下载文档原格式
![预测电池寿命的方法[发明专利]](https://uimg.taocdn.com/89149ff177eeaeaad1f34693daef5ef7bb0d125a.webp)
专利名称：预测电池寿命的方法专利类型：发明专利
发明人：吴华忠,谢鹏,刘璋勇
申请号：CN202010936501.6申请日：20200908
公开号：CN114152890A
公开日：
20220308
专利内容由知识产权出版社提供
摘要：本发明公开了预测电池寿命的方法。
该方法包括：测试电池在不同温度下的额定容量Vn；将电池充电至某一特定SOC值对应的开路电压值后用恒压源将电池的电压维持在该电压值，之后电池的充电电流将逐渐降低至一恒定值，记录所述不同温度下特定SOC值对应的恒定电流值In；确定实际应用过程中电池在所述不同温度下的使用系数η，并以所述使用系数η、所述恒定电流值In和所述额定容量Vn作为评价因子来计算电池寿命的评价指数，以便判断不同电池的寿命长短。
该方法能够显著降低不同使用温度下因电池副反应程度不同对电池寿命产生的误判概率，从而大大提高电池寿命预测结果的准确性和可靠性。
申请人：昆山宝创新能源科技有限公司
地址：215333 江苏省苏州市昆山市昆山开发区蓬溪中路1号
国籍：CN
代理机构：北京清亦华知识产权代理事务所(普通合伙)
代理人：戴冬瑾
更多信息请下载全文后查看。
基于ARIMA和PF的锂电池剩余使用寿命预测方法豆金昌;陈则王;揭由翔【期刊名称】《太赫兹科学与电子信息学报》【年(卷),期】2013(000)005【摘要】An efficient method for battery Remaining Useful Life(RUL) prediction would greatly improve the reliability of systems. A novel Autoregressive Integrated Moving Average Model-Particle Filter(ARIMA-PF) fusion prognostic framework is developed to improve the performance of battery RUL prediction. It is composed of ARIMA algorithm and PF algorithm. ARIMA is employed for short-term estimation of system state, while Particle Filter for long-term estimation of system state. Firstly, the lithium ion battery is monitored online; then the corresponding algorithms are employed according to short-term forecasts or long-term forecasts requirements; the forecast maps are obtained with the transverse and longitudinal coordinates standing for the cycle and capacity respectively. The experimental results indicate that the proposed prognostic framework can predict lithium ion battery RUL accurately and fast.%有效的电池剩余使用寿命(RUL)预测方法能够极大地提高系统的可靠性。
钛酸锂电池循环寿命预测钛酸锂电池循环寿命预测钛酸锂电池是一种重要的锂离子电池，具有高比能量、长循环寿命和高安全性的优点。
循环寿命是衡量电池性能的重要指标之一，因此预测钛酸锂电池循环寿命对于电池的设计和应用具有重要意义。
下面我将按照步骤逐步展开预测的思路。
第一步：收集数据和建立模型首先，我们需要收集一系列钛酸锂电池的循环寿命数据。
这些数据可以通过实验室测试或实际应用中的监测得到。
收集到的数据应包括电池的循环次数和电池容量的变化情况。
然后，我们可以使用统计学方法建立一个循环寿命预测模型。
常用的模型包括线性回归、支持向量机、随机森林等。
通过将循环次数作为自变量，电池容量变化作为因变量，我们可以训练模型以预测电池在不同循环次数下的容量衰减情况。
第二步：特征选择和数据预处理在建立模型之前，我们需要进行特征选择和数据预处理。
特征选择是指选择与循环寿命相关的特征，如电池材料、工作温度、充放电速率等。
这些特征应有助于预测电池的循环寿命。
同时，我们还需要进行数据预处理，包括数据清洗、缺失值处理和异常值处理等。
这可以提高模型的准确性和鲁棒性。
第三步：模型训练和评估在经过特征选择和数据预处理之后，我们可以使用收集到的数据集进行模型的训练和评估。
通常，我们将数据集分为训练集和测试集，其中训练集用于模型的训练，测试集用于评估模型的性能。
在模型训练过程中，我们可以使用交叉验证等技术来调整模型的参数，以提高模型的泛化能力。
第四步：模型应用和预测当模型训练完成后，我们可以将其应用于实际的钛酸锂电池循环寿命预测中。
通过输入电池的循环次数，模型可以预测出电池容量随着循环次数的变化趋势。
同时，我们还可以通过对模型的解释性分析，找出影响循环寿命的关键因素。
这有助于电池的设计和优化。
总结：钛酸锂电池循环寿命的预测是一个复杂的问题，需要收集数据、建立模型、进行特征选择和数据预处理、模型训练和评估，最终应用于实际的预测中。
这个过程将为电池的设计和应用提供有价值的指导。
锂电池安全寿命评估锂电池安全寿命评估锂电池是现代电子设备的重要组成部分，其安全寿命评估对保障消费者的使用安全至关重要。
下面将逐步介绍锂电池安全寿命评估的步骤。
第一步：收集数据与信息要进行锂电池安全寿命评估，首先需要收集相关的数据与信息。
这包括锂电池的制造商提供的技术规格、使用说明书以及已有的安全性评估报告。
此外，还需要了解锂电池的化学成分、设计特点、生产工艺以及已知的安全问题和事故案例等。
第二步：确定评估指标在进行锂电池安全寿命评估之前，需要确定评估的指标和标准。
常用的评估指标包括锂电池的安全性能、容量衰减情况、循环寿命以及温度和湿度对锂电池性能的影响等。
根据不同的应用场景和需求，评估指标可以有所差异。
第三步：制定实验计划为了评估锂电池的安全寿命，需要设计相应的实验方案。
实验计划应包括实验的具体内容、测试方法、实验参数的选择以及实验所需的设备和环境条件等。
实验过程中应尽可能模拟实际使用条件，以获得准确可靠的评估结果。
第四步：进行实验测试根据实验计划，进行锂电池的实验测试。
测试的内容可以包括充放电循环测试、温度和湿度试验、物理冲击和振动测试以及短路和过充等异常情况下的安全性能测试等。
实验测试的结果应进行详细记录和分析，以便后续的评估和判断。
第五步：评估结果分析根据实验测试的结果，对锂电池的安全寿命进行评估和分析。
可以通过对实验数据的统计和对比，确定锂电池在不同使用条件下的安全性能和寿命预测。
评估结果应综合考虑锂电池的设计特点、使用环境和要求等因素，以得出全面准确的评估结论。
第六步：编写评估报告根据评估结果，编写锂电池安全寿命评估报告。
报告应包括评估的目的、方法、实验测试的结果、评估结论以及相应的建议和措施等。
评估报告应清晰明确，提供有关锂电池安全寿命的科学依据，以便制造商、用户和监管机构参考和采取相应的措施。
总结起来，锂电池安全寿命评估是一个复杂而关键的过程，需要收集数据与信息、确定评估指标、制定实验计划、进行实验测试、评估结果分析以及编写评估报告等多个步骤。
重磅 | Jeff Dahn组：定量分析循环老化后电解液和负极变化导读：不同阶段（ 比如：Begin of life和End of life）的锂离子电池的电化学性能差异、安全性差异以及失效机理一直是颇让人感兴趣的话题。
2017年，美国阿贡国家实验室的Gilbert等人研究了NMC532扣式电池在不同充电上限电压下的循环容量衰减情况，发现SEI中过渡金属Mn2+含量与容量衰减程度有很好的相关性，并提出控制正极过渡金属溶出对于提高电池高电压循环容量保持率至关重要。
2018年，Jeff Dahn组研究了单晶NMC532软包电池在55 ℃、不同充电上限电压(4.0-4.4 V)下1/3 C循环8个月(~750周)的容量保持率，并获取循环后电池的电解液和负极进行了定量分析，成果详见Quantifying Changes to the Electrolyte and Negative Electrode in Aged NMC532/Graphite Lithium-Ion Cells.图文浅析一．循环后电池电解液提取图1. (a)以往所用的液相萃取法获取电解液示意图；(b)本实验所用的离心获取电池电解液示意图。
本研究的主要目的是研究NMC532软包电池经循环老化后电解液和负极的成分变化。
为了获取循环后软包电池的电解液，本实验中所用电解液提取方法(图1b)与以往所用方法(图1a)有所不同。
如图1所示，以往所用电解液提取方法纯粹是液相萃取+离心分离。
但由于本实验不仅要分析电解液，还要分析负极，因此方法上较以往有所改变：先将软包电池开口进行离心分离，取出电解液后负极用于成分分析。
这样做的好处在于能最大限度避免负极成分受DCM萃取的影响。
图2. 用三种已知不同组分电解液对比以往研究中所用的电解液液相萃取提取和本实验中所用的电解液离心提取：(a) 2% VC + 98% EMC；(b) 20% EC + 50% EMC + 30%DMC；(c) 30% EC + 70% EMC。
梯次利用锂电池健康状态预测孙冬;许爽【摘要】从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况.基于锂电池一阶 RC 等效电路模型,研究基于增量式自回归模型(I-ARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法.实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池 SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性.%Lithium-ion battery retired from electric vehicles may be considered expanding their useful life for second use if their functional components are effective. The retired battery has been separated from battery management system and they are offline. Their residual capacity and performance are different from each other, so it is necessary to reevaluate their performance. In this paper, a suitable test profile for performance evaluation of retired battery was designed which is to identify ohm resistance based on the first-order RC model, and the health feature extraction method was proposed based on the identifiable I-ARX model. The three health indicators (HIs), average internal resistance, minimum internal resistance and resistance-SOC curve, were obtained from health test data. Based on the three HIs, battery health models were established and their effectiveness has been validated by simulation. Furthermore, anevaluation method using multi-model fusion technology was proposed to solve the issue by BP neural network, which is to enhance the accuracy of SOH prediction for the retired lithium-ion batteries, and its effectiveness was verified by experimental data.【期刊名称】《电工技术学报》【年(卷),期】2018(033)009【总页数】9页(P2121-2129)【关键词】梯次利用锂电池;健康状态预测;健康因子;健康模型;多模型数据融合技术【作者】孙冬;许爽【作者单位】郑州轻工业学院郑州 450002;上海大学机电工程与自动化学院上海200072;郑州工程技术学院郑州 450044【正文语种】中文【中图分类】TM912电动汽车以其污染小、噪声低、能源效率高、能源来源多元化等优势备受青睐，随着电动汽车技术的日益完善，电动汽车正在成为现代汽车工业的发展方向[1-3]。
一种电芯寿命评估方法电芯寿命评估是对电池使用过程中可能出现的容量衰减、内阻增加以及电化学性能下降等相关参数进行分析和预测的一种方法。
电芯寿命评估方法可以分为两大类：实验室测试和模型预测。
实验室测试主要是通过对电芯进行一系列的测试，包括循环充放电、标准测试、恒流放电等，获取电芯在不同工况下的性能数据。
这些测试数据可以用来分析电芯的衰减机理、评估其寿命剩余程度以及预测电芯在不同工况下的使用寿命。
实验室测试的优点是可以直接测量电芯的参数，具有高精度和可靠性。
然而，实验室测试对设备要求较高，测试时间长，且成本较高。
模型预测是根据电芯的物理、化学性质，通过建立电化学模型或统计模型，预测电芯寿命。
电化学模型一般基于电化学反应的原理，通过模拟电池内部的物理、化学过程，计算电池的参数和性能。
统计模型则根据电池的历史数据和统计规律，建立电池衰减的模型，用以评估电池剩余寿命。
模型预测的优点是能够快速预测电芯的寿命，对于大规模的电芯寿命评估具有较好的适用性。
但是，模型预测需要对电芯的参数和衰减规律有一定的了解，且预测结果的精度会受到模型准确性的限制。
在电芯寿命评估过程中，需要考虑的因素包括电芯的设计、材料、工况等。
电芯的设计参数如电极材料、最大充电放电电流、循环寿命等决定了电芯的基本性能；电芯的材料如正极材料、负极材料、电解液等决定了电芯的电化学特性；电芯的工况如温度、充放电速率等则会对电芯的使用寿命产生重要影响。
对于电芯寿命评估的方法，可以根据实际情况进行选择。
对于电池研究人员和制造商来说，实验室测试是一种常用的方法，可以利用实验室设备进行各种电芯性能测试，获取详细的性能数据。
对于电池系统的使用者来说，更关注的是对电池剩余寿命的预测，这时可以利用模型预测方法，通过收集电池历史数据，建立统计模型对电池进行寿命评估。
总之，电芯寿命评估方法是对电芯在使用过程中可能出现的性能衰减进行评估和预测的一种方法。
通过实验室测试和模型预测，可以获取电芯的性能参数，并对电芯的剩余寿命进行评估。
设计应用图1 2 V电池以10 A放电的曲线图2 蓄电池在不同倍率下放电曲线图3 蓄电池剩余容量和放电电压关系其中，蓄电池放电时电压和剩余容量之间的关系，代码描述如下：Capacity_ Curve_30℃_100A.V oltage[i]=Discharge_Curve_30℃_100A.V oltage[28-i];for(i=0; i<28; i++){Capacity[i] = Time[i]*100A;即在指定温度和电流环境下，可根据当前的电压值预估蓄电池当前的剩余容量。
放电曲线中，包含的元素为放电时温度、放电电流、时间序列、放电容量和放电电压，放电模块的代码描述如下：struct{int temp； //温度int I；//电流int NumberMAX;float Capacity [NumberMAX]={，，，，}float V oltage[NumberMAX]={ ，，，，，} Capacity_ Curve；1.2 核对性放电时容量计算核对性放电计算是基于以下条件的放电事件：条件1：放电时间必须大于5 min（UPS紧急用电）条件2：核对性放电事件是最重要依据。
当条件1满足时进入计算，可根据Capacity_测量消阻电压，计算当前容量。
以分钟为最小刻度，获取分钟级别的在不同温度、电流下的Capacity_ 序列。
举例：一个电池放电波形如图4所示。
根据电流、温度的不同，蓄电池在不同放电电压下，可估算出蓄电池在不同电压阶段的剩余容量Q1（V 2）、Q3（V3）、Q4（V4）、Q5（V5）（不取的原因是受到极化效应干扰）。
当处于V5时刻时，蓄电池放出的容量为：放电=Q1(V1)-Q5(V5)=ΣIt(电流和时间积分)在一个广义的范围看电池放电过程：Q估算-ΣIt(电流和时间积分)Q5（V5）图4 蓄电池放电波形1.3 容量与寿命关系建立以100 Ah电池为例，参照表3，给出容量和寿命估计的关系：Life=JMQ(Q)。
188第51卷电池BATTERY BIMONTHLY常规寿命实验和加速寿命实验计算获得的Li/SOCl 电 池的基本失效率数据接近，按失效率等级分级均约为六级。
L^SOCl 2电池在正常温度环境下存储获得的失效率数据,与高温温度环境下温度应力存储加速一段时间获得的基 本一致，说明温度加速寿命实验能真实反映正常温度下的失效率情况。
由此可见丄i/SOCl 电池在实验室中获取的基本 失效率数据，可为预测现场应用的失效率数据提供参考。
4结论本文作者对比了 L^SOCl 2电池在40 C 、55 C 和70 C 下的高温存储加速和常温20 C 存储条件下的实验数据。
实验结果表明:L^SOCl 2电池在20~70C 范围内的放电下的激活能为0.45 eV,根据阿伦尼乌斯模型，得到40 C 、55C 和70 C 下等效20 C 常温时的AF 分别为3. 12,6. 68和13. 39,对应的基本失效率数据分别为5. 09x 10-6、2. 38x 10-6和1. 19x10-6o 此结果与L^SOCl 2电池在20 C 常温环境下存储1 a 所获得的实际基本失效率数据3. 34x 10-6基本一致，均为六级失效率。
由此可见，加速寿命实验可反映Li/SOCl 2 电池正常的使用寿命。
基于时间和成本关系，实验采用的电池类型较单一，样本数以及选取的实验温度点较少，亟待未来补充更多的实验 室数据，通过实验预测到实际工作环境下的工作失效率。
参考文献：[1] 章欣，段晓萌,江小强，等•智能电表锂亚硫酰氯电池欠压故障剖析及防范措施研究[J].电测与仪表,2014,51(5) ：24-27.[2] 叶浩亮，李飞，王松林•锂亚硫酰氯电池储存寿命研究[J].计 算机测量与控制,2017,25(5) ：218-221.[3]马苓•锂亚硫酰氯电池咼温贮存性能[J].化学工业与工程，2016,33(2) ：70-76.[4] 肖顺华•提咼锂亚硫酰氯电池可靠性的方法研究[J].化工进 展,2004,23(9) ：1 001-1 003.[5] 周相国.元器件失效率的计算[J].环境技术,2018,3：69-72.[6] JESD74A,Early Life Failure Rate Calculation Procedure for Semi conductor Components[ S] .[7]JESD85, Methods for Calculating Failure Rates in Units of FIT [ S].[8] 蔡玲芬.半导体器件寿命计算[J].杭州电子科技大学学报 (自然科学版),2012,32(5):132-134.[9] GB/T 1772 1979，电子元器件失效率试验方法[S].[10] 刘婧，吕长志,李志国，等•电子元器件加速寿命试验方法的比较[J].封装测试技术,2006,31(9) ：680-683.[11] 王守国•电子元器件的可靠性[M].北京：机械工业出版社，2014：92.[12] 姜同敏，袁宏杰,李晓阳，等•可靠性试验技术[M].北京：北京航空航大学出版社,2014 ：198.[13] GB/T 40872009,数据的统计处理和解释二项分布可靠度单侧置信下限[S].[14] 徐晴，纪峰，田正其•智能电能表用锂亚电池故障分析及防钝化设计[J].电测与仪表,2013,50(8) ：98-102.[15] GB/T 100772008,锂原电池分类、型号命名及基本特性[S].[16] 祝媛，张福义，袁中直•智能电表用锂亚硫酰氯电池加速寿命试验[A].全国电工仪器仪表标准化技术委员会第四届五次全体委员会议暨2012第二十五届电磁测量技术、标准、产品国 际研讨会及展会论文集[C].杭州：2012：114-116.收稿日期：2020-08-08:《电池快讯》(月刊)已出版384期；♦;欢迎投稿欢迎阅读：♦ ♦；《电池快讯》(月刊)复刊于1988年，至今已连续岀版384期。
![一种电池寿命快速检测方法[发明专利]](https://uimg.taocdn.com/ee569c40f342336c1eb91a37f111f18583d00ce3.webp)
(10)申请公布号(43)申请公布日 (21)申请号 201510148023.1(22)申请日 2015.03.31G01R 31/36(2006.01)(71)申请人中国人民解放军92537部队地址100161 北京市丰台区六里桥北里4号(72)发明人刘隆波 黄金娥 王岩磊 徐定海曹建华(74)专利代理机构北京理工大学专利中心11120代理人温子云 仇蕾安(54)发明名称一种电池寿命快速检测方法(57)摘要本发明公开了一种电池寿命快速检测方法，该方法首先基于部分放电法快速估算电池最大可用容量，然后利用最大可用容量获得容量保持率，再根据当前容量保持率和已知的电池额定循环寿命估计以循环次数表征的电池剩余循环寿命。
可见，本发明选取最大可用容量作为关键性能参数，基于性能退化方法对电池最大可用容量进行退化轨道建模，进而实现铅酸电池剩余循环寿命预测。
此外，本发明基于部分放电法快速估算电池最大可用容量，实现对电池剩余循环寿命的快速预测。
由于不需要全程放电，测试时间大大缩短，在掌握电池放电规律的前提下精度亦能令人满意，该方法在军事、能源、交通等领域具有广泛的应用价值。
(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书12页 附图3页(10)申请公布号CN 104793144 A (43)申请公布日2015.07.22C N 104793144A1.一种电池寿命快速检测方法，其特征在于，包括如下步骤：步骤一、利用与被测电池相同型号的m 块电池循环进行全充全放试验，获得不同循环次数的全放电电压曲线；m 为正整数；步骤二、对各次循环的全放电电压曲线进行建模分析，获得每次全放电电压曲线的放电轨道参数K ；步骤三、针对放电电压曲线选取放电初期一段按已知规律变化的电压数据，通过数据拟合估计出每次全放电电压曲线中规律变化段的曲线模型参数A ；步骤四、建立放电电压曲线的放电轨道参数K 和曲线模型参数A 之间的转换关系；步骤五、对被测电池，在完全充满电后进行一次放电试验，通过规律变化段电压数据的数据拟合得到曲线模型参数A n ，并利用步骤四建立的转换关系确定被测电池的放电轨道参数K n ；步骤六、利用被测电池的放电轨道参数K n 估计出被测电池当前最大可用容量C n ；步骤七、将电池当前最大可用容量C n 与电池额定容量C R 相比，获得当前容量保持率ηn ；根据当前容量保持率ηn 和已知的电池额定循环寿命，估计以循环次数表征的被测电池的剩余循环寿命。
基于IPSO-Elman的锂电池剩余寿命预测作者：刘子英钱超朱琛磊来源：《现代电子技术》2020年第12期摘 ;要：针对传统埃尔曼（Elman）神经网络在预测过程中初始权值和阈值随机性选取，易陷入局部极小化问题，为提高锂电池剩余寿命的预测精度，提出一种基于自适应权重的改进粒子群（IPSO）⁃埃尔曼（Elman）神经网络预测锂电池剩余寿命的方法。
针对锂电池测量数据中伴随的噪声，利用高斯去噪，削弱数据中的噪声影响，提取原始数据;再利用IPSO全局搜索的能力对Elman神经网络的初始参数进行优化;最后基于美国国家航空航天局（NASA）提供的锂电池测量数据，对提出的方法进行有效性验证，并与常规的BP，Elman算法进行对比。
预测结果表明，IPSO⁃Elman预测误差在不同训练样本下都小于BP，Elman算法，表现出较强的适应能力。
关键词：锂电池; 剩余寿命预测; IPSO⁃Elman; 预测建模; 高斯去噪; 参数优化中图分类号： TN606⁃34; TM912 ; ; ; ; ; ; ; ; ;文献标识码： A ; ; ; ; ; ; ; ; ; ; ;文章编号：1004⁃373X（2020）12⁃0100⁃06Abstract： The random selection of initial weights and thresholds in the prediction process of traditional Elman neural network is easy to fall into the problem of local minimization. A method of lithium battery remaining life prediction based on IPSO（improved particle swarm optimization）⁃Elman neural network is proposed to increase the prediction accuracy of the remaining life of the lithium battery. In allusion to the concomitant noise in the lithium battery measurement data，Gaussian is used to reduce the noise and the impact of noise in data， and extract the original data; the initial parameter of the Elman neural network is optimized by using the IPSO global search capability; and then the effectiveness of the proposed method is verified based on the lithium battery measurement data provided by NASA （national aeronautics and space administration）， and compared with conventional BP and Elman algorithms. The prediction results show the prediction error of IPSO⁃Elman is smaller than that of BP and Elman algorithms under different training samples， which shows a stronger adaptability.Keywords： lithium battery; remaining life prediction; IPSO⁃Elman; predictive modeling; Gaussian de⁃noising; parameter optimization0 ;引 ;言锂电池具有体积小、能量密度高、续航时间长等优点，被广泛应用于移动电子设备、电动汽车、电力系统的储能上。
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910635675.6(22)申请日 2019.07.15(71)申请人 中国科学院沈阳自动化研究所地址 110016 辽宁省沈阳市沈河区南塔街114号(72)发明人 徐皑冬 胡波 闫炳均 王志平 冮明旭 王锴 (74)专利代理机构 沈阳科苑专利商标代理有限公司 21002代理人 王倩(51)Int.Cl.G01R 31/392(2019.01)G01R 31/396(2019.01)G01R 31/367(2019.01)G06F 17/18(2006.01)(54)发明名称一种锂电池剩余寿命预测方法(57)摘要本发明公开了一种锂电池剩余寿命预测方法，主要采用基于自回归(AR)时间序列和扩展卡尔曼粒子滤波算法(EKPF)的寿命预测方法，包括两个阶段，即经验退化模型构建阶段与寿命预测阶段。
第一阶段，退化模型构建阶段，首先构建基于库仑定律的电池容量衰退的双指数模型，它描述了电池可用容量与时间的变化关系，反映浓差极化和两级极化带来的电池容量损失。
通过对双指数模型加以改造变形适应状态转移方程的形式，形成变形的经验退化模型，减少了原始模型的参数个数，降低了参数训练的复杂度。
第二阶段，寿命预测阶段，通过对退化经验模型参数以及自回归参数的训练获得，并采取EKPF算法进行电池电量的走势，获取锂电池剩余寿命的预测值。
权利要求书2页 说明书4页 附图3页CN 112230154 A 2021.01.15C N 112230154A1.一种锂电池剩余寿命预测方法，其特征在于，包括以下步骤：退化模型构建阶段：首先构建用于描述电池可用容量与时间变化关系的退化模型，并获取退化模型参数；寿命预测阶段：根据退化模型参数建立自回归模型，通过卡尔曼粒子滤波方法对电池剩余寿命进行预测。
2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述退化模型通过以下步骤得到：C k＝a·exp(b·k)+c·exp(d·k) (1)其中，a，b，c，d是系数，k为周期数，电池的一次充放电是一个循环周期，C k为第k周期的电池容量；k-1时刻的模型为C k-1＝a·exp[b·(k-1)]+c·exp[d·(k-1)]； (2)通过令上述表达式相减获得：C k＝C k-1exp(b)+c·exp(d·k)[1-exp(b-d)]； (3)由于exp(b)和c·[1-exp(b-d)]均为常数项，可得简化的退化模型为C k＝α·C k-1+β·exp(γ·k)； (4)其中，退化模型参数α、β、γ的表达式如下：α＝exp(b)，β＝c·[1-exp(b-d)]，γ＝d。
