本發(fā)明涉及屬于電池壽命預(yù)測(cè)，具體是一種電池剩余壽命預(yù)測(cè)方法。

背景技術(shù)：

1、由于全球能源危機(jī)和環(huán)境污染，電動(dòng)汽車(chē)（ev）成為汽車(chē)行業(yè)的主要趨勢(shì)。鋰離子電池因其功率密度高、循環(huán)壽命長(zhǎng)等優(yōu)點(diǎn)在電動(dòng)汽車(chē)中得到廣泛應(yīng)用。作為電動(dòng)汽車(chē)必不可少的組成部分，有必要通過(guò)電池管理系統(tǒng)（bms）合理監(jiān)控電池的狀態(tài)。因此，實(shí)現(xiàn)剩余使用壽命（rul）的準(zhǔn)確預(yù)測(cè)，并在即將發(fā)生的故障事件之前及時(shí)維護(hù)電池是至關(guān)重要的。鋰電池剩余使用壽命預(yù)測(cè)方法分為基于模型的、數(shù)據(jù)驅(qū)動(dòng)的和混合的三類。

2、基于模型的方法通常與自適應(yīng)濾波技術(shù)相結(jié)合，如卡爾曼濾波，粒子濾波（pf）等，這些方法應(yīng)用靈活，能夠處理過(guò)程的不確定性。pf方法作為一種隨機(jī)統(tǒng)計(jì)濾波算法，在rul預(yù)測(cè)領(lǐng)域得到了廣泛的應(yīng)用。然而，標(biāo)準(zhǔn)pf方法不可避免地會(huì)出現(xiàn)粒子擴(kuò)散問(wèn)題，這會(huì)導(dǎo)致大多數(shù)粒子的權(quán)重在幾次迭代后變得可擴(kuò)散。這對(duì)剩余使用壽命預(yù)測(cè)的準(zhǔn)確性和魯棒性帶來(lái)了負(fù)面影響。一種可行的辦法是將智能優(yōu)化算法嵌入到標(biāo)準(zhǔn)pf框架中，以優(yōu)化粒子分布。pso，cs，woa，ga這些優(yōu)化算法，只能在每次迭代后獲得最優(yōu)解，alo算法卻能夠做到確保每次迭代后所有蟻獅的位置都在最優(yōu)的n個(gè)位置，因此本發(fā)明選擇在pf框架中嵌入alo算法以期改善粒子退化的問(wèn)題。然而alo算法仍存在一定的局限性，如易陷入局部最優(yōu)、后期收斂速度慢、易出現(xiàn)早熟收斂等。因此，本發(fā)明旨在解決鋰電池剩余使用壽命預(yù)測(cè)過(guò)程中pf存在的粒子退化問(wèn)題，對(duì)傳統(tǒng)的alo算法進(jìn)行了優(yōu)化，通過(guò)ialo改進(jìn)的pf進(jìn)行鋰電池剩余使用壽命預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在解決鋰電池剩余使用壽命預(yù)測(cè)過(guò)程中pf存在的粒子退化問(wèn)題，對(duì)傳統(tǒng)的alo算法進(jìn)行了優(yōu)化，通過(guò)ialo改進(jìn)的pf進(jìn)行鋰電池剩余使用壽命預(yù)測(cè)，因此，本發(fā)明提出一種電池剩余壽命預(yù)測(cè)方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種電池剩余壽命預(yù)測(cè)方法，所述方法包括以下步驟：

4、步驟一、構(gòu)建電池容量老化模型；

5、步驟二、將當(dāng)前的放電-充電循環(huán)次數(shù)設(shè)置為k，根據(jù)初始先驗(yàn)概率密度，提取初始狀態(tài)粒子，粒子的數(shù)量n被設(shè)置為50，并且i=1，2，…，n；

6、步驟三、基于ialo-pf的重要性抽樣；

7、步驟四、計(jì)算粒子的平均值，得到狀態(tài)估計(jì)；

8、步驟五、預(yù)測(cè)剩余使用壽命。

9、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟一中，構(gòu)建電池容量老化模型的步驟包括：

10、基于pf方法的rul預(yù)測(cè)精度依賴于準(zhǔn)確的老化模型。將電池容量衰減到額定容量的80%設(shè)定為達(dá)到壽命終點(diǎn)。在經(jīng)驗(yàn)?zāi)Ｐ椭校p指數(shù)模型比其他模型具有更好的全局回歸能力，被廣泛應(yīng)用于數(shù)據(jù)回歸分析。因此，電池容量老化模型選用雙指數(shù)模型，電池容量老化的雙指數(shù)模型表示為：

11、；

12、式中，k為放電-充電循環(huán)次數(shù)，表示第k個(gè)循環(huán)的電池容量，是老化實(shí)驗(yàn)要識(shí)別的模型參數(shù)，其中與電池內(nèi)阻有關(guān)，與電池老化速率有關(guān)；

13、考慮到老化過(guò)程內(nèi)部反應(yīng)的復(fù)雜性和實(shí)時(shí)性，將電池老化過(guò)程假設(shè)為一階馬爾可夫過(guò)程，并將其表示為：

14、

15、其中g(shù)(·)和h(·)分別表示老化模型的狀態(tài)轉(zhuǎn)變方程和測(cè)量方程；表示周期k處的狀態(tài)向量，該狀態(tài)向量由模型參數(shù)至組成；是周期k時(shí)的電池容量數(shù)據(jù)；和表示系統(tǒng)的過(guò)程和測(cè)量噪聲。

16、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟三中，基于ialo-pf的重要性抽樣的步驟包括：

17、選擇先驗(yàn)pdf作為狀態(tài)pdf，即；

18、ialo算法用于迭代優(yōu)化，步驟如下：

19、步驟s1:ialo算法的參數(shù)初始化：設(shè)置最大迭代次數(shù)，螞蟻和蟻獅的數(shù)量n，維度dim，每個(gè)維度的邊界和，t為當(dāng)前迭代；

20、步驟s2:初始化蟻獅和螞蟻：隨機(jī)初始化所有螞蟻位置和所有蟻獅位置；

21、步驟s3:設(shè)置適應(yīng)度函數(shù)，記錄精英蟻獅：設(shè)置適應(yīng)度函數(shù)f，計(jì)算蟻獅的適應(yīng)值并從小到大進(jìn)行排序，然后選擇適應(yīng)值最小的蟻獅作為精英蟻獅個(gè)體，記為；

22、步驟s4:通過(guò)輪盤(pán)賭策略選擇蟻獅：引入判斷函數(shù)到輪盤(pán)賭策略中來(lái)篩選蟻獅，如果所選蟻獅在種群中的位置a小于，這一選擇被認(rèn)為是合適的；否則，用輪盤(pán)賭重新選擇蟻獅，直到滿足條件；通過(guò)在輪盤(pán)賭策略中加入判斷函數(shù)，對(duì)所選樣本的適應(yīng)值進(jìn)行判斷，從而提高了全局搜索能力，避免了算法陷入局部最優(yōu)；

23、步驟s5:隨機(jī)移動(dòng)：螞蟻在蟻獅周?chē)S機(jī)移動(dòng)，螞蟻行走邊界的最小和最大值表示為：

24、；

25、隨機(jī)游走過(guò)程表示為：；

26、步驟s6:更新螞蟻的位置：規(guī)范化螞蟻的位置：，螞蟻的位置將更新為：；

27、步驟s7:引入logistic混沌算子：logistic混沌映射表達(dá)式為：；其中都在[0，1]的范圍內(nèi)，表示初始解，表示通過(guò)將映射到解空間的一組新解；

28、將螞蟻i的位置設(shè)為，歸一化的每個(gè)維度，可得歸一化后的位置：

29、；

30、其中表示所有螞蟻的第r維變量的最小值和最大值；

31、對(duì)歸一化變量進(jìn)行映射以獲得混沌變量序列，根據(jù)以下等式將其變換到原始解空間，將螞蟻隨機(jī)移動(dòng)后得到混沌螞蟻；

32、；

33、步驟s8:更新蟻獅的位置：比較混沌螞蟻和正常螞蟻的適應(yīng)值，保留了n組適應(yīng)值較小的解，用于更新精英螞蟻，通過(guò)引入邏輯混沌算子，使得該算法兼具全局搜索能力和局部尋優(yōu)能力，提高了算法的收斂和多樣性；

34、步驟s9:引入高斯擾動(dòng)算子：在算法的連續(xù)n次迭代過(guò)程中(本發(fā)明中n設(shè)為5)，如果最小適應(yīng)值保持不變，則算法陷入局部收斂，采用高斯微擾算子作為外部干預(yù)，陷入局部最優(yōu)的條件寫(xiě)作：

35、；

36、高斯擾動(dòng)算子如下所示：

37、；

38、是更新的蟻獅，是由高斯擾動(dòng)算子產(chǎn)生的新蟻群，服從正態(tài)分布，其中x是的隨機(jī)數(shù),是位置函數(shù)，設(shè)置為：

39、；

40、m是0和1之間的隨機(jī)值；

41、步驟s10:更新蟻獅的位置：通過(guò)比較和的適應(yīng)值，根據(jù)局部最優(yōu)值調(diào)整螞蟻的位置；

42、步驟s11:優(yōu)化粒子：當(dāng)優(yōu)化完成，蟻獅的位置被用來(lái)優(yōu)化粒子；否則，當(dāng)轉(zhuǎn)到步驟s2。

43、作為本發(fā)明進(jìn)一步的技術(shù)方案，步驟四中，計(jì)算粒子的平均值，得到狀態(tài)估計(jì)的公式如下：

44、

45、作為本發(fā)明進(jìn)一步的技術(shù)方案，步驟五中，預(yù)測(cè)剩余使用壽命的步驟包括：

46、在通過(guò)電池?cái)?shù)據(jù)確定模型參數(shù)后，采用ialo改進(jìn)的基于pf的方法從起始預(yù)測(cè)時(shí)間估計(jì)；通過(guò)將參數(shù)引入公式來(lái)獲得預(yù)測(cè)的容量曲線，并記錄rul預(yù)測(cè)。

47、本發(fā)明中涉及術(shù)語(yǔ)解釋如下：

48、pf：pf（particle?filter）粒子濾波是一種基于蒙特卡洛方法的狀態(tài)估計(jì)技術(shù)，用于在非線性、非高斯系統(tǒng)中進(jìn)行狀態(tài)估計(jì)。粒子濾波通過(guò)在狀態(tài)空間中隨機(jī)采樣一組粒子來(lái)表示狀態(tài)的后驗(yàn)概率分布，然后根據(jù)系統(tǒng)的動(dòng)態(tài)模型和測(cè)量數(shù)據(jù)對(duì)這些粒子進(jìn)行更新和重采樣，從而逼近真實(shí)的后驗(yàn)分布。

49、alo：alo（ant?lion?optimizer）是一種基于蟻獅優(yōu)化行為模式的新型啟發(fā)式算法，用于解決優(yōu)化問(wèn)題。通過(guò)模仿蟻獅捕獲螞蟻的過(guò)程來(lái)解決實(shí)際優(yōu)化問(wèn)題。alo包含螞蟻和蟻獅兩個(gè)種群，位置代表多個(gè)優(yōu)化解。尋找最優(yōu)值的過(guò)程類似于蟻獅捕捉螞蟻，每個(gè)個(gè)體都有其適應(yīng)度。當(dāng)螞蟻的適應(yīng)度優(yōu)于蟻獅時(shí)，蟻獅走到螞蟻的位置并捕獲螞蟻。在每次迭代中，所有螞蟻隨機(jī)移動(dòng)以產(chǎn)生新的種群來(lái)增加多樣性。

50、pdf：概率密度函數(shù)（probability?density?function）是一種用于描述隨機(jī)變量的概率分布的方法。對(duì)于連續(xù)型隨機(jī)變量，概率密度函數(shù)表示在給定區(qū)間內(nèi)隨機(jī)變量取得特定值的概率。對(duì)于離散型隨機(jī)變量，概率密度函數(shù)表示在給定點(diǎn)附近隨機(jī)變量取得特定值的概率。

51、logistic混沌算子：logistic混沌算子是一種用于生成隨機(jī)數(shù)的方法，它結(jié)合了混沌理論和隨機(jī)步行行為。

52、高斯擾動(dòng)：高斯擾動(dòng)（gaussian?perturbation）是一種用于優(yōu)化算法的方法，通過(guò)在參數(shù)空間中引入隨機(jī)擾動(dòng)來(lái)搜索更優(yōu)解。在這種方法中，擾動(dòng)服從正態(tài)分布（高斯分布），以在不同的參數(shù)組合上進(jìn)行探索。這種方法可以幫助算法跳出局部最優(yōu)解，以找到更好的全局最優(yōu)解。

53、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

54、首先，針對(duì)傳統(tǒng)粒子濾波算法存在的粒子貧化問(wèn)題，本發(fā)明通過(guò)引入ialo算法對(duì)粒子分布進(jìn)行優(yōu)化，降低了重采樣率，緩解了粒子貧化。另外，針對(duì)標(biāo)準(zhǔn)alo算法存在的收斂速度和局部最優(yōu)性問(wèn)題，對(duì)alo算法進(jìn)行了改進(jìn)。通過(guò)在輪盤(pán)賭策略中引入判斷函數(shù)避免了算法初期隨機(jī)選擇的蟻獅個(gè)體適應(yīng)度差而導(dǎo)致的早熟收斂問(wèn)題，有助于緩解算法容易陷入局部最優(yōu)的問(wèn)題，而不需要對(duì)不同時(shí)期螞蟻圍繞精英蟻獅和輪盤(pán)賭選擇的蟻獅隨機(jī)游走所占的比重進(jìn)行參數(shù)設(shè)置。通過(guò)引入邏輯混沌算子，使算法既具有全局搜索能力又具有局部尋優(yōu)能力，提高了算法的收斂性和多樣性。通過(guò)引入高斯擾動(dòng)算子以對(duì)局部最優(yōu)解進(jìn)行外部干擾，解決局部收斂問(wèn)題。所提出的ialo方法解決了粒子貧化問(wèn)題，使得rul的預(yù)測(cè)精度得到了顯著提高。