(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110654915.4 (22)申请日 2021.06.11 (65)同一申请的已公布的文献号 申请公布号 CN 113391211 A (43)申请公布日 2021.09.14 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 刘震　陈啸午　汪静元　程玉华　 王厚军　 (74)专利代理 机构 四川鼎韬律师事务所 513 32 代理人 温利平 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/387(2019.01) G01R 31/392(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 1074790 00 A,2017.12.15 CN 102778653 A,2012.1 1.14 CN 112068003 A,2020.12.1 1 CN 112749474 A,2021.0 5.04 US 2018316204 A1,2018.1 1.01 US 201424 4225 A1,2014.08.28 朱晓栋 等.基 于维纳过程的电池剩余使用 寿命预测. 《机 械制造与自动化》 .2018,第197- 200页. Shengjin Tang 等.Remai ning useful life predicti on of lithium-i on batteries based on the wiener proces s with measurement er ror. 《Energies》 .2014,第520 - 548页. Xiaowu Chen 等.An Adaptive Predicti on Model for the Remai ning Life of an L i-Ion Battery Based o n the Fusi on of the Tw o- Phase Wiener Proces s and an Extreme Learning Machine. 《Electro nics》 .2021,第10 卷(第5期),第1-19页. 审查员 刘彦庭 (54)发明名称 一种小样本条件下的锂电池剩余寿命预测 方法 (57)摘要 本发明公开了一种小样本条件下的锂电池 剩余寿命预测方法， 通过加速锂电池的寿命实 验， 获取锂电池容量在不同时刻的退化量； 然后 利用最大似然估计算法估计每个锂电池在二阶 段维纳过程模 型中的参数， 进而估计出每个的分 布参数； 接着利用二阶段 维纳过程扩充锂电池 退 化数据， 用于训练多个神经网络， 并通过预测时 长选出最优的神经网络， 用于待测锂电池剩余寿 命的实时预测， 具有预测精度高、 预测速度快等 特点。 权利要求书3页 说明书8页 附图3页 CN 113391211 B 2022.04.19 CN 113391211 B 1.一种小样本条件下的锂电池剩余寿命预测方法， 其特 征在于， 包括以下步骤： (1)、 获取锂电池容 量在不同时刻的退化 量； 通过加速N个锂电池的寿命实验， 采样每个锂电池在不同时刻的容量， 再将每个锂电池 在不同时刻的容量与初始容量做差， 获得每个锂电池在不同时刻的容量退化量， 其中， 第i 个锂电池在不同时刻的容量退化量记为 其中， i＝1,2, …,N， 表 示第i个锂电池的初始容量退化量， 表示第i个锂电池在第t个时刻的容量退化量， t＝1, 2,…,T， T表示采样时刻数； (2)、 构建锂电池在每 个采样时刻的二阶段维纳过程模型； 其中， μ1和 μ2分别是第一阶段和第二阶段维纳过程的漂移系数； φ1和φ2分别是第一阶 段和第二阶段维纳过程的扩散系数； B(t)为标准布朗运动， τ表 示锂电池容量退化的拐点时 刻， x0表示锂电池的初始容 量退化量， xτ表示锂电池在拐点时刻 τ 时对应的容 量退化量； (3)、 利用最大似然估计算法估计 每个锂电池在二阶段维纳过程模型中的参数θi； (3.1)、 设第i个锂电池在X(t)中的模型参数为θi， 其中， μi,1, μi,2表示第i个锂电池在第一阶段和第二阶段维纳过程的漂移系数， φi,1,φi,2表示第i个锂 电池在第一阶段和第二阶段维纳过程的扩散系数， τi表示第i个锂电池容量退化的拐点时 刻； (3.2)、 利用最大似然估计算法估计θi： 其中， 为 的协 方差矩阵， 具体满足： 为 的协方差矩阵， 具体满权　利　要　求　书 1/3 页 2 CN 113391211 B 2足： (3.3)、 将N个锂电池 估计的的参数构建参数集 合Θ＝{ θ1, θ2,…, θi,…, θN}； (4)、 估计 每个θi的分布参数； 在二阶段维纳过程模型中， 令漂移系数μ1服从正态分布的随机变量 其 中， 为μ1的均值， 为μ1方差； 令漂移系数μ2服从正态分布的随机变量 令 锂电池容量退化的拐点时刻τ服从伽马分布的随机变量τ～Ga( α, β )， 其中， α, β 分别表示形 状参数和逆尺度参数； 那么， 在参数集合Θ中， 利用{ μ1,1, μ2,1,…, μi,1,…, μN,1}估计 μ1的分布参数 利用 { μ12, μ22,…, μi2,…, μN2}估计 μ2的分布参数 利用{ τ1, τ2,…, τi,…, τN}估计τ 的分布参 数α, β； (5)、 生成采样数据 (5.1)、 将步骤(3)中所有锂电池在第一阶段和第二阶段维纳过程的扩散系数 与 分别求均值， 其结果作 为采样参数， 分别记 为 (5.2)、 对随机变量{ μ1, μ2, τ }进行采样， 设共计采样Nsimulate组参数， 结合步骤(5.1)得到 将每一组采样参数记为： (5.3)、 将Nsimulate组采样参数依次代入至二阶段维纳过程模型X(t)， 得到Nsimulate组锂电 池容量退化数据； (6)、 利用每一组锂电池容量退化数据训练一个ELM神经网络， 从而得到Nsimulate个用于 预测锂电池剩余寿命的ELM神经网络； (7)、 按照步骤(1)所述方法采集待测锂电池前 个时刻的容量退化量， 记为 表示待测锂电池在 个时刻的容 量退化量； 设置失效阈值w； 判断 是否小于失效阈值w， 如果小于， 则进 入步骤(8)； 否则， 判断待测 锂电池失效， 算法结束； (8)、 选最优的ELM神经网络； (8.1)、 在 中， 取前 个时刻的容量退化量 作为每一个ELM权　利　要　求　书 2/3 页 3 CN 113391211 B 3