[发明专利]一种基于WSA-LSTM算法的新能源汽车动力电池剩余使用寿命自适应预测方法

说明书

本发明涉及一种基于WSA‑LSTM算法的新能源汽车动力电池剩余使用寿命自适应预测方法，通过构建健康特征全集，实现了充放电过程动力电池退化特征全面分析；结合Pearson和Spearman相关系数计算以及熵权法，提取对影响较大的主要特征，剔除无关影响因素，实现了对输入监测数据的简化处理来；采用基于鲸鱼群算法(Whale Swarm Algorithm，WSA)与长短时神经网络(Long Short‑Term Memory，LSTM)结合对输入特征数据进行训练，实现动力电池剩余使用寿命快速精确预测。基于新能源汽车充放电真实数据，验证了该方法具有良好的鲁棒性，能够实现各类型锂离子电池的动态精确预测，为充电装置监测并提升新能源汽车安全性能提供重要技术支撑。

技术领域

本发明涉及一种电池剩余使用寿命预测方法，更进一步涉及基于人工智能的电池剩余使用寿命预测方法，特别涉及一种基于WSA-LSTM的新能源汽车动力电池剩余使用寿命自适应预测方法。

背景技术

近年来，随着智能网联汽车产业迅猛发展，新能源汽车安全性能得到学界与产业界高度重视，尤其在新能源汽车与智能电网通过直流充电桩进行能量双向互动、信息数据共享过程中，新能源汽车充放电控制领域相关关键技术亟须突破。当前新能源汽车均装载动力电池管理系统(Battery Management System，BMS)，可实时评估电池状态与风险预警，提出维修养护建议，并进行充放电优化控制，提高动力电池安全性。然而随着直流充电桩发展，对充电装置的安全分析、处理、控制能力提出了更为严格的要求，其同样需要具备为新能源汽车用户提供安全服务的能力，首要核心在于实时掌握并精确分析新能源动力电池安全状态，其中剩余使用寿命Remaining Useful Life，RUL)定义为电池从当前状态衰减至寿命终止(End of Life，EOL)所需的循环次数，是反映动力电池健康状态，实现动力电池安全性能分析与充电优化控制的关键性指标。在连续充放电的情况下，由于容量衰减和内阻增大，电池剩余使用寿命会呈现一定规律性降低。因此，精确预测各类型动力电池剩余使用寿命，对提升新能源汽车安全管控水平、推动直流充电桩智能化发展建设具有重要意义。

相较于铅酸电池、镍镉蓄电池、镍氢蓄电池，锂离子电池具有电池电压高、电池能量强、功率密度高、循环使用次数多和污染程度低的各方面性能优势，被广泛应用于新能源汽车，且成为今后动力电池发展的主流。在锂电池充放电过程中，其内部发生复杂的化学反应与物理变化，内阻、温度、充放电率和放电深度等均可成为影响电池剩余使用寿命的内外因素。当前锂离子电池评估主要分为模型法与数据驱动法，模型法根据建模原理的差异性又可分为等效电路模型和电化学模型，然而模型法需要建立能够精确描述电池退化行为的数学模型或经验模型，往往建模与计算复杂，难以实现电池长期预测，同时以固定参数的模型不适用于各型号的锂电池剩余寿命准确预测。

数据驱动法往往依托于先进的人工智能算法，通过分析历史监测数据即可预测锂离子电池的退化趋势，具有高度灵活性与易操作性，成为动力电池RUL预测的主流。例如：基于深度学习的RUL预测方法首先采用自动编码器提取美国国家航天航空局(NationalAeronautics and Space Administration，NASA)锂离子电池数据集中的电池退化特征并进行融合处理，选择融合特征作为输入、电池容量作为输出，训练深度神经网络用于多电池RUL预测。基于差分电压和Elman神经网络的锂离子电池RUL预测方法充分利用锂离子电池差分电压曲线、充电曲线、放电曲线，提取电池间接健康特征(Indirect HealthFactor，IHF)，采用Elman神经网络进行训练。然而现有基于人工智能方法的RUL预测方法大多基于特定电池型号，若改变电池型号则健康特征相对权重改变，预测精度难以达到理想水平。同时神经网络存在学习速度慢，耗时长，由于直流充电桩的计算资源有限，现有算法不适用于实际充电场景下RUF快速精确预测，难以支持新能源汽车安全充电控制。因此，有必要研究一种适用于各型号锂电池且具有较快速度的新能源汽车动力电池RUF预测方法，实现动力电池实时安全分析。

发明内容