赵 斐,郭 明,刘学娟

(1.东北大学 秦皇岛分校,河北 秦皇岛 066004;2.东北大学 工商管理学院,辽宁 沈阳 110819;3.北京科技大学 经济与管理学院,北京 100083)

0 引言

锂电池具有能量密度大、效率高、寿命长等性能,被广泛应用于航空航天、汽车制造、军事通讯等领域[1]。然而,随着锂电池的使用和外部温度等随机因素的影响,其内部不断发生复杂的电化学反应,导致容量和功率不断降低,性能随之退化[2],一旦锂退化量超过阈值,就可能出现绝缘体损坏和短路等问题,若不能及时发现,则有可能引发自燃、爆炸,甚至造成不可估量的损失[3]。因此,准确预测锂电池的健康状态和剩余寿命,对维护电池系统、降低使用成本和事故发生概率至关重要[2]。目前,有关锂电池剩余寿命预测的方法主要有机理模型法、数据驱动法以及将两者融合的方法[4]。其中,基于机理模型方法的预测结果比较准确,然而由于难以精确刻画锂电池退化的电化学反应,预测结果严重依赖于所选取的模型。与之相比,数据驱动方法无需对锂电池退化的内部机理建模,而是基于历史监测信息采用概率统计、随机过程等方法建立锂电池退化模型来预测剩余寿命[5]。

由于容量监测数据更易获取,数据驱动法已受到工业界和学术界的关注。数据驱动法中Gamma过程和逆高斯过程仅适用于对单调退化路径情形建模,而维纳过程更适合描述非单调退化问题,已有不少学者对此展开研究[6]。例如,李军星等[7]通过分析影响硬盘寿命和可靠性的块错误率,采用维纳过程建立了硬盘存储性能的退化模型;唐圣金等[8]利用维纳过程对卫星光纤陀螺进行剩余寿命预测。……