基于改進粒子濾波算法實現(xiàn)鋰離子電池RUL預(yù)測*

韋海燕，安晶晶，陳 靜，王惠民，潘海鴻，2，陳 琳，2

（1.廣西大學機械工程學院，南寧 530004；2.廣西電化學能源材料重點實驗室，廣西大學可再生能源材料協(xié)同創(chuàng)新中心，南寧 530004）

前言

鋰離子電池作為電動汽車的主要儲能裝置，是電動汽車的重要組成部分［1-2］。然而在實際使用過程中電池健康狀態(tài)會逐漸退化，給電動汽車帶來安全隱患和高額的運行維護成本［3-4］。因此，為給使用者提供合理的電池更換時間，保障系統(tǒng)正常運行，避免嚴重事故的發(fā)生，對電池剩余使用壽命（remaining useful life，RUL）預(yù)測展開研究十分必要。

近年來，由于粒子濾波（particle filter，PF）具有強大的非高斯、非線性問題處理能力，且能通過概率密度函數(shù)（probability density function，PDF）提供預(yù)測結(jié)果的不確定性表達而被廣泛應(yīng)用于鋰離子電池RUL預(yù)測［5］。文獻［6］中在利用雙指數(shù)模型進行電池容量退化建模的基礎(chǔ)上，引入傳統(tǒng)PF算法實現(xiàn)電池RUL預(yù)測，并將RUL預(yù)測結(jié)果與擴展卡爾曼（extended Kalman filter，EKF）算法進行對比，結(jié)果表明PF算法比EKF算法更可靠。文獻［7］～文獻［9］中為提高傳統(tǒng)PF算法的粒子抽樣效率，充分利用歷史數(shù)據(jù)，采用不同的方法重新獲得重要性密度函數(shù)，得到改進的PF算法并結(jié)合雙指數(shù)模型實現(xiàn)電池RUL預(yù)測。文獻［10］中針對傳統(tǒng)PF算法固有的粒子退化現(xiàn)象，引入啟發(fā)式卡爾曼算法（heuristic Kalman algorithm，HKA）對PF進行優(yōu)化后實現(xiàn)電池RUL預(yù)測，并將RUL預(yù)測結(jié)果與粒子群優(yōu)化粒子濾波（particle swarm optimized particle filter，PSO-PF）算法進行對比［11-12］，驗證表明其精度高于PSO-PF算法。文獻［13］中在預(yù)測單顆電池RUL時，結(jié)合其他多顆電池的歷史容量數(shù)據(jù)來改善傳統(tǒng)PF算法中的粒子權(quán)重更新過程，使濾波過程中的粒子權(quán)重更加準確，從而提高RUL預(yù)測精度?？傮w而言，現(xiàn)有基于PF的電池RUL預(yù)測方法主要從重要性密度函數(shù)、粒子匱乏問題、粒子抽樣效率、粒子權(quán)重精確度等方面對傳統(tǒng)PF進行改進以提高電池RUL預(yù)測精度，但傳統(tǒng)PF還存在重采樣過程粒子多樣性喪失的問題。

為此，引入線性優(yōu)化重采樣算法［14］，其主要思想是：在重采樣過程中并未完全拋棄權(quán)值較小的粒子，而是將權(quán)值較小的粒子與權(quán)值較大的粒子進行適當?shù)木€性組合，產(chǎn)生新的粒子，從而避免權(quán)值較大的粒子被反復(fù)復(fù)制，使粒子分布更加接近真實的后驗概率分布。在此基礎(chǔ)上構(gòu)建基于線性優(yōu)化重采樣粒子濾波（linear optimization resampling particle filter，LORPF）算法的電池RUL預(yù)測方法。該方法首先基于電池容量，利用雙指數(shù)模型建立電池全壽命周期狀態(tài)空間模型；然后通過LORPF算法對模型參數(shù)進行迭代更新，并利用更新后的狀態(tài)空間模型不斷外推電池容量直至壽命失效閾值；最后基于狀態(tài)空間模型外推所得電池容量實現(xiàn)電池RUL預(yù)測以及預(yù)測結(jié)果的不確定性表達。

1 基于LORPF算法的RUL預(yù)測方法

基于LORPF算法的電池RUL預(yù)測方法（以下簡稱LORPF-RUL）流程見圖1，具體步驟如下。

第1步：從電池老化數(shù)據(jù)庫中提取電池容量數(shù)據(jù)并進行預(yù)處理。

第2步：設(shè)定預(yù)測起始點T，如T＝60表示將第60個循環(huán)之前的電池容量數(shù)據(jù)作為歷史數(shù)據(jù)，從第60個循環(huán)開始，預(yù)測每一個循環(huán)的電池容量值。

第3步：利用雙指數(shù)模型跟蹤電池老化趨勢建立電池老化模型，采用最小二乘法擬合電池老化模型參數(shù)初始值，其中，電池老化模型的狀態(tài)轉(zhuǎn)移方程為

量測方程為

式中：β1，k，β2，k，β3，k，β4，k為電池老化模型參數(shù)；k＝1，2，…，n為電池充放電的循環(huán)數(shù)；過程噪聲υ1，υ2，υ3，υ4為高斯白噪聲，均值都為0，方差分別為σ1，σ2，σ3，σ4；zk為循環(huán)k次后的電池容量，ωk為量測噪聲，是均值為0、方差為σω的高斯白噪聲。

第4步：設(shè)定RUL預(yù)測過程中的相關(guān)參數(shù)，包括粒子數(shù)目N、過程噪聲υk的協(xié)方差Q、量測噪聲ωk的協(xié)方差R、電池失效閾值zthres（一般設(shè)置為電池初始容量的70%～80%）。

第5步：利用預(yù)測起始點T之前的電池歷史容量數(shù)據(jù)對T及其之后的歷史容量數(shù)據(jù)進行狀態(tài)跟蹤，不斷 更 新 電 池 老 化 模 型 參 數(shù)β1，k，β2，k，β3，k和β4，k，從而得到預(yù)測起始點T及其之后每個循環(huán)的電池容量預(yù)測值z＾k。

計算各粒子權(quán)重：

式中：xik為第k時刻的第i個粒子；ωik為第k時刻第i個粒子的權(quán)重；p（zk｜xik）為第k時刻第i個粒子對應(yīng)的量測值的似然概率密度函數(shù)。

歸一化權(quán)重：

更新粒子權(quán)重：

式中：xn為新的粒子；xα為權(quán)值較大的粒子；xs為權(quán)值較小的粒子；S為（xα-xs）的合適步長；H為對應(yīng)的步長系數(shù)。若粒子的權(quán)值滿足式（6），則歸為拋棄組，若不滿足式（6），則歸為復(fù)制組，然后利用式（7）進行線性優(yōu)化組合產(chǎn)生新粒子，得到新的粒子集合，更新電池老化模型參數(shù)：

式中xik＝（βi1，k，βi2，k，βi3，k，βi4，k），i＝1，…，N；δ（·）為狄拉克函數(shù)。

預(yù)測電池容量：

第6步：判斷第k次的電池容量預(yù)測值z＾k是否達到閾值zthres，若達到閾值，計算電池RUL并給出PDF分布，算法結(jié)束。否則，重復(fù)執(zhí)行第5步和第6步，直至z＾k達到失效閾值zthres。根據(jù)式（10）即可求得電池失效時的充放電循環(huán)數(shù)，再由式（11）可得到電池RUL的概率密度分布。

式中：Lik為電池循環(huán)k次時的RUL預(yù)測值；Lk為電池循環(huán)k次時的RUL真實值。

2 電池實驗測試

電池實驗測試包括NASA電池測試［15］和自主搭建實驗平臺的三星電池測試。

2.1 NASA電池實驗測試

采用B0005，B0006和B0007號電池老化數(shù)據(jù)集。該實驗平臺使用額定容量為2 A·h的18650鋰離子電池，在室溫下對電池進行充電、放電和阻抗測試，具體步驟如下：

（1）充電 先將電池以0.75C（1.5 A）恒定電流模式充電至充電截止電壓4.2 V，然后以恒定電壓模式保持電池兩端電壓為4.2 V不變，直到電池充電電流下降到0.01C（0.02 A）時，充電結(jié)束；

（2）放電 將滿充的電池以1C（2 A）恒流放電至預(yù)設(shè)截止電壓，其中B0005，B0006和B0007電池放電截止電壓分別為2.7，2.5和2.2 V；

（3）阻抗測試 采用0.1 Hz～5 kHz頻率掃描鋰離子電池測量電池阻抗。

將電池反復(fù)進行充放電循環(huán)測試，當電池容量退化到額定容量的70%，即電池容量從2 A·h退化到1.40 A·h時，停止實驗。B0005，B0006和B0007號電池容量退化曲線如圖2所示。

圖2 NASA電池容量退化曲線

由圖2可知，3個電池整體呈現(xiàn)出明顯的退化特征，且局部存在容量再生現(xiàn)象。B0005和B0007號電池容量退化前期較為平緩，中后期退化加劇，兩者退化趨勢較為相似。而B0006號電池容量退化曲線波動較為劇烈，容量再生幅度較大，這可能是由于放電截止電壓不同或電池單體的不一致性引起的差異。

2.2 三星電池實驗測試

采用額定容量為2.6 A·h的三星ICR18650-26F型鋰離子電池，編號S43。根據(jù)電池使用手冊，參照文獻［16］和文獻［17］并考慮老化工況、溫度等因素，模擬鋰離子電池在電動汽車中的實際使用情況，設(shè)計多工況、多溫度下的電池特性及老化實驗，實驗流程如圖3所示，具體步驟如下。

（1）電池特性測試 分別在10，25和40℃下，先對電池進行容量測試：以恒流恒壓（constant-current and constant-voltage，CC-CV）充電法滿充并靜置1 h后，再以0.2C恒流放電至放電截止電壓2.75 V，視放出的容量為電池當前最大可用容量。然后將CC-CV法滿充的電池進行一次簡化的NEDC動態(tài)工況放電，直到電池端電壓降至截止電壓2.75 V，再以同樣的充電方式和截止電壓分別進行簡化的UDDS和JP1015動態(tài)工況放電。電池在每種溫度下的特性實驗經(jīng)歷4個循環(huán)，3種溫度下的特性實驗共計12個循環(huán)。

（2）電池老化測試 為加速鋰離子電池老化速率，將電池老化循環(huán)實驗溫度設(shè)置為45℃，先將電池以CC-CV法滿充并靜置1 h，然后以NEDC，UDDS和JP1015的疊加工況（圖4）循環(huán)放電至截止電壓，并重復(fù)進行3次。

圖4 電池老化測試工況

（3）將上述10，25和40℃下特性測試和老化測試4個步驟重復(fù)循環(huán)進行，直至電池容量退化到額定容量的80%，即2.08 A·h時，停止實驗。

當S43號電池容量小于等于失效閾值2.08 A·h時，共進行了37次25℃下的容量測試，相鄰兩次測試之間理論間隔15個循環(huán)。提取25℃下的S43號電池容量測試數(shù)據(jù)，得到電池容量退化曲線，如圖5所示?？芍猄43號電池容量退化曲線整體呈現(xiàn)出明顯的退化特征，大約在第200個循環(huán)前后出現(xiàn)容量再生現(xiàn)象，當電池容量退化達到失效閾值2.08 A·h以后，電池容量退化加速。

3 LORPF-RUL的驗證與分析

為驗證LORPF-RUL方法的有效性，分別采用NASA B0005，B0006，B0007號電池和25℃下的S43號電池根據(jù)圖1所述流程進行RUL預(yù)測。

初始化LORPF算法：分別選取B0005，B0006，B0007號電池的第60循環(huán)、第80循環(huán)和第100循環(huán)作為預(yù)測起始點；選取S43號電池的第166循環(huán)、第256循環(huán)和第336循環(huán)作為預(yù)測起始點（大約選取壽命截止循環(huán)數(shù)的1／3，1／2和2／3為預(yù)測起始點，分別代表電池老化前期、中期和后期）。采樣粒子數(shù)目N＝200；NASA電池容量失效閾值為1.40 A·h；S43號電池容量失效閾值為2.08 A·h；過程噪聲vk的協(xié)方差Qk＝0.0001；量測噪聲wk的協(xié)方差Rk＝0.0001。得到B0005，B0006，B0007和S43號電池預(yù)測結(jié)果，如表1所示。

由表1可知，4個電池在3種不同的預(yù)測起始點共計得到12組預(yù)測結(jié)果，RUL真實值落在95%置信區(qū)間的結(jié)果為9組，占全部預(yù)測結(jié)果的75%，所以在預(yù)測結(jié)果的不確定性表達方面，LORPF-RUL可以獲得比較優(yōu)異的預(yù)測性能。此外，對表1中的相對誤差求平均值可得平均相對誤差為4.657%，表明LORPF-RUL具有較高預(yù)測精度。同時，隨著預(yù)測起始點后推，用于老化建模的已知歷史容量數(shù)據(jù)點增多，LORPF-RUL在第3個預(yù)測起始點下（電池老化后期）的預(yù)測結(jié)果比前兩個預(yù)測點（電池老化前中期）都要更接近真實RUL，誤差更小。

圖6和圖7以定性的方式給出了B0005和S43號電池LORPF-RUL與基于傳統(tǒng)PF（初始化參數(shù)設(shè)置與LORPF算法的初始化參數(shù)設(shè)置相同）的電池RUL預(yù)測方法（以下簡稱PF-RUL）的直觀對比。

由圖6（a）和圖7（a）可知，在電池歷史容量數(shù)據(jù)較少的情況下，LORPF-RUL預(yù)測精度仍高于PFRUL，且由圖6（b）、圖6（c）和圖7（b）、圖7（c）可知，隨著老化建模的歷史電池容量數(shù)據(jù)增多，雖然兩種方法的電池RUL預(yù)測值都逐漸接近RUL真實值。但LORPF-RUL的PDF分布比PF-RUL更高、更窄，說明LORPF算法的預(yù)測結(jié)果比PF算法具有更高的精度和可信度。

為進一步評估LORPF-RUL的性能，以量化方式對LORPF-RUL和PF-RUL的預(yù)測結(jié)果進行對比，如表2所示。

圖6 基于B0005號電池數(shù)據(jù)的RUL預(yù)測結(jié)果對比

由表2可知，PF-RUL誤差大于13個循環(huán)的結(jié)果為6組，占全部預(yù)測結(jié)果的50%，而LORPF-RUL只有2組誤差大于13個循環(huán)，僅占全部預(yù)測結(jié)果的17%，且有7組誤差不超過10個循環(huán)，占全部預(yù)測結(jié)果的58.3%。再分別對表中兩種方法的預(yù)測誤差求平均值，可得PF-RUL的平均誤差為20.67個循環(huán)，而LORPF-RUL的平均誤差僅為8.7個循環(huán)。其中B0006號電池在起始點為80循環(huán)時的RUL預(yù)測誤差較大，是因為B0006號電池在第90個循環(huán)左右出現(xiàn)明顯的容量再生現(xiàn)象，使后期老化速率與前期明顯不一致，導(dǎo)致RUL預(yù)測誤差較大。總而言之，LORPF-RUL相比于PF-RUL不僅預(yù)測誤差波動小，且預(yù)測精度有很大提升，由此可知，所采用的LORPF算法能夠有效預(yù)測電池RUL。

圖7 基于S43號電池數(shù)據(jù)的RUL預(yù)測結(jié)果對比

表2 LORPF-RUL與PF-RUL的預(yù)測誤差對比

4 結(jié)論

為提高傳統(tǒng)PF框架下的鋰離子電池RUL預(yù)測精度，針對傳統(tǒng)PF算法在重采樣過程中存在的粒子多樣性喪失問題，建立基于LORPF算法的電池RUL預(yù)測方法，并采用NASA電池數(shù)據(jù)和自主搭建實驗平臺電池數(shù)據(jù)對算法進行驗證，得到以下結(jié)論。

（1）利用線性優(yōu)化重采樣思想解決傳統(tǒng)PF算法在重采樣過程中存在的粒子多樣性喪失問題，提出構(gòu)建基于LORPF算法的電池RUL預(yù)測方法。

（2）通過NASA電池數(shù)據(jù)和自主搭建實驗平臺電池數(shù)據(jù)對LORPF-RUL進行驗證。結(jié)果表明線性優(yōu)化重采樣能夠有效地緩解傳統(tǒng)PF算法中粒子多樣性喪失問題，LORPF-RUL相比于PF-RUL不僅具有更高的預(yù)測精度，預(yù)測誤差不超過5%，且具有更好的不確定性表達能力。

現(xiàn)階段，僅對傳統(tǒng)PF算法進行改進的電池RUL預(yù)測方法在預(yù)測精度上仍存在提升的空間。由于雙指數(shù)模型是嚴格單調(diào)的函數(shù)，而有些鋰離子電池（例如NASA B0006）的部分容量退化趨勢實際上是非單調(diào)的，甚至表現(xiàn)出強烈的波動（較嚴重的容量再生現(xiàn)象）。此時，雙指數(shù)模型很難精確跟蹤電池容量退化趨勢，因此，在以后的工作中，將進行大量研究以開發(fā)出更穩(wěn)健且能描述電池非單調(diào)退化趨勢的新模型。