小波变换在MHNi电池放电容量预测中应用.docVIP

小波变换在MHNi电池放电容量预测中应用 　　【摘要】本文提出了一种基于小波变换技术检测蓄电池剩余容量的方法，首先使用db5小波函数对电池充电电压特性数据进行降噪，然后，对重构的电池充电电压特性数据，在不同分辨率下，进行小波变换模极值检测，找出电池放电电压结束的时间，最后预测出电池的放电容量，该方法应用到AA型密封MH-Ni电池上进行检测，提高了预测的准确性，为预测蓄电池剩余容量提供了一种新的行之有效的检测方法。 　　【关键词】MH-Ni电池；放电容量预测；小波变换；模极值检测 　　1.引言 　　蓄电池的剩余容量是作为电池可持续使用时间长久的判断依据，这就要求电池管理系统能够准确的测试出电池的电化学特性，并且能够准确可靠的获得电池现存的容量状态，即电池放电容量的估计和预测。由于电池是一种电化学能源，它具有机理复杂、使用状态多变、影响因素多等特点，使得采用相同电池化学方案、辅原材料和生产工艺生产的同一批电池性能具有离散性，这就造成电化学能源不象一般机械和电气设备那样，有较为显现的规律性，可以用明确的数学函数来建立其数学模型。因此，蓄电池容量预测方法通常是通过其外部表现的特性来揭示其内部变化规律的特性来揭示其内部变化规律，如安时积分法、开路电压法、内阻测量法和人工智能法[1-3]。前3种属于传统方法，传统方法的特点是通过测试电池的电化学外特性-如开路电压、恒流放电时电压的变化规律或内阻参数，然后根据数学模型来计算剩余电量，这对于具有非线性和时序性系统特点的电池，难易实时在线预测精度的要求。人工智能把人们的思维过程模型化，采用快速发展的计算机技术来模仿人的智能，包括具有判断、理解、推理、预测、识别、学习等特点，这促进了一类基于非数学模型的智能控制方法的发展。 　　如基于神经网络的SOC辨识方法已经成为电池研究领域的一个热点。但是在目前的研究中，神经网络模型主要集中在电池恒流或变流放电过程的辨识，而且，此方法需要需要大量参考数据供神经网络进行学习，且数据和训练方法要求较高，否则会造成不可接受的误差。 　　本文提出了一种基于小波变换技术检测蓄电池放电容量的算法。从实际测得的电池充电电压特性曲线中分离掉噪声和干扰，然后，基于多分辨率，进行小波变换模极值检测，确定出电池放电电压结束时间，即可快速出预测电池的放电容量，并且使预测精度得到明显提高。目前，小波变换已作为一种新的信号分析与处理方法，成为当今迅速发展的前沿学科。对于用小波变换通过电池充电电压特性来确定电池放电结束时间，预测电池的放电容量的研究，则未见相关报道。 　　2.电池的特性曲线及放电容量 　　2.1 电池电压特性曲线 　　通常电池在一定电流下进行充电和放电时都是用曲线来表示电池端电压和温度随时间的变化，把这些曲线称为电池特性曲线。4节镍氢单体电池以900mA恒流充放电电压特性曲线如图所示；从图1可见，电池在恒流充放电条件下的电压特性变化可分为3个阶段：第一阶段为充电或放电初期，电池端电压随着时间的延长，电压不断上升或下降较快；第二阶段为充电或放电曲线逐渐趋于平缓，进人“平台区”。这一阶段持续的时间受电池的充放电倍率、电池的质量和寿命等参数影响；第三阶段为充电或放电结束期，在充电结束期间，当充电平台结束时，充电电压开始迅速上升直至到最高点，然后充电电压开始缓慢下降，当充电电压从最大值下降到10mV时，充电过程结束，电池进入恢复期。在放电结束期间，即放电平台结束时，放电电压开始迅速下升，放电曲线呈直线下降的趋势，当放电电压达到1000mV时，放电过程结束。 　　2.2 电池的放电容量 　　目前电池放电容量的定义为按一定倍率的电流对电池进行充电和放电，当放电结束时，放电电流和放电时间的乘积被称为该倍率下的放电容量。图2为图1中的3节AA型电池在900mA电流下完成的充电和放电时的电压与容量关系图，4节电池的实际放电容量分别为901mAh、992mAh、768mAh和676mAh，为便于分析，电池号分别记作1#、2#、3#和4#。 　　3.基于小波分析预测放电容量过程 　　本文算法利用小波原理和Lipschitz正则性理论对原始电池电压充电特性信号进行处理和分析，并在不同分辨率下，对电池充电电压特性信号进行小波变换及小波变换模极大值检测，预测放电容量。算法及步骤如下：（1）电池充电电压特性信号的预处理；（2）电池充电电压特性信号的小波降噪；（3）小波变换系数检测；（4）计算放电容量。 　　3.1 电池电压特性曲线的预处理 　　电池充放电电压曲线具有组成过程简单、周期长的特点，这就需要对输入的电池充电电压的观测数据进行预处理，保留在定性上有意义的时间点的观测值。输入恒流测试时的充电电压特性曲线的采样数据。根椐采样定理将充电电压特性曲线离散化，得到离散的电压序列： 　　采样时间t的选取