基于DS数据融合与SVR-PF的锂离子电池RUL预测方法
2015-04-21王常虹董汉成凌明祥李清华
王常虹,董汉成,凌明祥,李清华
基于DS数据融合与SVR-PF的锂离子电池RUL预测方法
王常虹,董汉成,凌明祥,李清华
(哈尔滨工业大学 空间控制与惯性技术研究中心,黑龙江 哈尔滨 150001 )
为防止锂离子电池失效导致的系统失效,提出一种基于DS数据融合与支持向量回归机粒子滤波(Support Vector Regression-Particle Filter,SVR-PF)的锂离子电池剩余有效工作时间(Remaining Useful Life,RUL)预测方法.结果表明:该预测方法能够融合不同数据源对锂离子电池RUL的预测结果,改进可用数据较少时RUL的预测准确度.
锂离子电池; RUL; DS数据融合; SVR-PF
0 引言
锂离子电池被广泛应用于各种电子设备,为设备的正常运行提供必要的能源[1-2].电池的剩余有效工作时间(Remaining Useful Life,RUL)定义为在一个特定的运行条件下,电池从当前运行状态衰退至无法正常工作状态所需要的RUL,为电池视情维护(Condition Based Maintenance,CBM)的重要指标[3].因此,寻找一个可靠且准确的途径预测锂离子电池的RUL,可以提供锂离子电池系统维护或更换的相关信息[4-5].
数据驱动算法(Data-driven Algorithm)可以利用实测电池数据建立电池的回归模型,用于锂离子电池RUL预测[6].Juan Carlos Alvarez Anton等[7]应用支持向量回归机(Support Vector Regression,SVR),分析锂离子电池荷电状态与电池电压、电流、温度的关系,建立估计电池使用状态的数据驱动模型,分析电池的健康状态(State-of-Health,SoH),预测电池的RUL.Weng Caihao[8]与Adnan Nuhic[9]等利用支持向量回归机,建立电池的健康状态(State of Health,SoH)模型,即电池容量与充放电周期、电池开路电压的关系,预测电池性能衰退与RUL.递归滤波算法(Recursive Filter Algorithm)基于电池状态空间模型,可以利用实测电池数据分析、估计与预测电池的故障,用于锂离子电池RUL预测[10].Dare Andre等[11]建立含有无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)与卡尔曼滤波器的双滤波器估计模型,利用锂离子电池的电压、电流与充放电周期数估计电池的剩余容量与荷电状态,预测锂离子电池的RUL.He Wei[12]与Miao Qiang[13]等将卫星锂离子电池的容量作为分析参数,对容量随时间衰退的特性进行数据挖掘,建立衰退趋势方程,以估计容量随时间的衰退趋势,估计锂离子电池的当前工作状态,预测锂离子电池的RUL.Bhaskar Saha等[14]应用向量机平滑后得到的阻抗数据与容量数据,分析卫星锂离子电池性能随时间衰退的趋势,预测锂离子电池的RUL.
锂离子电池的RUL预测需要分析可用数据,以估计电池的当前状态,预测电池性能的衰退趋势,在可用数据量很少时,锂离子电池RUL的预测准确度降低,现有文献未提出有效解决方法.笔者采用基于阻抗的锂离子电池RUL预测方法[15]、基于容量的锂离子电池RUL预测方法[16],以及提出的基于DS数据融合理论(Dempster-Shafer Theory)与支持向量回归机粒子滤波(Support Vector Regression-Particle Filter,SVR-PF[15])的预测方法,融合不同数据源对锂离子电池RUL分析结果,比较3种方法的预测性能,以在可用数据较少时得到准确的预测结果.
1 DS数据融合
1.1 理论
DS数据融合理论(Dempster-Shafer Theory)[17]利用基本概率赋值 (Basic Probability Assignment,BPA) 函数对来自不同源的数据进行融合,对辨识框架(Frame of Discernment)中所有可能发生的命题进行可信度(Belief)分析,利用融合规则结合所有命题发生的可信度,从而达到数据融合的目的.
设m1与m2为在辨识框架中两个BPA函数,m1,2为融合后的BPA函数,则DS数据融合可以表示为
m1,2(Ø)=0,
(1)
(2)
其中
(3)
DS数据融合理论结合对同一问题不同源的相同观点,同时剔除所有的冲突观点,可以得到更加可靠的融合后验BPA函数.
1.2 应用
基于DS数据融合的锂离子电池RUL预测具有两个数据源:(1)利用阻抗数据的RUL预测;(2)利用容量数据的RUL预测.笔者提出的基于DS数据融合与SVR-PF的锂离子电池RUL预测融合两种方法得到的预测结果,最终得到融合预测结果.
将全集即辨识框架Ω记为
Ω={im,cap},
(4)
则幂集2Ω为
2Ω={Ø,{im},{cap},{im∪cap}},
其中幂集2Ω中所有命题的含义为
(1){im}代表利用阻抗数据预测得到的RUL可信度;
(2){cap}代表利用容量数据预测得到的RUL可信度;
(3){im∪cap}代表利用阻抗或容量数据预测得到的RUL可信度.
同时,定义在幂集2Ω上的BPA函数m1与m2代表的含义为
(1)m1为利用阻抗数据对RUL进行预测时对幂集2Ω中命题的可信度分配;
(2)m2为利用容量数据对RUL进行预测时对幂集2Ω中命题的可信度分配.
基于DS数据融合的BPA函数结合方式见表 1,其中x=m1(im∪cap)m2(im∪cap).
表1 基于DS数据融合的BPA函数结合方式Table 1 The combination of BPA function based on DS theory
基于表 1,可以得到数据融合后的后验BPA函数m为
(6)
(7)
其中
a=m1(im)m2(im)+m1(im∪cap)m2(im)+m1(im)m2(im∪cap),
(8)
b=m1(cap)m2(cap)+m1(im∪cap)m2(cap)+m1(cap)m2(im∪cap),
(9)
(10)
由此得到DS数据融合在锂离子电池RUL预测中方法,利用后验融合BPA函数式与将两类方法的预测结果结合,以得到更加准确的预测结果.
2 实测锂离子电池阻抗与容量数据
所用锂离子电池阻抗与容量数据在美国爱达荷国家实验室(IdahoNationalLaboratory)测得[18].实验用锂离子电池型号为Gen2 18650-size,实验在室温(24 ℃)与43 ℃温度条件下恒温进行,分为3个循环的测试阶段:(1)充电:1.5A恒流充电至电压4.2V,随后恒压充电至电流20mA;(2)放电:2.0A电流恒压放电至电压2.5V;(3)阻抗:进行0.1~5.0kHz扫频,得到电化学阻抗谱,进而得到电池阻抗.
共用4块电池.电池5、6与7的实测数据见图1,在室温(24 ℃)条件下恒温测得;电池32的实测数据见图2,在43 ℃温度条件下恒温测得.由图1-2可以看出,锂离子电池容量随着充放电周期的增加而减少,阻抗随着充放电周期的增加而增加.利用测得的电池数据验证文中提出的锂离子电池RUL预测方法的性能.
图1 电池5、6、7容量与阻抗数据Fig.1 Capacity and impedance data of battery 5,6 and 7
图2 电池32容量与阻抗数据Fig.2 Capacity and impedance data of battery 32
持续的充放电过程加速电池的性能衰退,同时阻抗测试提供电池内部参数的变化方式.当电池达到寿命终点时实验停止,将电池达到寿命终点(EndofLife,EOL)时容量占标称容量的百分比称为EOL门限.由于各个电池停止实验时的容量值不同,因此EOL门限也不同,电池5、6、7、32的EOL门限分别为70%、65%、75%、95%.
3 基于DS数据融合与SVR-PF的锂离子电池RUL预测方法
3.1 预测过程
3.1.1 初始状态
(1)首先分析BPA函数m1,i(im)的初值,由中心极限定理可知,大量的阻抗数据测量误差服从正态分布,即
(11)
(12)
由文献[15]可知:
(13)
因此容量估计Cim,N服从正态分布,即
(14)
其中
μCim,N=αN(μRe,N+μRct,N)+βN=CN,
(15)
(16)
由此得到BPA函数m1,i(im)的初值m1,N+1(im)为
(17)
(2)然后计算BPA函数m2,i(cap),同样由中心极限定理可知,大量的容量数据测量误差服从正态分布,即
(18)
μCcap,N=CN,
(19)
则BPA函数m2,i(cap)的初值m2,N+1(cap)为
(20)
在得到BPA函数m1,N+1(im)与m2,N+1(cap)值后,对其他的BPA函数值进行分析.由于两类预测方法没有关联,可得
m1,N+1(cap)=m2,N+1(im)=0.
(21)
根据BPA函数的性质可得
m1,N+1(im∪cap)=1-m1,N+1(im)-m1,N+1(cap)=1-m1,N+1(im),
(22)
m2,N+1(im∪cap)=1-m2,N+1(im)-m2,N+1(cap)=1-m2,N+1(cap).
(23)
(3)在确定所有的BPA函数值后,计算后验融合BPA函数值,将融合后的BPA函数表示为m,由式(6)与式(7)可知:
(24)
其中
(25)
其中
m1,N+1(im)m2,N+1(cap)=m1,N+1(im)m2,N+1(cap).
(26)
(27)
由此得到基于DS数据融合与SVR-PF锂离子电池RUL预测的初始状态,即
Initial=[m1,N+1(im),m1,N+1(cap),m1,N+1(im∪cap),m2,N+1(im),m2,N+1(cap),
(28)
3.1.2 预测过程
(29)
(30)
由于两类预测模型没有关联,可知
m1,k+1(cap)=m2,k+1(im)=0.
(31)
基于BPA函数性质,有
m1,k+1(im∪cap)=1-m1,k+1(im),
(32)
m2,k+1(im∪cap)=1-m2,k+1(cap).
(33)
步骤2:预测第k+1个充放电周期的容量值.由式(6-7)、式(29-33)可知,后验融合BPA函数mk+1(im)与mk+1(cap)为
(34)
(35)
(36)
(37)
3.2 预测模型
建立基于DS数据融合与SVR-PF的锂离子电池RUL预测模型:
(38)
其中状态Xk为
(39)
式中:Xim,k为利用阻抗数据分析得到的状态;Xcap,k为利用容量数据分析得到的状态;XDS,k为利用DS数据融合分析得到的状态,并且有
(40)
(41)
(42)
式(40-42)中:λR,k为第k个充放电周期辨识出的阻抗衰退参数[15];R1,k、λR1,k、R2,k和λR2,k为在第k个充放电周期的基于容量数据分析得到的容量衰退参数[16];*为对应变量的预测值.
由此,结合文献[15-16]RUL预测模型,可得预测模型式(38)的状态方程,其中利用阻抗数据分析的部分状态方程为
(43)
式中:αN、βN为第N个充放电周期的基于阻抗数据分析得到的容量衰退参数估计值.
利用容量数据分析的部分状态方程:
(44)
利用DS数据融合的部分状态方程:
(45)
组合式(43-45)得到预测模型式(38)的状态方程,式(38)的测量方程表示为
(46)
图3 基于DS数据融合与SVR-PF的锂离子电池RUL预测方法流程Fig.3 Process of Lithium-ion battery RUL prediction based on DS theory and SVR-PF
综上所述,基于DS数据融合与SVR-PF的锂离子电池RUL预测方法流程见图3.
4 仿真实例
为了对比提出的基于DS数据融合与SVR-PF的锂离子电池RUL预测方法,与文献[15]利用阻抗的RUL预测方法和文献[16]利用容量的RUL预测方法在可用数据较少时的RUL预测性能,应用电池5、6、7、32的数据.将电池5、6、7、32的RUL预测门限分别设为90%、85%、95%、95%标称容量.RUL预测门限值定义为低于电池最大容量(100%)的百分比,其对应容量高于电池EOL门限对应容量.高RUL预测门限使得算法用于分析电池健康状态的数据变少,使用条件变得苛刻,以检验算法在可用数据较少时的性能.
电池RUL与EOL的预测结果见表2.电池RUL与EOL的误差预测结果见表3.3种方法的电池5、6、7、32的数据预测结果见图4-7.
由表2-3和图4-7可知,文中提出的基于DS数据融合与SVR-PF的RUL预测方法比文献[15]与文献[16]方法的预测结果更准确,具有更小的预测误差.原因是提出的基于DS数据融合与SVR-PF的RUL预测方法可以融合另外2种方法的预测结果,相对于单一方法的预测结果更加可靠.
表2 3种方法电池的RUL与EOL预测结果 充放电周期Table 2 RUL and EOL prediction results of the 3 methods %
表3 3种方法电池的RUL与EOL预测误差结果 充放电周期Table 3 RUL and EOL prediction errors of the 3 methods %
图4 电池5的3种方法预测数据Fig.4 Battery 5 prediction results of the 3 methods
图5 电池6的3种方法预测数据Fig.5 Battery 6 prediction results of the 3 methods
图6 电池7的3种方法预测数据Fig.6 Battery 7 prediction results of the 3 methods
图7 电池32的3种方法预测数据Fig.7 Battery 7 prediction results of the 3 methods
5 结束语
提出一种基于DS数据融合与SVR-PF的锂离子电池RUL预测方法,它有效结合利用阻抗数据与利用容量数据的RUL预测方法,使得RUL预测过程更加可靠.在可用数据较少时,与利用阻抗和利用容量的RUL方法相比锂离子电池RUL预测结果更加准确.
[1] Lu Languang, Han Xuebing, Li Jianqiu, et al.A review on the key issues for lithium-ion battery management in electric vehicles [J].Journal of Power Sources, 2013,226(1):272-288.
[2] Xing Yinjiao, Eden W M, Tsui K L, et al.Battery management systems in electric and hybrid vehicles [J].Energies, 2011,4(12):1840-1857.
[3] Si Xiaosheng, Wang Wenbin, Hu Changhua, et al.Remaining useful life estimation-a review on the statistical data driven approaches [J].European Journal of Operational Research, 2011,213(1):1-14.
[4] Wang Dong, Miao Qiang, Michael P.Prognostics of lithium-ion batteries based on relevance vectors and a conditional three-parameter capacity degradation model [J].Journal of Power Sources, 2013,239(1):253-264.
[5] Eddahech A, Briat O, Woirgard E, et al.Remaining useful life prediction of lithium batteries in calendar ageing for automotive applications [J].Microelectronics Reliability, 2012,52(1):2438-2442.
[6] Seyed Mohammad Rezvanizaniani, Liu Zongchang, Chen Yan, et al.Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (Ev) safety and mobility [J].Journal of Power Sources, 2014,256(1):110-124.
[7] Juan Carlos Alvarez Anton, Paulino Jose Garca Nieto, Cecilio Blanco Viejo, et al.Support vector machines used to estimate the battery state of charge [J].IEEE Transactions on Power Electronics, 2013,28(12):5919-5926.
[8] Weng Caihao, Sun Jing, Peng Huei.A unified open-circuit-voltage model of Lithium-Ion Batteries for State-of-Charge estimation and State-of-Health monitoring [J].Journal of Power Sources, 2014,258(1):228-237.
[9] Adnan Nuhic, Tarik Terzimehic, Thomas Soczka-Guth, et al.Health diagnosis and remaining useful Life prognostics of lithium-ion batteries using data-driven methods [J].Journal of Power Sources, 2013,239(1):680-688.
[10] Gregory L P.Extended Kalman filtering for battery management systems of lipb-based hev battery packs [J].Journal of Power Sources, 2004,134(2):252-292.
[11] Dave Andre, Christian Appel, Thomas Soczka-Guth, et al.Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries [J].Journal of Power Sources, 2013,224(1):20-27.
[12] He Wei, Nicholas Williard, Michael Osterman, et al.Prognostics of lithium-ion batteries based on Dempster-Shafer theory and the bayesian Monte Carlo method [J].Journal of Power Sources, 2011,196(1):10314-10321.
[13] Miao Qiang, Xie Lei, Cui Hengjuan, et al.Remaining useful life prediction of lithium-ion battery with unscented particle filter technique [J].Microelectronics Reliability, 2013,53(1):805-810.
[14] Bhaskar Saha, Kai Goebel, Scott Poll, et al.Prognostics methods for battery health monitoring using a bayesian framework [J].IEEE Transactions on Instrumentation and Measurement, 2009,58(2):291-296.
[15] Dong Hancheng, Jin Xiaoning, Lou Yangbing, et al.Lithium-ion battery state of health monitoring and remaining useful life prediction based on support vector Regression-Particle filter [J].Journal of Power Sources, 2014,2014(1):114-123.
[16] 王常虹,董汉成,凌明祥,等.车用锂离子电池剩余有效工作时间预测方法[J].汽车工程,2015,37(4):476-479.Wang Changhong, Dong Hancheng, Ling Mingxiang, et al.Remaining useful life prediction of automotive lithium-ion battery [J].Automotive Engineering, 2015,37(4):476-479.
[17] Priyanka Aggarwal, Deepak Bhatt, Vijay Devabhaktuni.Dempster shafer neural network algorithm for land vehicle navigation application [J].Information Sciences, 2013,253:26-33.
[18] Kai Goebel Bhaskar Saha, Jon Christophersen.Comparison of prognostic algorithms for estimating remaining useful life of batteries [J].Transactions of the Institute of Measurement and Control, 2009,31(3):293-308.
2015-04-27;编辑:任志平
国家自然科学基金项目(61375046);中央高校基本科研业务费专项基金项目(HIT.NSRIF 2014031)
王常虹(1961-),男,博士,教授,主要从事智能控制与智能系统方面的研究.
TM912
A
2095-4107(2015)04-0109-10
DOI 10.3969/j.issn.2095-4107.2015.04.014