUL。 4.根据权利要求3所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S31中， 状态退化模型为自回归滑动平均模型， 模型中的噪声模型为有色噪声。 5.根据权利要求3所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S32中， 对所述退役电池的时序数据进行预处理， 具体包括： 对所述退役电池的时序数 据， 通过小波分析进行多尺度和多分辨率分析， 取低频数据部分， 输入到步骤S3。

6、1中的状态 退化模型中， 取高频数据部分用于构建模型中的噪声模型。 6.根据权利要求3所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S32中， 输入到步骤S31得到的状态退化模型中， 得到估计退役电池的RUL， 具体包括： 通 过对比退役电池的时序数据的衰减率与S2步骤中的时序数据的数据衰减率， 在误差阈值内 得到退役电池的RUL估计。 7.根据权利要求1所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 所述 步骤S4中， 基于K均值算法， 对退役电池进行分类， 具体包括： 基于K均值算法， 将电压等级相 同的， 且RUL相近的电池分到同一类。 8.根据权。

7、利要求1所述的数据驱动的梯次电池RUL预测与分类方法， 其特征在于， 在所 述步骤S5中， 对S4中所分的同类电池， 根据用户的用电设备电压等级的需要， 进行串并联的 组合封装。 权利要求书 1/1 页 2 CN 111537889 A 2 一种数据驱动的梯次电池RUL预测与分类方法 技术领域 0001 本发明涉及电池剩余使用寿命预测领域， 特别是指一种数据驱动的梯次电池RUL 预测与分类方法。 背景技术 0002 在退役电池梯次利用的应用背景下， 梯次电池RUL评估不仅要考虑RUL评估的准确 性， 更要同时兼顾评估的快速性， 以使得大量的退役电池能够更快速地投入到梯次利用的 场景中， 节约梯。

8、次利用的评估时间、 能耗和成本。 0003 现有技术对电池RUL的评估， 大多采用SOH作为剩余寿命衡量的指标， 然而现有的 SOH估计技术都存在一定的误差， 或者在工程上难以实现， 其缺点如下： 0004 定义法的缺点： 测试时间较长， 且是在理想测试条件下， 因此不能在线估计。 一 方面， 实际对电池使用的过程中， 不可能从满充使用到满放； 另一方面， 通过该方法计算SOH 的值， 传感器需要很高的精度。 0005 电阻折算法的缺点： 该方法先通过建立被测量与电池内阻之间的关系， 再建立 电池内阻和SOH之间的关系， 来估计电池的SOH。 该方法两次辨识的模型累计误差较大。 0006 容量。

9、衰减法的缺点： 获取电池的充放电数据需要很长的时间， 影响电池的正常 工作。 而且， 影响电池的实际容量有太多不确定的因素， 这些不确定因素会对电池模型的辨 识产生较大的偏差。 0007 其他电化学方法的缺点： 电化学模型非常复杂， 难以建立， 不确定和随机的干扰 往往无法用典型的统计规律描述， 造成误差。 0008 综上所述， 现有技术方案， 主要存在两大缺点： (1)均采用电池的SOH作为 RUL的衡 量指标， 且在测试上， 均基于传统的电池容量测试方法， 即恒流恒压测试法， 耗时较长， 由于 退役电池的异质性非常高， 梯次利用前， 又需要对这些电池进行测试， 客观上影响了退役电 池的投入。

10、使用的效率； (2)在基于SOH的指标框架下， 比较看重SOH估计的精度问题， 事实上， 由于电池的内部特性的复杂， 以及电池在运行过程中受到的随机因素的影响(比如外部的 温度， 用户用电时的过冲过放行为)， 对SOH进行精确估计的可行性较低； 此外， 预测SOH的精 度提高， 其设备的成本也将提高。 然而， 在梯次利用背景下， RUL估计的快速性和经济性也很 重要， 但现有方法没有考虑评估的快速性和经济性问题。 发明内容 0009 本发明的主要目的在于克服现有技术中的上述缺陷， 提出一种数据驱动的梯次电 池RUL预测与分类方法， 能够极大地缩短了退役电池的RUL评估时间， 降低了对个体电池的。

11、 RUL进行精准评估的成本。 0010 本发明采用如下技术方案： 0011 一种数据驱动的梯次电池RUL预测与分类方法,其特征在于， 具体包括如下步骤： 0012 步骤S1： 收集拟参与梯次利用电池的生产商数据及电池型号， 对于每一种型号， 取 说明书 1/4 页 3 CN 111537889 A 3 30个出厂的新电池， 构成一组； 0013 步骤S2： 对于不同生产商的不同型号的电池， 测试每一组电池的时序数据， 建立电 池RUL的衰减数据库； 0014 步骤S3： 根据步骤S2中测试的时序数据， 建立数据驱动RUL预测模型， 预测退役电 池的RUL； 0015 步骤S4： 基于K均值算法。

12、， 对退役电池进行分类； 0016 步骤S5： 将步骤S4中分得同类的电池， 通过串并联结合组装成新的电池组， 投入到 能源互联网中进行梯次利用。 0017 所述步骤S2中测试每一组电池的时序数据， 具体为： 选取电池充放电过程中的电 压、 电流、 温度作为特征量。 0018 所述步骤S3具体包括： 0019 步骤S31： 模型定义与参数估计， 利用步骤S2中时序数据， 建立状态退化模型， 基于 极大似然估计方法得到估计参数； 0020 步骤S32： 测试退役电池的时序数据， 对所述退役电池的时序数据进行预处理， 输 入到步骤S31得到的状态退化模型中， 得到估计退役电池的RUL。 0021 。

13、所述步骤S31中， 状态退化模型为自回归滑动平均模型， 模型中的噪声模型为有色 噪声。 0022 所述步骤S32中， 对所述退役电池的时序数据进行预处理， 具体包括： 对所述退役 电池的时序数据， 通过小波分析进行多尺度和多分辨率分析， 取低频数据部分， 输入到步骤 S31中的状态退化模型中， 取高频数据部分用于构建模型中的噪声模型。 0023 所述步骤S32中， 输入到步骤S31得到的状态退化模型中， 得到估计退役电池的 RUL， 具体包括： 通过对比退役电池的时序数据的衰减率与S2步骤中的时序数据的数据衰减 率， 在误差阈值内得到退役电池的RUL估计。 0024 所述步骤S4中， 基于K均。

14、值算法， 对退役电池进行分类， 具体包括： 基于 K均值算 法， 将电压等级相同的， 且RUL相近的电池分到同一类。 0025 所述步骤S5中， 对S4中所分的同类电池， 根据用户的用电设备电压等级的需要， 进 行串并联的组合封装。 。 0026 由上述对本发明的描述可知， 与现有技术相比， 本发明具有如下有益效果： 0027 (1)本发明缩短了退役电池的RUL评估时间， 一方面， 通过少量电池从全新到寿命 衰竭的运行数据， 建立数据库， 并设计ARMA和数据滤波结合的数据驱动模型， 用数据库中的 数据估计ARMA中的参数。 本发明提出的技术方案， 能够适应退役电池在线测试的不同长度 的时间序。

15、列数据； 为了提高模型的实用性， 本发明在建立ARMA与数据滤波相结合的数据驱 动模型， 通过数据滤波技术， 提取出噪声的分布规律， 进而修正模型， 形成循环， 在线保证模 型的精确性。 0028 (2)本发明并未追求对每一个个体电池的寿命做出精确的SOH评估， 而是采用同型 号的电池的一般统计规律， 对电池的RUL作评估， 由于梯次利用电池本身已是二次利用， 因 而更重要的是保证其运行的总体安全性， 而非对个体电池的SOH进行精准测量； 因此， 本发 明实际上降低了对个体电池的RUL进行精准评估的成本。 0029 (3)本发明对退役电池提出了科学有效的分类方法， 通过把电压等级相同、 RUL。

16、相 说明书 2/4 页 4 CN 111537889 A 4 近的电池分到同一类， 在对同一类的退役电池进行串并联组合、 封装使用， 一方面， 通过电 压等级相同的电池的串并联， 保证电池组运行的安全性和可靠性； 二方面， 使得退役电池能 够最大程度地挖掘退役电池的RUL， 避免因为电池组内部电池的不一致， 导致需要多次的拆 装。 附图说明 0030 图1为基于时间序列及数据滤波的RUL预测流程示意图。 具体实施方式 0031 以下通过具体实施方式对本发明作进一步的描述。 0032 一种数据驱动的梯次电池RUL预测与分类方法， 主要步骤如下： 0033 步骤S1： 收集拟参与梯次利用电池的生产。

17、商数据及电池型号， 对于每一种型号， 取 30个出厂的新电池， 构成一组； 0034 步骤S2： 针对每一组电池， 建立电池RUL衰减的数据库， 其数据包含不同生产商的 不同型号的电池， 每一组30个电池的时序数据， 其中数据由电池测试仪测试得到。 将出厂的 新电池进行反复充放电， 直到电池的SOH下降到40。 在整个测试过程中， 记录电池的累计 使用时间。 因此， 每个序列具有4个特征， 序列长度各不相同。 以同型号的一组电池为例， 具 体表示如下： 0035 每一个电池的时间序列数据， 定义为： 0036 0037 其中Ut、 It、 Tt分别表示电池在初始t时刻的电压、 电流、 温度， 。

18、它们分别为3个特征 数据， Ni为第i个时间序列数据的长度， rt表示电池的RUL。 注意到， Ni取不同的数值， 意味着 ARMA模型的参数取决于数据集中采集到的时间序列长度。 但需要保证NiNmin20。 0038 步骤S3： 对步骤2中采集的数据， 建立数据驱动RUL预测模型， 其具体步骤如图1所 示： 0039 步骤S3.1： 模型定义与参数估计。 0040 建立状态退化模型， 状态退化模型为时间序列的数学模型描述， 其中模型可选用 自回归滑动平均模型(Autoregressive moving average model,ARMA)表述为： 0041 yt 1yt-1+ 2yt-2+。

19、 t-Pyt-P+ (t) 0042 其中 (t)是噪声序列， 1, 2, t-p为模型的参数， 用极大似然估计的方法获得， 通过 构造极大似然函数LL( )并求解得到。 0043 注意到， 在该模型的输出中， yt为数据集中的一个数据向量， 即 0044 rt Ut It TtT 说明书 3/4 页 5 CN 111537889 A 5 0045 噪声 (t)在本技术方案中并不假定为理想高斯白噪声， 符合工程实际。 0046 步骤S3.2： 退役电池测试环节。 0047 将退役电池投入到测试仪器中， 测试电池的时间序列数据。 该步骤又细分为如下 两步： 0048 步骤S3.2.1： 数据滤波。

20、， 对原始的量测数据， 通过小波分析， 提取出多尺度下和多 分辨率下的时间序列数据， 取滤除的低频数据部分， 输入到步骤S3.1中通过极大似然法得 到的ARMA模型中， 用于构建噪声 (t)的数字特征； 0049步骤S3.2.2： 将量测数据， 包括Ut It Tt输入到ARMA模型中， 由于在初始阶段， 不可精确得知， 因此需要反复迭代修正一直到时间序列的变化率与步骤S2中采集到的 数据的平均变化率接近， 得到估计的RUL， 即 0050 步骤S4： 基于K均值算法， 对退役电池进行分类。 将r和电池的充放电额定电压U*作 为分类依据。 将电池分为K类， 其中K为待投入使用的退役电池的电压等级数。 通过K均值聚 类算法， 可得到K个中心点 0051 r(r1,2,K) 0052 满足损失函数： 0053 0054 0055 步骤S5： 将步骤S4中分得同类的电池， 通过串并联结合组装成新的电池组， 投入到 能源互联网中进行梯次利用。 0056 上述仅为本发明的具体实施方式， 但本发明的设计构思并不局限于此， 凡利用此 构思对本发明进行非实质性的改动， 均应属于侵犯本发明保护范围的行为。 说明书 4/4 页 6 CN 111537889 A 6 图1 说明书附图 1/1 页 7 CN 111537889 A 7 。