基于DMM-EKF的超级电容器剩余使用寿命预测

doi:10.3901/JME.2024.14.306

机械工程学报 ›› 2024, Vol. 60 ›› Issue (14): 306-316.doi: 10.3901/JME.2024.14.306

扫码分享

基于DMM-EKF的超级电容器剩余使用寿命预测

楼功茂^1,2,3, 林文文^1,2,3, 王宇作^1,2,3

1. 宁波大学机械工程与力学学院宁波 315211;
2. 宁波大学先进储能技术与装备研究院宁波 315211;
3. 宁波大学浙江省零件轧制成形技术研究重点实验室宁波 315211

收稿日期:2023-07-03 修回日期:2024-02-02 出版日期:2024-07-20 发布日期:2024-08-29
作者简介:楼功茂,男,1998年出生。主要研究方向为超级电容器渐变性状态诊断。E-mail:2011081126@nbu.edu.cn;林文文(通信作者),男,1990年出生,博士,讲师。主要研究方向为先进储能系统及装备。E-mail:linwenwen@nbu.edu.cn;王宇作,男,1990年出生,博士研究生。主要研究方向为电化学储能。E-mail:wangyuzuo@nbu.edu.cn

Remaining Useful Life Prediction of Supercapacitors Based on DMM-EKF

LOU Gongmao^1,2,3, LIN Wenwen^1,2,3, WANG Yuzuo^1,2,3

1. Faculty of Mechanical Engineering and Mechanics, Ningbo University, Ningbo 315211;
2. Institute of Advanced Energy Storage Technology and Equipment, Ningbo University, Ningbo 315211;
3. Zhejiang Key Laboratory of Parts Rolling Forming Technology, Ningbo University, Ningbo 315211

Received:2023-07-03 Revised:2024-02-02 Online:2024-07-20 Published:2024-08-29

摘要/Abstract

摘要： 超级电容器是一种新型的电化学储能器件，具有循环寿命长、功率密度高、工作温度广等优势，已在轨道交通、工业节能和电网调频等领域广泛应用。准确评估超级电容器的健康状态及剩余使用寿命，对优化储能管理系统，消除安全隐患至关重要。为此，提出一种基于衰退模式匹配(Decay mode matching，DMM)和扩展卡尔曼滤波(Extended Kalman filter，EKF)的预测方法，实现超级电容器剩余使用寿命的准确预测。在历史衰退数据库的基础上，采用豪斯多夫距离来选取与被预测超级电容器衰退模式最匹配的历史衰退过程，即相似衰退过程。基于双指数经验模型建立面向容量衰退的系统模型和量测模型，以相似衰退过程的双指数拟合结果作为初始参数，使用扩展卡尔曼滤波算法进行超级电容器的剩余使用寿命预测。试验结果表明，所提出方法具有较高的预测精度，且鲁棒性好，在两种不同噪声下不同工况单体预测误差均低于1.4%。

关键词: 超级电容器, 剩余使用寿命, 扩展卡尔曼滤波, 双指数模型, 衰退模式匹配

Abstract: Supercapacitor is a new type of electrochemical energy storage device, which has the advantages of long cycle life, high power density and wide working temperature. It has been widely used in rail transit, industrial energy saving and power grid frequency modulation. Accurate evaluation of the state of health and remaining useful life of supercapacitors is very important to optimize the energy storage management system and eliminate potential safety hazards. Therefore, a prediction method based on decay mode matching(DMM) and extended Kalman filter(EKF) is proposed to accurately predict the remaining useful life of supercapacitors. Based on the historical decay database, the Hausdorff distance is used to select the historical decay process that best matches the predicted supercapacitor decay mode, that is, the similar decay process. Based on the dual exponential empirical model, the system model and measurement model for capacitance decay are established. Taking the dual exponential fitting results of similar decay process as the initial parameters, the extended Kalman filter algorithm is used to predict the remaining useful life of supercapacitors. The experimental results show that the proposed method has high prediction accuracy and good robustness, and the cell prediction error is less than 1.4% under two different noises and different working conditions.

Key words: supercapacitors, remaining useful life, extended Kalman filter, dual exponential model, decay mode matching

中图分类号:

TG156

楼功茂, 林文文, 王宇作. 基于DMM-EKF的超级电容器剩余使用寿命预测[J]. 机械工程学报, 2024, 60(14): 306-316.

LOU Gongmao, LIN Wenwen, WANG Yuzuo. Remaining Useful Life Prediction of Supercapacitors Based on DMM-EKF[J]. Journal of Mechanical Engineering, 2024, 60(14): 306-316.

参考文献

[1] 高小雨. 锂离子电池剩余寿命预测多参数优化方法[D]. 成都：电子科技大学，2020. GAO Xiaoyu. Multi parameter optimization method for remaining life prediction of lithium ion battery[D]. Chengdu：University of Electronic Science and Technology，2020.
[2] ZHOU Yanting，HUANG Yinuo，PANG Jinbo，et al. Remaining useful life prediction for supercapacitor based on long short-term memory neural network[J]. Journal of Power Sources，2019，440：227149.
[3] 周艳婷. 基于改进的长短时记忆神经网络的超级电容器寿命预测研究[D]. 青岛：青岛大学，2020. ZHOU Yanting. Research on life prediction of supercapacitor based on improved long-term and short-term memory neural network[D]. Qingdao：Qingdao University，2020.
[4] REN Jiahao，LIN Xirong，LIU Jinyun，et al. Engineering early prediction of supercapacitors’ cycle life using neural networks[J]. Journal Pre-proof，2020，18：100537.
[5] 林慧龙，李赛. 基于粒子滤波的锂离子电池剩余使用寿命预测[J]. 科学技术与工程，2017，17(29)：297-301. LIN Huilong，LI Sai. Prediction of remaining using life of lithium ion battery based on particle filter[J]. ScienceTechnology and Engineering，2017，17(29)：297-301.
[6] 王海霞，李凯勇. 基于扩展卡尔曼滤波的锂离子电池寿命预测方法[J]. 计算机测量与控制，2019，27(8)：271-275. WANG Haixia，LI Kaiyong. Life prediction method of lithium ion battery based on extended Kalman filter[J]. Computer Measurement & Control，2019，27(8)：271-275.
[7] 马彦，陈阳，张帆，等. 基于扩展H_∞粒子滤波算法的动力电池寿命预测方法[J]. 机械工程学报，2019，55(20)：37-42. MA Yan，CHEN Yang，ZHANG Fan，et al. Remaining useful life prediction of power battery based on extend H_∞particle filter algorithm[J]. Journal of Mechanical Engineering，2019，55(20)：37-42.
[8] 陈万，蔡艳平，苏延召，等. 基于改进粒子滤波的锂离子电池剩余寿命预测[J]. 中国测试，2021，47(7)：148-153. CHEN Wan，CAI Yanping，SU Yanzhao，et al. Prediction of residual life of lithium ion battery based on improved particle filter[J]. China Measurement & Test，2021，47(7)：148-153.
[9] Su Xiaohong，Wang Shuai，Michael P，et al. Interacting multiple model particle filter for prognostics of lithium-ion batteries[J]. Microelectronics Reliability，2017，70：59-69.
[10] Ma Yan，Chen Yang，Zhou Xiuwen，et al. Remaining useful life prediction of lithium-ion battery based on Gauss-Hermite particle filter[J]. IEEE Transactions on Control Systems Technology，2019，27(4)：1788-1795.
[11] 于淼，朱昱豪，顾鑫，等. 基于膨胀应力的锂离子电池剩余使用寿命预测[J]. 电气工程学报，2024，19(1)：49-56. YU Miao，ZHU Yuhao，GU Xin，et al. Remaining useful life prediction of lithium-ion batteries based on expansion stress[J]. Journal of Electrical Engineering，2024，19(1)：49-56.
[12] 李彦梅，刘惠汉，张朝龙，等. 基于双高斯模型的锂电池剩余使用寿命预测方法[J]. 电气工程学报，2022，17(4)：32-40. LI Yanmei，LIU Huihan，ZHANG Chaolong，et al. Lithium-ion battery RUL prediction method based on double Gaussian model[J]. Journal of Electrical Engineering，2022，17(4)：32-40.
[13] SIM D，KWON O，PARK R. Object matching algorithms using robust Hausdorff distance measures[J]. IEEE Transaction on Image Processing，1999，8(3)：425-429.
[14] Liu Xingtao，Li Kun，WU Ji，et al. An extended Kalman filter based data-driven method for state of charge estimation of Li-ion batteries[J]. Journal of Energy Storage，2021，40：102655.
[15] 刘王泽宇，李青，庾甜甜，等. 锂离子电池过放电状态的阻抗特性研究[J]. 电气工程学报，2022，17(4)：51-60. LIU Wangzeyu，LI Qing，YU Tiantian，et al. Study on impedance characteristics of lithium-ion battery in over discharge state[J]. Journal of Electrical Engineering，2022，17(4)：51-60.

基于DMM-EKF的超级电容器剩余使用寿命预测

Remaining Useful Life Prediction of Supercapacitors Based on DMM-EKF

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	蒋帅, 陈铖, 段砚州, 熊瑞. 温度和老化影响下的锂离子电池荷电状态和健康状态联合估计方法研究[J]. 机械工程学报, 2024, 60(18): 266-275.
[2]	刘华开, 丁康, 何国林, 李巍华, 林慧斌. 联合故障机理和卷积神经网络的齿轮剩余使用寿命预测方法研究[J]. 机械工程学报, 2024, 60(12): 116-125.
[3]	张文, 丁雨林, 陈咏华, 孙振国. 圆柱形钢制构件表面爬壁机器人姿态估计方法[J]. 机械工程学报, 2022, 58(5): 1-7.
[4]	李彦梅, 刘惠汉, 张朝龙, 罗来劲. 基于双高斯模型的锂电池剩余使用寿命预测方法^*[J]. 电气工程学报, 2022, 17(4): 32-40.
[5]	汤勇, 白石根, 吴耀鹏, 袁伟, 万珍平, 谢颖熙. 高电压微型超级电容器的制造方法及研究进展[J]. 机械工程学报, 2021, 57(22): 305-324.
[6]	高贯斌, 张石文, 那靖, 刘飞. 基于标定和关节空间插值的工业机器人轨迹误差补偿[J]. 机械工程学报, 2021, 57(21): 55-67.
[7]	舒星, 刘永刚, 申江卫, 陈峥. 基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测[J]. 机械工程学报, 2021, 57(14): 118-128.
[8]	胡博, 赵兴勇. 基于混合储能的微电网动态电压恢复器研究 ^*[J]. 电气工程学报, 2020, 15(4): 99-105.
[9]	熊瑞, 李幸港. 基于双卡尔曼滤波算法的动力电池内部温度估计[J]. 机械工程学报, 2020, 56(14): 146-151.
[10]	张志勇, 张淑芝, 黄彩霞, 张刘铸, 李博浩. 基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计[J]. 机械工程学报, 2019, 55(6): 156-165.
[11]	汤勇, 刘辉龙, 陆龙生, 谢颖熙, 袁伟, 万珍平, 李宗涛, 丁鑫锐. 激光加工平面型微超级电容器的研究进展与发展趋势[J]. 机械工程学报, 2019, 55(4): 189-206.
[12]	李洪珠,孙佳月,马文涛,程江涛. 基于半桥变换器与次序耦合变压器的超级电容均压[J]. 电气工程学报, 2015, 10(6): 41-46.
[13]	李洪宇,王群京,李国丽,谢芳,谢鹏,杨新年. 基于扩展卡尔曼滤波器的电机参数辨识算法[J]. 电气工程学报, 2015, 10(5): 34-42.
[14]	张旭刚;张华;江志刚. 基于剩余使用寿命评估的再制造方案决策模型及应用[J]. , 2013, 49(7): 51-57.
[15]	杨晶东;洪炳镕;周彤;陈凤东. 移动机器人里程计非系统误差不确定性分析方法[J]. , 2008, 44(8): 7-12.