[发明专利]一种基于WOUKF算法的锂离子电池剩余寿命预测方法

权利要求书

1.一种基于WOUKF算法的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1：获得电池数据集并对该电池数据集进行电池容量数据提取，以电池容量作为锂电池寿命预测指标，并根据锂电池的循环周期选择预测起始点T，并利用预测起始点之前的电池容量数据在基于傅里叶形式的锂离子电池退化模型上进行拟合并确定模型初始参数，建立状态空间模型；

步骤2：利用WOUKF算法对已知历史数据进行状态追踪，直至得到第T时刻的状态变量，获取在预测起始点之前的每个时刻的电池容量预测值与电池容量实测值之间的残差数据；

步骤3：将步骤2得到的残差数据和电池容量实测值作为训练集训练LSTM模型，获得未来时刻的残差数据预测值以及电池容量预测量测值；

步骤4：基于WOUKF算法和残差数据预测值来更新状态向量，结合傅里叶模型预测出未来时刻的电池容量，重复步骤3直到预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。

2.如权利要求1所述的基于WOUKF算法的锂离子电池剩余寿命预测方法，其特征在于：

其中，步骤1中的所述基于傅里叶形式的锂离子电池退化模型的定义如下：

y＝a+b*cos(d*k)+c*sin(d*k) (1)

式(1)中，y表示电池容量；k表示循环次数；a,b,c,d表示模型初始参数；*表示乘法运算；sin表示正弦函数；cos表述余弦函数；

依据式(1)建立相应的状态空间模型为：

式(2)中，x_k表示k时刻的状态向量；x_k+1表示k+1时刻的状态向量；ω_k表示协方差大小为Q_k的过程噪声；a_k,b_k,c_k,d_k表示k时刻的状态方程参数；y_k表示k时刻的电池容量；υ_k表示协方差大小为R_k的观测噪声。

3.如权利要求1所述的基于WOUKF算法的锂离子电池剩余寿命预测方法，其特征在于：

其中，步骤2中所述WOUKF算法包括如下步骤：

步骤2-1，在k时刻用采样策略选取了N＝2n+1个sigma点集计算此N个sigma点对应的权值和协方差权值

步骤2-2，对步骤2-1的每个sigma点，用采样策略继续选取N＝2n+1个sigma点潜在的sigma点为N*N＝(2n+1)²个，计算此N*N个sigma点对应的权值为和协方差权值

步骤2-3，对均值权重进行更新：

式(16)中，表示k时刻第i个采样点的权值；表示k+1时刻观测值的后验概率密度函数；表示k+1时刻状态向量的后延概率密度函数；表示归一化常数；e表示对数函数；表示k+1时刻状态向量方程；σ表示比例参数，以调整采样点权重之间的距离；

步骤2-4，归一化权值：

步骤2-5，更新k+1时刻的状态估计值及协方差：

式(18)(19)中，表示k+1时刻的状态估计；表示k+1时刻状态向量的加权平均值；表示k时刻第i个采样点的权值；表示k时刻第i个采样点的协方差；表示k+1时刻协方差加权平均值；Q表示过程噪声协方差；

步骤2-6，状态更新以及协方差更新：

取采样点实测值，加权计算平均值：

式(20)至(24)中，表示采样点观测值；表示观测方程；表示k时刻第i个采样点的权值；表示k+1时刻采样点观测加权平均值；P_zz表示观测协方差加权平均值；表示k时刻第i个采样点的协方差；R表示大小为R的协方差矩阵；P_xz表示交叉协方差加权平均值；表示k+1时刻第i个采样点的状态估计加权平均值；表示k+1时刻第i个采样点的状态估计值；K_k+1表示k+1时刻的卡尔曼增益；

获取残差：

式(25)中，z_k+1表示k+1时刻的实际值；表示k+1时刻的观测值；e_k+1表示k+1时刻的残差值；

更新k+1的状态和协方差：

式(26)(27)中，表示k+1时刻的最优状态估计；表示k+1时刻后验状态向量；K_k+1表示k+1时刻的卡尔曼增益；表示k+1时刻的卡尔曼增益的转置；表示k+1时刻的最优过程协方差；表示k+1时刻的后验过程协方差；P_zz表示观测协方差。