JLG蓄电池基于非线性扩散过程与改进粒子滤波算法的锂离子电池剩余容量区间预测
来源：JLG电瓶 2026-03-09 19:26:55 点击：
摘要
针对电池退化过程的预测问题，基于模型的方法通常存在预测精度低、难以描述随机性与个体差异的局限性。为解决该问题，本文构建了基于非线性扩散过程的电池退化模型，并提出改进粒子滤波算法以实现锂离子电池剩余容量的区间预测。该模型以维纳过程为基础框架，通过扩展幂指数、将漂移参数设为随机变量并引入中间参数，实现了退化过程中非线性特征与个体差异的表征，同时准确描述了电池的实际循环次数。针对该算法，研究将改进的Metropolis-Hastings重采样策略与K近邻估计方法引入传统粒子滤波算法，有效解决了粒子多样性匮乏问题，实现了电池剩余容量区间预测。通过真实锂离子电池数据验证了所提模型与算法的有效性。引言
现有预测电池剩余容量的方法主要分为三类：数据驱动方法、经验值驱动方法和模型驱动方法。数据驱动方法绕过了理解电池退化复杂细节的必要性，直接提取时间和电压等特征中的有效信息，建立这些特性与电池容量退化之间的定量关系，从而实现电池剩余容量的预测[[6], [7], [8]]。Zhong等[9]引入卡尔曼滤波算法与轻量级神经网络，用于估计可穿戴设备电池的荷电状态。Li等[10]通过提取电池电压、电流及温度参数，提出一种改进型循环神经网络来估算电池剩余容量。随着电池材料与器件的持续进步，一些新型数据驱动方法也相继被提出。Li等[11]提出了一种通用健康管理方法，该方法将多任务处理框架与物理信息神经网络相结合，以适应新型电池材料与多样化任务需求。Xin等[12]提出采用长短期记忆神经网络估算锂硫电池健康状态的方法。总体而言，数据驱动方法展现出较强的灵活性且不依赖模型假设，但其预测精度受限于训练数据的数量与质量，这一局限性显著制约了实际应用。基于经验值的方法利用经验数据预测电池剩余容量。通过构建日历模型和循环模型，纳入温度和电流倍率等变量以预测电池剩余容量[13]。Petit等[14]采用考虑温度的日历模型，评估了充电倍率和充电策略对电池剩余容量的影响。Zabala等[15]提出一种日历模型，描述了不同温度与荷电状态同电池剩余容量之间的关系。Zabala等[16]整合循环模型与日历模型，提出用于预测锂离子电池剩余容量的半经验衰减模型。虽然基于经验值的方法易于实现，但其严格的使用条件限制了在复杂环境中的应用。
由于具备自我校正特性、小样本训练需求及宽松的使用条件，基于模型的方法相较于前述两种方法具有更广泛的应用范围[17]。该方法通过建立数学模型描述电池退化过程，继而采用粒子滤波(PF)算法等滤波技术[18]更新模型参数并预测电池剩余容量。学者们针对电池退化过程开展了深入研究，提出了一系列描述该过程的模型，包括单指数模型[19]、双指数模型[20]、两阶段伽马过程模型[21]、二次多项式模型[22]以及基于库伦效率的模型[23]。同时，他们还引入了粒子滤波算法及其改进算法[19,20]用于预测电池剩余容量。尽管基于模型的方法已取得显著Achievement，但仍存在若干问题。首先，现有模型无法准确描述同类型电池间的个体差异。其次，粒子滤波算法等现有预测方法存在粒子多样性匮乏问题，影响了算法性能。此外，现有方法缺乏对预测结果置信区间的评估，这降低了预测的准确性与可靠性。
因此，我们提出了一种电池剩余容量区间预测框架，包含新型电池退化模型与剩余容量预测算法。其创新性体现在以下方面。
- (1)
本研究提出了一种电池剩余容量区间预测框架。通过将非线性扩散过程与改进粒子滤波算法相融合，实现了电池剩余容量的精准预测。 - (2)
构建了一个描述电池退化过程的非线性扩散模型。该模型首先考虑了电池退化的随机性与非线性特性；其次，其兼顾了同型号电池间存在的个体退化差异；此外，该模型还解决了电池循环次数无法真实反映剩余容量的问题。 - (3)
设计了一种改进的粒子滤波方法用于电池剩余容量预测。首先引入改进的Metropolis-Hastings重采样策略，缓解了粒子滤波算法固有的粒子多样性匮乏问题。此外，采用K近邻估计技术，实现了电池剩余容量的区间预测。