[发明专利]一种基于模型学习的新能源车载电池剩余寿命估计方法

说明书

本发明涉及一种基于模型学习的新能源车载电池剩余寿命估计方法，具体包括：选择并确定反映车载电池剩余使用寿命的容量变量并收集电池容量的周期变化数据；对容量数据进行必要处理以满足高斯过程回归算法要求的输入‑输出的学习关系；利用高斯过程回归算法学习处理好的数据并通过共轭梯度算法来求解超参数；把均方根无迹卡尔曼滤波算法应用到学习好的模型中，通过该算法的时间更新和测量更新阶段来提高对容量的估计准确度。本发明不仅避免了对车载电池内部复杂的机理分析问题，而且还通过算法数值稳定性的提升并根据实时的容量测量数据来提高对车载电池剩余使用寿命的实时的估计精度。

技术领域

本发明涉及车载电池剩余寿命的估计领域，尤其涉及一种模型学习的新能源车载电池剩余寿命估计方法。

背景技术

国内新能源汽车与传统汽车的核心不同之处在于其是依赖于储能电池的动力系统，随着新能源汽车在国内的推广普及，新能源汽车在应用中也存在一部分问题，比如车载电池容易受到温度高低、电压电流大小、充放电次数等的影响而使得电池的使用寿命降低，这除了需要从材料研发，产品创新等物理化学机制角度解决外，还需要人们从功能辅助性角度提高对车载电池健康状况的预测能力，比如车载储能电池的剩余使用寿命的预测问题，因此能否提高车载电池的剩余使用寿命的预测精度将直接关乎新能源车本身的性能指标，关乎新能源汽车在国内外市场上占有率以及国家制造强国的国际地位。

以往人们对于车载电池剩余使用寿命的预测依赖于建立车载电池的物理模型，比如直接对车载电池的内阻耗损进行测试，对车载电池的容量进行测试，电化学机理等以期望获得能够反映其剩余寿命变化的具体数学模型，但是这样往往存在较大的误差，即便克服了模型建立过程中尤其是测试这些数据的过程中存在的困难，也较难建立一个贴近真实剩余使用寿命的模型。基于高斯过程回归的学习算法就能较好的解决建立的模型的复杂性以及存在较大误差的问题，此算法在于学习能反映车载电池剩余使用寿命的数据来达到模型建立的目的，以回避复杂的内部机理分析或者数据拟合的问题，并且高斯过程回归算法具有很大的灵活性，其可以把模型的输出值看作为潜在函数模型的分布，并能给出估计的不确定性程度，再通过均方根形式的无迹卡尔曼滤波算法来进行时间更新和测量更新阶段达到较为准确的跟踪实际车载电池剩余使用寿命变化的动态过程效果，这种通过学习方式的算法相较于仅仅依靠机理分析的模型可以进一步提高车载电池的剩余使用寿命的预测精度。

对于较为复杂的的模型而言，为了能够避免由于缺少先验知识带来的模型建立困难问题，我们通常会选择机器学习的方法来学习这个模型，这也是给我们提供了一种解决问题的可借鉴的思路，而且高斯过程回归算法本身的这种灵活性使得其不受具体输入分布函数的影响，并且给出了输出预测值以及预测值的不确定性程度，但是在学习模型之后对高斯过程回归算法本身的参数求解问题，是一个非二次函数非凸型的求解问题，通常这个解并不是全局最优解，是一个非闭合解的局部最优解，但是在实际应用中也是合适的。

发明内容

本发明的目的在于不直接对车载电池使用寿命通过机理分析建立模型的情况下，通过学习能反映电池剩余使用寿命的数据的方式来达到提高车载电池剩余使用寿命预测准确度的目的。

为实现上述目的，本发明的技术方案包括如下步骤：

S1、选择能反映车载电池剩余使用寿命的容量参数，收集车载电池容量随充放电周期变化的数据；S2、处理数据使之能够满足高斯过程回归算法的输入输出关系；S3、利用高斯过程回归算法学习处理后的容量数据得到学习模型；S4把均方根无极卡尔曼滤波算法应用到S3中的模型中，通过该算法中的时间更新和测量更新两个阶段来估计车载电池实时的容量变化。

其中第一步的容量数据是为了用高斯过程回归算法训练出电池容量随着充放电次数的增多变化的曲线模型，此步说的是把训练出来的模型应用到电池中去来估计电池随着充放电次数而发生的容量变化。

所述步骤S3设定高斯过程回归的核函数为径向基函数，同时为了保证状态量各部分的独立性，对于各部分的状态量的径向基函数和对应的超参数设置成如下的形式：