改进粒子滤波在高速列车蓄电池容量预测应用分析

改进粒子滤波在高速列车蓄电池容量预测应用分析

陈晓龙 郑鹏元 黄绪民 李硕 王宇

中车青岛四方机车车辆股份有限公司 青岛 266580

摘 要：高速铁路列车车载蓄电池是列车安全运行的重要保障之一，针对车载蓄电池容量预测的问题，本文以寻找特征因子表征蓄电池容量退化状态，根据实时监测数据结合改进粒子滤波，采用滚筒式预测车载蓄电池退化因子未来的变化趋势，并建立其预测方法的流程图该方法具有很好的动态预测能力。研究结果为该领域研究提供了一定的参考，具有一定的实用意义。

关键词：蓄电池；退化状态；改进粒子滤波；预测

引言

高速铁路列车车载蓄电池组^[1,2]是列车安全行驶的重要保障之一，蓄电池组可为列车提供启动时受电弓所需的电源，在紧急情况下，充电机或者输入电源故障时蓄电池组可以作为驱动、制动和通信等系统紧急的备用电源。是列车的备用心脏。

蓄电池组内电解液大多为有机易燃液，且能量大应用不当会导致着火甚至爆炸；过充电、过放电会导致电池内部材料特性发生变化，造成不可逆的容量损失，从而导致性能下降，寿命缩短，另外随着电池充放电次数的增加，电池的容量等整体性能都会衰退。可能会对高速列车安全运行带来非常严重的后果。因此对列车车载蓄电池的剩余寿命进行科学合理的预测，是实现蓄电池长时间可靠工作，保持高速列车安全、平稳运行具有一定的实际意义。国内外许多学者对蓄电池剩余寿命的预测进行了研究。

文献^[3]对故障预测和健康管理技术进行综述，讲解很多应用于蓄电池的方法和实例，为后续研究提供了许多思路，文献^[4]对锂离子电池的退化机理、老化建模和估计等进行充分分析，可以按照此方法对车载蓄电池进行相关的原理分析。随着研究的深入，电池配套智能、高效的管理系统^[5](battery management system，BMS)也相应出现。BMS通过对电池健康状态数据的监测、采集和估计来对电池的运行和维护进行指导，以保持电池在不同环境下、不同工况条件下能够安全、稳定的使用。

在电池剩余寿命预测方面较为广泛的方法是基于模型^[6,7]的预测方法，这种方法根据电池负载情况、内部化学机理及退化机理结合电池失效机制实现电池剩余寿命的预测。基于模型的预测方法已经研究了很久已经较为成熟，如电化学第一原理模型、电化学阻抗谱模型、等效电路模型和经验退化模型等。这类基于模型的预测方法在蓄电池的预测方面取了显著的成就，随着算法的改进已经加入了综合因子考虑建立的复杂的模型都显现了较为准确的预测结果，为后续的研究打下了坚实的基础。但是此类方法都较大的依赖准确的数据进行准确模型的的建立，而且蓄电池退化过程是个动态过程，相对固定且复杂的基于模型的预测方法难以实现精准的预测。因此本文提出通过对电池监测数据与电池退化状态进行相关性分析，寻找能表征蓄电池退化状态的特征因子。进而结合实数据表征电池的实时健康状态。结合改进粒子滤波算法进行滚筒式预测，实现蓄电池剩余寿命的动态预测。

蓄电池退化状态识别

反映电池存储电能性能，定量反映电池退化状态^[8]的参数指标，随着充放电次数的增多，电池性能退化，电池状态会反映到相对应的特征因子上，用来确定电池的健康状态。目前国内外研究学者一般可以采用容量、功率及阻抗表征电池的退化状态。然而直接对电池容量的预测较为困难。因为普通的传感器无法在线监测电池的内部状态，实际工程中，无法实时有效地获取，往往是通过安时估算法估算电池的实际容量，这种方法不但耗时多，而且误差较大。所以采用直接预测的方法往往会因为数据方面的短板导致预测模型不精确。

因此本文提出采用间接测量的方式，通过寻找与电池容量变化相关性较高的特征因子进行相关性分析，得到特征因子与电池容量变化的模型来反映电池容量的衰退过程，这种间接测量的方式易于测量，可以快速反映电池退化的进行和健康状态，误差相对较小。

基于改进粒子滤波预测容量方法

粒子滤波相对于神经网络预测^[9]方式，采用基于模型和实际数据相结合的预测方法，更具有准确性。相对于卡尔曼滤波，粒子滤波不受噪声模型的限制，对于非线性系统也具有同样的预测能力。粒子滤波通过蒙特卡洛模拟^[10]来实现贝叶斯估计，但是会产生较为严重的粒子退化问题，因此需要在粒子滤波的算法中增加一个重采样^[15]的过程可以有效抑制粒子退化问题。当前粒子滤波常采用的重采样算法包括以下四种：随机重采样、多项式重采样、系统重采样、残差重采样。本文基于文献^[11]实验及分析可知，系统重采样的性能优于其他三种重采样算法，因此本文后续试验采用系统重采样算法。

重采样过程解决了粒子滤波算法中的粒子退化问题，但同时也引入了新的问题，即粒子多样性损失问题，即具有较大权值的粒子被多次选取。这使得采样结果中包含了许多重复点， 不能有效地反映状态变量的概率密度分布，从而丧失了粒子的多样性，甚至导致滤波的发散。 针对这个问题对模型参数预测带来的预测结果精度和预测可靠性不理想的问题，本文采用改进的粒子滤波即正则化粒子滤波

^[12]方法（Regularized Particle Filter，RPF）来提高预测结果PDF的精度，从而保证预测结果的不确定性表达具有较高的可靠性。

为此本文采用粒子滤波结合车载蓄电池实际数据采用滚筒式预测方法，既在理论电池报废容量前获得的实际数据用来进行模型参数的训练，进行蓄电池容量的预测。再把电池监测系统得到的新数据加入原有的数据中再进行训练，修改粒子滤波预测模型的参数，从而使预测模型参数更加准确。粒子滤波预测与历史数据拟合模型和实时数据结合的滚筒式预测方法步骤如下图：

图1 粒子滤波预测与历史数据拟合模型和实时数据结合的滚筒式预测流程

总结

针对高速列车车载蓄电池容量剩余使用寿命的问题。本文提出了寻找特征因子表征蓄电池退化状态，据实时监测数据结合改进粒子滤波，采用滚筒式预测车载蓄电池退化因子未来的变化趋势，即车载蓄电池容量，并建立了粒子滤波预测与历史数据拟合模型和实时数据结合的滚筒式预测流程。为下一步研究打下了基础。

参考文献

[1] 杨丽, 胡金鑫. 车载蓄电池应急牵引改造方案[J]. 铁道机车与动车, 2019,(4):32-34.

[2] 佐藤雄司, 石炜. 铁路用车载蓄电池更换周期合理化研究[J]. 国外铁道机车与动车,2019, 464(02):50-52.

[3] JOHNSON S B,GORMLEY T J,KESSLER S S, et al．System Health Management with Aerospace Applications[M]. United Kingdom: John Wiley & Sons, Ltd, West Sussex,2011.

[4] BAR R é A,DEGUILHEM B, GROLLEAU S, et al A Review on Lithium-ion Battery Ageing Mechanisms and Estimations for Automotive Applications[J]. Journal of Power Sources, 2013， 241: 680-689.

[5] LU L, HAN X, LI J, et al. A Review on the Key Issues for Lithium-ion Battery Management in Electric Vehicles[J]. Journal of Power Sources, 2013, 226: 272-288.

[6] Q Zhang, R E White. Capacity fade analysis of a lithium-ion cell [J]. Journal of Power Sources, 2008, 179(2): 793-798.

[7] HU X, LI S, PENG H. A Comparative Study of Equivalent Circuit Models for Li-ion Batteries[J]. Journal of Power Sources, 2012, 198: 359-367.

[8] 李孝鹏, 蒋艳. 综合考虑运行状态的锂电池SOC估计研究%SOC Estimation Study of Lithium-ion Battery Considering the State of Operation Comprehensively[J]. 软件导刊, 2018, 017(011):149-153.

[9] 郑亚锋,卢海彬,谢红军.基于神经网络的智能吹灰优化系统设计与应用[J].热力发电,2012,41(10):44-46.

[10] 徐钟济. 蒙特卡罗方法[M].上海：上海科学技术出版社,1985.

[11] 罗悦.基于粒子滤波的锂离子电池剩余寿命预测方法研究[D].哈尔滨工业大学, 2012.

[12] Musso C, Oudjane N, Gland F L. Improving regularized particle filters[J], 2001,(5):25-28.