预测电池剩余寿命概率分布的方法、系统、设备、汽车及介质与流程

1.本技术涉及新能源汽车电池安全监控技术领域，具体是基于mcmc采样的电池剩余寿命预测结果概率分布的确定方法。


背景技术：

2.目前传统的电池安全监控是以电池热失控算法为主，对当前时刻的车辆电池状态以及未来电池退化趋势难以给出预见性判断。锂离子电池长时间的循环充放电会导致其本身的容量发生衰退。在电池的早期使用过程中，容量退化还比较缓慢；当容量衰退到一定程度后，电池会加速退化，出现容量“跳水”现象，并在较短时间内容量衰退到电池失效。对电池的剩余寿命rul(remaining useful life，)进行预测，有利于预估电池未来失效的时间点，提前感知并降低电池的运行风险，提高用户用车体验。
3.现有技术多是基于机器学习方法建立电池剩余寿命预测模型。机器学习方法可以使用观测数据和最小二乘法等最优化方法求得模型的参数值，但不能给出模型参数的分布，从而无法推导出剩余寿命预测值的概率密度函数pdf(probability density function，)，无法获取预测结果的置信区间。然而，剩余寿命预测结果的概率分布对于电池失效的风险分析和维护决策至关重要。概率分布为预测结果提供了定量的不确定性，可以使维护策略基于该不确定性大小做出合理的决策，从而避免因电池退化而导致的意外故障和损失。如公开号：公开号cn202010568146.1，名称“一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法”的中国发明专利。
4.公开号cn110442941b，名称“基于粒子滤波与过程噪声融合的电池状态与rul预测方法”，运用最优跟踪模型辨识参数更新经验状态方程与量测信息，指导产生新的提议分布，运用标准pf算法建立电池剩余使用寿命预测模型，结合状态跟踪最优量测信息修正提议sis更新粒子权重计算，构建基于mcmc的更新改进pf算法模型，得到电池容量的最终状态估计值，判断是否达到电池失效阈值。
5.然而用于描述退化过程的模型参数都是固定的。实际情况中，同类电池受制造过程一致性差异的影响，遵循的退化规律是也是存在波动的，但固定的模型参数无法在退化模型中描述这种波动。因此，在描述电池退化过程时，应考虑到退化过程模型参数的不确定性，并最终体现到剩余寿命预测结果的概率分布之中。


技术实现要素：

6.有鉴于此，本技术针对现有机器学习方法无法提供剩余寿命预测结果的概率分布，以及电池退化模型参数后验概率密度的封闭解析解难获得的问题，为了获取电池剩余寿命预测结果的概率分布，首先要获取电池容量退化模型参数的后验概率分布，由于电池容量退化模型往往是高度非线性的，所以获得退化模型参数后验概率分布的封闭解析解比较困难，本发明通过采样的方式获得模型参数概率分布的数值解，继而获得剩余寿命预测结果的概率分布，即概率密度函数。即通过mcmc采样，对电池容量退化模型参数的后验概率
分布进行采样，获得电池退化模型参数的后验概率分布的数值解，将模型参数代入退化模型中，外推电池容量的退化轨迹至失效阈值，获得模型参数的后验概率分布，继而获得剩余寿命预测结果的概率函数。
7.根据本技术的一个方面，提出一种基于mcmc采样预测电池剩余寿命概率分布的方法，基于电池放电容量曲线与放电循环数建立电池容量衰退模型拟合电池系统的放电容量退化趋势；基于放电容量观测序列获取电池退化模型参数后验概率密度函数；通过似然函数描述电池容量衰退模型拟合值和观测值之间的相似度；获取高斯分布的概率密度函数pdf作为似然函数；根据退化模型设置mcmc采样参数，对电池容量退化模型参数的后验概率分布p(θ|y
{1:t}
)中进行采样，根据采样参数的接受概率确定当前放电循环时刻电池退化模型参数，计算电池容量衰退模型参数的估计值；将参数估计值代入衰退模型外推至失效阈值，获取电池剩余寿命rul预测值；将所有mcmc采样值的参数估计值代入电池容量衰退模型外推至失效阈值，获取rul的预测结果的概率分布。
8.进一步优选，所述得到当前放电循环时刻电池退化模型参数包括：对电池容量衰退模型中各个独立的参数进行采样，直到完成ns次采样，得到ns组采样值，计算每个采样值的接受概率，接受概率满足要求的采样值作为当前放电循环时刻电池退化模型参数。
9.进一步优选，将全部ns组模型参数采样值代入退化模型中，形成ns条退化轨迹曲线，用轨迹到达失效阈值的时刻减去当前时刻得到该模型参数剩余寿命rul值，通过ns条退化轨迹曲线获得ns个rul值，形成当前时刻的rul分布，构造剩余寿命预测结果的后验概率分布数值解。
10.进一步优选，所述放电容量退化趋势中t时刻的电池放电容量f(t)是模型参数θ与时间的函数，模型参数θ的后验概率分布为给定观测序列y
{1:t}
时θ的条件概率p(θ|y
{1:t}
))，通过采样后验概率分布，得到后验概率分布的数值解。
11.进一步优选，所述建立电池容量衰退模型包括，根据放电循环数、放电容量曲线采用指数函数描述电池的退化过程构建放电容量衰退模型计算当前放电循环时刻t的电池放电容量拟合值f(t)，其中，a、b、c为相互独立的退化模型参数，其先验服从高斯分布。
12.进一步优选，所述根据采样参数的接受概率确定当前放电循环时刻电池退化模型参数包括，从电池退化放电循环数第i时刻建议分布q(θ
(i 1)
|θ(i))中抽样出任意独立参数θ
i 1
，根据放电循环第i时刻各个独立参数的先验概率分布p(θ(i))、似然函数p(y
{1:t}
|θ(i))、后验概率分布p(θi|y
{1:t}
)、建议分布q(θ(i)|θ
(i 1)
)，第i 1时刻各个独立参数的先验概率分布p(θ
(i 1)
)、似然函数p(y
{1:t}
|θ
(i 1)
)、后验概率分布p(θ
i 1
|y
{1:t}
)、建议分布q(θ
(i 1)
|θi)，调用公式：
13.计算电池退化模型中
放电循环数第i 1时刻任意独立模型参数θ
(i 1)
的接受概率a(θ
(i 1)
|θi)，从均匀分布中产生随机数u，u～u(0,1)，若u《a(θ
(i 1)
|θi)，则接受放电循环数第i 1时刻的参数θ
i 1
作为当前时刻模型参数，否则，保持当前时刻的模型参数仍为第i时刻的参数θi的值。
14.进一步优选，所述所有mcmc采样值的参数估计值代入电池退化模型外推至失效阈值获取rul的预测概率分布进一步包括：将采样获得的所有ns组模型参数代入退化模型中，形成ns条退化轨迹曲线，用轨迹到达失效阈值的时刻减去当前时刻得到该模型参数剩余寿命rul值，根据ns个rul值形成当前时刻的rul分布，构造剩余寿命预测结果的后验概率分布数值解。
15.进一步优选，所述所有mcmc采样值的参数估计值代入电池退化模型外推至失效阈值获取rul的预测概率分布进一步包括：基于大数定理估计退化模型参数的后验概率分布的期望即根据放电循环任意时刻i的参数θi，调用公式：计算退化模型参数θ的后验概率分布的期望将作为估计值代入退化模型外推至失效阈值，获取rul预测值，其中，ns为放电循环数。
16.进一步优选，根据公式：计算放电循环时刻t退化模型的拟合值f(t)与放电容量y
t
的似然函数为p(y
t
|θ)，采集一系列放电容量观测序列y
{1:t}
(y
{1:t}
＝y1，y
t 1
......y
t
)，根据公式：计算观测序列y
{1:t}
的总体似然函数p(y
{1:t}
|θ)，根据公式：
17.获取退化模型参数后验pdf p(θ|y
{1:t}
)
18.根据本技术的另一方面，提出一种基于mcmc采样预测电池剩余寿命概率分布的系统，包括：mcmc采样单元、计数单元、算法模块、电池容量衰退模型，电池容量衰退模型，基于放电容量与放电循环数建立拟合电池系统的放电容量退化趋势，基于放电容量观测序列获取电池退化模型参数后验pdf，通过似然函数描述电池容量衰退模型拟合值和观测值之间的相似度，获取高斯分布的pdf作为似然函数；mcmc采样单元，根据退化模型参数设置mcmc采样参数，从模型参数的后验概率分布p(θ|y
{1:t}
)中进行参数采样，根据采样参数的接受概率确定当前放电循环时刻电池退化模型参数；算法模块，根据当前放电循环时刻电池退化模型参数计算当前模型参数的估计值，将所有参数估计值代入电池容量衰退模型外推值失效阈值，获取rul的预测结果的概率分布；计数单元，根据放电循环数ns计数，当mcmc采样个数达到ns个停止采样。
19.进一步优选，所述电池容量衰退模型为，根据放电循环数、放电容量曲线采用指数函数描述电池的退化过程构建放电容量衰退模型计算当前放电循环时刻t的电池放电容量拟合值f(t)，其中，a、b、c为相互独立的退化模型参数，其先验服从
高斯分布。
20.进一步优选，所述根据采样参数的接受概率确定当前放电循环时刻电池退化模型参数包括，从电池退化放电循环数第i时刻建议分布q(θ
(i 1)
|θ(i))中抽样出任意独立参数θ
i 1
，根据放电循环第i时刻各个独立参数的先验概率分布p(θ(i))、似然函数p(y
{1:t}
|θ(i))、后验概率分布p(θi|y
{1:t}
)、建议分布q(θ(i)|θ
(i 1)
)，第i 1时刻各个独立参数的先验概率分布p(θ
(i 1)
)、似然函数p(y
{1:t}
|θ
(i 1)
)、后验概率分布p(θ
i 1
|y
{1:t}
)、建议分布q(θ
(i 1)
|θi)，调用公式：
21.计算电池退化模型中放电循环数第i 1时刻任意独立模型参数θ
(i 1)
的接受概率a(θ
(i 1)
|θi)，从均匀分布中产生随机数u，u～u(0,1)，若u《a(θ
(i 1)
|θi)，则接受放电循环数第i 1时刻的参数θ
i 1
作为当前时刻模型参数，否则，保持当前时刻的模型参数仍为第i时刻的参数θi的值。
22.进一步优选，获取放电循环时刻t的放电容量y
t
，设定标准差σs，获取高斯分布的pdf作为似然函数，根据公式：计算放电循环时刻t退化模型的拟合值f(t)与放电容量y
t
的似然函数p(y
t
|θ)，采集一系列放电容量观测序列y
{1:t}
(y
{1:t}
＝y1，y
t 1
......y
t
)，根据公式：计算基于全部观测序列y
{1:t}
的总体似然函数p(y
{1:t}
|θ)，根据公式：
23.获取退化模型参数后验pdf p(θ|y
{1:t}
)。
24.根据本技术的另一方面，提出一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上面所述的基于mcmc采样预测电池剩余寿命概率分布的方法。
25.根据本技术的另一方面，提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上面所述的基于mcmc采样预测电池剩余寿命概率分布的方法。
26.根据本技术的另一方面，提出一种汽车，包括如上所述的基于mcmc采样预测电池剩余寿命概率分布的系统。
27.本技术提供了一种获取剩余寿命预测结果概率分布的方法，为电池剩余寿命预测结果提供了概率分布，该概率分布为预测结果提供了定量的预测不确定性，可以使维护策略基于该不确定性大小做出合理的决策，从而避免因电池退化而导致的意外故障和损失。在目前大多数电池剩余寿命预测模型无法给出预测结果的不确定度的情况下，本技术不需
要因容量退化模型的改变而重新推导模型参数后验概率分布的解析解，直接从模型参数后验概率分布中直接采样即可，提出的定量确定电池剩余寿命预测结果不确定性的解决方案；为电池剩余寿命预测结果提供了定量的不确定度量，更便于电池预测性维护、推送策略的制定，并且所提出方法也易于在云端部署，实施。
附图说明
28.在下面结合附图对于示例性实施例的描述中，本技术的更多细节、特征和优点被公开。
29.图1根据本技术示例性实施例确定剩余寿命预测结果概率分布流程示意图；
30.图2根据本技术示例性实施例确定数据集中电池的放电容量退化曲线；
31.图3根据本技术示例性实施例确定电池单体在第50个放电循环后基于mcmc采样得到的失效时间pdf分布示意图；
32.图4根据本技术示例性实施例确定剩余寿命预测值及其pdf分布示意图。
具体实施方式
33.下面将参照附图更详细地描述本技术的实施例。虽然附图中显示了本技术的某些实施例，然而应当理解的是，本技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本技术。应当理解的是，本技术的附图及实施例仅用于示例性作用，并非用于限制本技术的保护范围。
34.应当理解，本技术的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本技术的范围在此方面不受限制。
35.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
36.需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
37.本技术实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
38.本发明实施例通过对电池容量退化模型参数的后验概率分布进行采样，获得模型参数的后验概率分布，继而获得剩余寿命预测结果的概率分布。
39.为了获取电池剩余寿命预测结果的概率分布，首先要获取电池容量退化模型参数的后验概率分布。由于电池容量退化模型往往是高度非线性的，所以获得退化模型参数后验概率分布的封闭解析解比较困难，需要通过采样的方式获得模型参数概率分布的数值解，继而获得剩余寿命预测结果的概率分布，即概率密度函数。
40.为了考虑退化过程模型参数的不确定性，本发明基于mcmc采样获取退化模型参数
后验估计样本，并外推至失效阈值获取样本数量的剩余寿命值，将这些剩余寿命值统计得到剩余寿命预测结果的概率分布。将模型参数的不确定性体现到剩余寿命预测结果的概率分布之中。
41.图1示出了根据本技术示例性实施例确定剩余寿命预测结果概率分布的流程示意图。
42.包括：建立电池容量退化模型，设定退化模型参数的先验概率密度函数pdf(probability density function)，基于放电容量观测序列获取退化模型参数后验概率密度函数pdf。初始化退化模型参数，设置mcmc采样参数，mcmc采样获取退化模型参数的预定个采样值；基于采样值计算退化模型参数的估计值；将退化模型参数估计值代入退化模型外推值失效阈值，获取电池剩余寿命rulremaining useful life)预测值；将所有mcmc采样值代入电池容量退化模型外推至失效阈值，获取rul的预测结果的概率分布。具体为：
43.基于放电容量与放电循环数cycle建立电池容量退化模型；基于退化模型参数θ的先验服从高斯分布设定退化模型参数的先验pdf(p(θ))；基于放电容量观测序列获取模型参数后验pdf；通过似然函数描述电池容量衰退模型拟合值和观测值之间的相似度；获取高斯分布的pdf作为似然函数；退化模型参数θ的后验概率分布为给定观测序列y
{1:t}
时θ的条件概率即(p(θ|y
{1:t}
)))；通过采样后验概率分布，得到后验概率分布的数值解。
44.基于放电容量与放电循环数cycle建立容量退化模型。由于电池容量在循环充放电过程中一直在衰减，因此，一般可用幂函数模型、多项式模型、指数模型等描述电池容量的衰退过程，根据电池当前的放电循环数，容量退化模型拟合当前放电循环数时刻t的电池放电容量f(t)。t时刻的电池放电容量f(t)是模型参数与时间t的函数，本实施例采用如下公式构建容量退化模型，设定退化模型参数的先验pdf，假设退化模型参数为相互独立参数a、b、c，根据电池当前的放电循环数时刻t，确定退化模型拟合的t时刻的电池放电容量f(t)，
[0045][0046]
其中，退化模型参数(a、b、c)的先验服从高斯分布，为方便后面的描述参数a、b、c统一用θ表示，即θ∈(a、b、c)，如模型参数θ的分布服从均值为μθ、标准差为σθ的正态分布，可得θ～n(μθ、σθ)，表示模型参数的先验不确定性。
[0047]
其中，高斯分布参数的指定遵循以下规律，如高斯分布均值μ
θ
的值有较高置信度，则标准差σ
θ
为应取较小的值，反之，应指定较大的值保证对分布均值μ
θ
的估计主要取决于观测数据而非先验分布。由此，根据公式：
[0048][0049]
基于放电容量观测序列可得到总体似然函数p(y
{1:t}
|θ)，获取模型参数后验pdf p(θ|y
{1:t}
)。
[0050]
本技术实例性实施例的一种计算总体似然函数的方法。
[0051]
随着放电循环数的增加，放电容量的观测值也在不断增加。为了能够不断融合新
增加的观测值信息，通过似然函数来描述容量衰退模型拟合值和观测值之间的相似程度。达到预定放电循环数后，获取当前放电循环时刻t的放电容量y
t
，设定其标准差为σs，获取高斯分布的pdf作为似然函数。即根据公式：
[0052]
计算t时刻退化模型的拟合值f(t)与放电容量y
t
的似然函数为p(y
t|
θ)。
[0053]
假设当前完成了t个放电循环，得到一系列放电容量观测序列y
{1:t}
(y
{1:t}
＝y
t
，y
t 1
......y
t
)，根据上述公式计算放电循环每时刻的似然函数，由此获得总体似然函数p(y
{1:t}
|θ)。
[0054]
本实施例可将总体似然函数确定为每一个时刻似然函数的乘积，即根据公式：
[0055]
计算观测序列y
{1:t}
的总体似然函数p(y
{1:t}
|θ)。
[0056]
退化模型独立参数中的任意参数θ的后验概率分布为给定观测序列y
{1:t}
时参数的条件概率，t时刻的电池放电容量f(t)是模型参数θ与时间的函数，
[0057]
由此，可通过贝叶斯推断构建模型参数的后验概率分布p(θ|y
{1:t}
)，即
[0058][0059]
上式分母中的积分项可视为归一化常数，当独立参数θ有n个待估参数时为n重积分，可知p(θ|y{1:t})难以求出解析解。
[0060]
由于p(θ|y
{1:t}
)很难得到解析解，所以采用mcmc采样去获得模型参数后验概率分布的数值解。从模型参数的后验概率分布p(θ|y
{1:t}
)中进行采样，采样出ns个值，这ns个值的分布描述了退化模型参数的不确定性。
[0061]
马尔科夫链蒙特卡洛方法mcmc(markov chain monte carlo)采样中，metropolis-hastings算法的接受准则消除了这一积分项，因此，可以通过对该后验概率分布进行大量采样，采样出各个独立模型参数的大量样本，通过采样值得到后验概率分布的数值解。
[0062]
初始化退化模型参数，设置mcmc采样参数：对退化模型进行初始化，初始化各个独立的模型参数θ，如mcmc采样个数设置为ns个，将建议分布q(θ
(i 1)
|θ(i))设置为均匀分布。采样个数ns一般根据经验设定，主要考虑计算机性能开销，采样个数越多越好，建议分布可以任意设定，可设定为像均匀分布、高斯分布、狄利克雷分布等，本实施例将建议分布设置为均匀分布，用于计算后面的接受概率a(θ
(i 1)
|θ(i)))。
[0063]
从初始状态开始，从电池退化中放电循环数第i时刻建议分布q(θ
(i 1)
|θ(i))中抽样出当前的任意独立参数θ
i 1
，建议分布在设置mcmc采样参数时设置为均匀分布，如服从[θ
(i)-0.5,θ(i) 0.5]之间的均匀分布，，直接调用函数进行均匀分布抽样，此时得到的参数值θ
i 1
用于计算接受概率。
[0064]
计算接受概率a(θ
i 1
|θ(i))。依据mcmc算法metropolis-hastings，根据电池退化模
型中放电循环数第i时刻各个独立参数的先验概率分布p(θ(i))、似然函数p(y
{1:t}
|θ(i))、后验概率分布p(θi|y
{1:t}
)、建议分布q(θ(i)|θ
(i 1)
)，第i 1时刻各个独立参数的先验概率分布p(θ
(i 1)
)、似然函数p(y
{1:t}
|θ
(i 1)
)、后验概率分布p(θ
i 1
|y
{1:t}
)、建议分布q(θ
(i 1)
|θi)，调用公式：
[0065][0066]
计算电池退化模型中放电循环数第i 1时刻任意独立模型参数θ
(i 1)
的接受概率a(θ
(i 1)
|θi)，通过对原始的接受概率进行变形来加快收敛速度。
[0067]
根据接收概率确定电池退化模型当前放电循环数时刻参数。
[0068]
本实施例的其中一种方法为，从均匀分布中产生随机数u，u～u(0,1)，u服从[0,1]之间的均匀分布。若u《a(θ
(i 1)
|θi)，则接受电池退化模型中放电循环数第i 1时刻的参数θ
i 1
作为当前模型参数，当前时刻的模型参数θi用预测的第i 1时刻的模型参数θ
i 1
代替；反之，则拒绝该次采样，保持当前时刻的模型参数仍为θi的值不变。获得所有放电循环中电池退化模型参数θ。通过mcmc算法采样得到电池退化模型参数θ的后验概率分布p(θ|y
{1:t}
)。
[0069]
对各个独立的模型参数进行采样，直到完成ns次采样，得到ns个采样值，计算每个采样值的接受概率，接受概率满足要求的采样值作为当前放电循环数时刻电池退化模型参数；所有满足接受概率的采样值代入电池退化模型外推至失效阈值，获取rul的预测概率分布。
[0070]
将所有ns组模型参数代入退化模型中，可以形成ns条退化轨迹曲线，用轨迹到达失效阈值的时刻减去当前时刻就是该模型参数剩余寿命rul值，通过ns条退化轨迹曲线就能获得ns个rul值，根据这ns个rul值就能形成当前时刻的rul分布。得到ns个剩余寿命预测值，构造剩余寿命预测结果的后验概率分布数值解。
[0071]
本技术获取rul值的示例性实施例还包括，基于采样值计算模型参数的估计值。由于mcmc采样的参数值服从后验概率分布p(θ|y{1:t})，基于大数定理可以估计退化模型参数的后验概率分布的期望根据放电循环数任意第i时刻的参数θi，调用公式：
[0072]
计算退化模型参数θ的后验概率分布的期望
[0073]
将退化模型参数的后验概率分布的期望作为估计值代入退化模型外推至失效阈值，获取rul预测值，得到剩余寿命预测值。
[0074]
为了使本发明实现的技术手段、达成目的与功效易于明白了解，以下结合具体实施例对本发明所述电池剩余寿命预测结果概率分布确定方法作具体阐述。
[0075]
实施例所用电池充放电数据来自nasa电池测试公开数据集，设定电池容量的失效阈值为1.25ah，根据上述mcmc采样确定退化模型参数得到，电池运行至失效的放电循环-放电容量曲线如图2所示。
[0076]
本实施例以指数函数为例构建电池容量退化模型，指数函数能够比较好的拟合电池系统的放电容量退化趋势。根据放电循环-放电容量曲线采用指数函数来描述电池的退
化过程，构建放电容量退化模型，根据公式：
[0077]
计算退化模型拟合的t时刻的电池放电容量f(t)。式中，t表示电池当前的放电循环数，f(t)表示t时刻的电池放电容量。公式中包含的三个未知参数θ＝[a,b,c]用于控制容量退化轨迹的趋势。根据mcmc采样方法，得到ns组模型参数[a,b,c]，把这ns组模型参数代入退化模型，就可以形成ns条退化轨迹曲线，剩余寿命rul就是轨迹到达失效阈值的时刻-当前时刻，就能获得ns个rul值，根据这ns个rul值就能形成当前时刻的rul分布。
[0078]
如图3所示为本发明实施例在第50个放电循环后基于mcmc采样得到的失效时间pdf示意图，横坐标为放电循环cycle，纵坐标为放电容量(al)。真实容量退化值曲线位于失效阈值之上，放电循环数对应的ns条退化轨迹，得到的真实失效时间，获取失效时间分布。根据本发明所提出方法，电池在完成第50个放电循环后基于mcmc采样得到的ns条退化轨迹，以及失效时间分布pdf，将失效时间分布减去当前时刻的放电循环数就可确定当前时刻的剩余寿命预测结果的概率分布。
[0079]
在第50个放电循环预测剩余寿命的实际过程，对模型参数采样得到了ns个采样值，就是ns组模型参数，把这ns组模型参数代入退化模型，就可以形成ns条退化轨迹曲线，轨迹曲线到达失效阈值的时刻减去当前时刻就是剩余寿命rul，获得ns个rul值，根据这ns个rul值就能形成当前时刻的rul分布。
[0080]
如图4所示为本发明实施例剩余寿命预测值及其失效时间pdf关系示意图。当前循环放电cycle下，rul预测值与rul真实值比较，rul预测结果的概率密度函数关系，曲线为rul预测结果的概率密度函数，其中虚线代表rul预测值，实现代表rul真实值。图4示出了根据本发明所提方法，电池在完成第50、75、100、125个放电循环后得到的剩余寿命预测值及其pdf，展示了电池多次剩余寿命预测结果的概率分布，如图4中第50个放电循环时的概率分布对应图3得到的第50个放电循环预测剩余寿命概率分布。
[0081]
本技术示例性实施例还提供一种汽车，该汽车为使用可充电锂电池的新能源汽车，包括，汽车电池、车机中控设备。基于mcmc采样预测电池剩余寿命概率分布的系统。
[0082]
本技术示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本技术实施例的方法。
[0083]
本技术示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本技术实施例的方法。
[0084]
本技术示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本技术实施例的方法。
[0085]
电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅
作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
[0086]
用于实施本技术的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0087]
在本技术的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0088]
如本技术使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0089]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0090]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0091]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。