基于Visual Studio鋰離子電池剩余壽命的實現

林甲深 王飛鴻 陳晨

摘? 要：鋰離子電池是新能源汽車的核心部件之一，鋰離子電池的剩余壽命對新能源汽車的性能和安全至關重要。目前剩余壽命的預測算法主要有物理和化學分析法、數據驅動法和融合方法，其中融合方法是最近幾年預測算法的研究熱點，可以融合方法進行預測。本文通過微軟公司的Visual Studio的Winform和Maple Tech公司的Math.net數學計算包，開發基于無跡卡爾曼濾波的鋰離子動力電池剩余壽命預測軟件。

關鍵詞：鋰離子電池? 剩余壽命預測? 無跡卡爾曼濾波? 軟件開發? 預測方法

中圖分類號：TM912 ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ?文章編號：1674-098X（2021）01（b）-0049-04

Development of Prediction Software for Residual Life of Lithium Battery by Visual Studio

LIN Jiashen? WANG Feihong? CHEN Chen

（Xiamen Products Quality Supervision & Inspection Institute， Xiamen， Fujian Province， 361004? China）

Abstract： Lithium-ion batteries are one of the core components of new energy vehicles， and the remaining life of lithium-ion batteries is essential to the performance and safety of new energy vehicles. At present， the remaining life prediction algorithms mainly include physical and chemical analysis methods， data-driven methods， and fusion methods. The fusion method is the research hot spot of prediction algorithms in recent years， and the fusion method can be used for prediction. In this paper， the software for predicting the remaining life of lithium-ion power battery based on unscented Kalman filter is developed through the Winform of Microsoft Visual Studio and Math.net of Maple Tech.

Key Words： Lithium-ion batteries; Residual life of lithium battery; UKF; Soft development; Prediction method

伴隨著新能源汽車的大力推進，鋰離子電池作為新能源汽車的核心部件迎來了高速的發展。然而，鋰電池在充放電循環使用過程中，受自身材料和外界環境的影響，其容量和壽命將會不斷衰減。目前，考慮到新能源汽車對續航的要求較為嚴苛，當電池容量下降為額定容量的80%時，電池的性能將無法滿足新能源汽車的供電技術和續航等要求，必須進行維護或更換，否則會給新能源汽車帶來安全隱患。因此，進行鋰離子電池剩余壽命的預測顯得尤為重要，可以及時有效的判斷鋰離子蓄電池的工作狀態，當電池剩余壽命較低時能及時提醒用戶以避免事故的發生和最大限度地利用鋰離子電池的剩余容量。

目前鋰離子動力電池壽命預測主要有以下三種方法：第一，利用物理和化學機理分析，對鋰離子電池可用容量的衰退過程進行建模和分析，該方法受限于電池型號和類型，無法解決預測模型適用性問題;第二，利用曲線擬合、神經網絡和支持向量機等數據驅動方法對鋰離子電池可用容量衰退過程進行建模和分析，該方法過度依賴測試數據，輸出結果不確定性高;第三，利用基于卡爾曼濾波、粒子濾波等算法的融合方法對容量退化過程建模分析，卡爾曼濾波算法對初值敏感，預測結果受初值影響較大，而粒子濾波算法存在融合參數復雜，計算量較大等問題。國內在鋰離子電池剩余壽命預測方面的研究相對研究較少、起步較晚，大都停留在理論研究階段，距離成熟的實際應用還有一定的距離。因此，本文基于無跡卡爾曼濾波算法（UKF）和Visual Studio開發平臺，提出了一種鋰離子電池剩余壽命預測的實現方法。

1? 鋰離子電池退化模型

相比于需要考慮內部物理化學結構的等效電路模型和過度依賴數據的數據驅動模型，基于融合方法的預測方法較為簡單準確。依靠大量數據進行統計分析，歸納出電池壽命和電池參數之間的數學關系，通過驗證，經驗模型公式對各類電池都有很好的適應性，因此獲得了廣泛的應用和研究。

本文選取的電池退化模型是Saha等人根據實驗數據建立的經驗模型，如公式（1）所示。這個模型在電池壽命的預測中等到了廣泛的應用，能較準確的表示電池的退化過程[3-5]。

（1）

其中為鋰離子電池的容量衰減比例，是電池第k個循環的放電容量，、是模型待定參數，是電池在第k和第k+1循環間的靜置時間。

考慮到模型待定參數、受電池的工作環境和運行工況的影響，同時鋰離子電池的容量又會受過程噪聲的影響，因此，對公式（1）進行狀態變化，如公式（2）所示。

（2）

其中，服從正態分布，且相互獨立。

通過對公式（2）進行變換，得到鋰離子電池容量退化模型的狀態方程為：

（3）

其中，

2? 基于UKF算法的鋰離子蓄電池剩余壽命模型

UKF一種非線性濾波算法。通過利用無跡變換在軌跡點附近確定一組采樣點，使這些點的協方差和均值等于原非線性狀態方程分布的協方差和均值;將這些點集帶入非線性方程中，得到相應的非線性函數的點值，這樣得到的非線性變換后的均值和協方差具有較高的精度[6-7]。

對于不同時刻K，由具有高斯白噪聲W（K）的隨機變量X和具有高斯白噪聲V（K）的觀測變量Z構成的非線性系統如公式（4）所示。

（4）

基于UKF（無極卡爾曼濾波）的鋰離子蓄電池剩余壽命預測算法的步驟如下：

（1）利用公式（5）進行UT變換，獲得一組采樣點;利用公式（6）計算這些采樣點的權值。

（5）

其中，表示矩陣方根的第i列

（6）

其中，下標M表示均值，C表示協方差;上標i表示第i個采樣點;是待選參數。

（2）計算2n+1個Sigma點集的一步預測，i=1，2...，2n+1。

（7）

（3）計算系統狀態量的一步預測及協方差矩陣，如公式（8）所示。

（8）

（4）將預測值再次UT變換產生新的Sigma點集。

（9）

（5）將上一步（第4步）產生的Sigma點集帶入觀測方程，計算生成觀測值，i=1，2...，2n+1。

（10）

（6）將上一步（第5步）得到的觀測預測值通過公式（11）計算獲得系統的協方差和預測值。

（11）

（7）計算卡爾曼增益矩陣。

（12）

（8）最后，計算系統的狀態更新和協方差更新。

（13）

3? 基于Visual Studio的剩余壽命預測的實現

本文采用微軟公司的Visual Studio.NET（C#語言）和Maple Tech公司的Math.NET對鋰離子電池剩余壽命預測系統進行應用軟件開發。Math.Net是免費的數值計算的開源庫，可以完成復雜的矩陣計算，通過利用Math.Net和C#聯動，實現UKF算法，UKF算法流程見圖1。

本軟件系統，可根據實時輸入鋰電池的充放電參數信息，運用基于無跡卡爾曼濾波的融合方法對數據進行分析處理，并以圖表與數值的方式推算鋰離子電池剩余壽命，通過車輛運行或試驗實時數據的補充輸入以及算法的迭代計算不斷更新剩余壽命預測值，實現鋰離子電池的在線壽命預測，剩余壽命預測流程如圖2所示。該軟件能實現功能包括：充放電信息采集、模型參數設置、壽命預測功能、圖形顯示功能等。

在本軟件中導入NASA實驗室測量的鋰離子電池循環壽命數據（測試編號B0005），模型參數設置為8：初始容量參數為2，容量衰減比例為0.995，為7、 為2.01。分別學習60次，80次，預測效果如圖3，圖4所示。其中，藍色的曲線表示鋰離子電池的實際測量容量值，紅色的曲線表示經過無極卡爾曼濾波后的鋰離子電池容量值。通過對不同的學習次數的對比，可以看出，基于無跡卡爾曼濾波算法和Visual Studio開發的剩余壽命的軟件，對B0005號電池的容量衰減過程預測具有較強的適應性，在不同的學習次數下，都可以較為準確的預測電池的剩余容量的衰減趨勢。

4? 結語

有效的壽命預測軟件和健康管理系統可以較為準確的對鋰離子電剩余壽命進行預測，可以有效的判斷鋰離子電池的工作狀態，及時發現問題，避免事故的發生和最大限度地利用鋰離子電池的剩余容量。基于無跡卡爾曼濾波的鋰離子電池剩余壽命預測模型，由于引入無跡變換，減小預測誤差，能更準確的預測鋰離子電池的剩余壽命。文中，利用Visual Studio開發預測軟件，并通過NASA測量的鋰離子電池壽命數據對算法和軟件進行驗證，結果表明是可行的。考慮到NASA測量條件是恒溫恒流，但是，在實際工作環境中鋰離子電池工作模式多變，工作環境復雜，這對鋰離子電池的容量退化會造成影響，進而對容量預測帶來較大的干擾，這也是鋰離子電池剩余壽命今后需要解決的問題。

參考文獻

[1] 周志興，賈志學，雷治國.鋰離子電池壽命研究綜述[J].機電技術，2019（3）：117-120.

[2] 林婭，陳則王.鋰離子電池剩余壽命預測研究綜述[J].電子測量技術，2018，41（4）：29-35.

[3] 谷苗， 夏超英， 田聰穎. 基于綜合型卡爾曼濾波的鋰離子電池荷電狀態估算[J]. 電工技術學報， 2019， 34（2）： 419-426.

[4] ZHANG HENG， MIAO QIANG， ZHANG XIN， et al. An improved unscented particle filter approach for lithium-ion battery remaining useful life prediction[J]. Microelectronics Reliability， 2018， 81： 288-298.

[5] 李練兵，季亮，祝亞尊，等.等效循環電池組剩余使用壽命預測[J].工程科學學報，2020，42（6）：796-802.

[6] 戴海峰，張艷偉，魏學哲，等.鋰離子電池剩余壽命預測研究[J].電源技術，2019，43（12）：2029-2035.

[7] 林娜，朱武，鄧安全.基于融合方法預測鋰離子電池剩余壽命[J].科學技術與工程，2020，20（5）：1928-1933.

[8] 朱亮標.基于數據驅動的鋰離子電池剩余壽命預測模型及軟件實現[D].廣州：華南理工大學，2014.