基于改进支持向量回归的锂电池剩余寿命预测

锂离子电池凭借其优越的性能广泛用于电动汽车及储能领域.然而,随着使用时间增加,锂离子电池性能大幅度衰退,会间接导致设备性能衰退或发生故障.因此,准确预测锂离子电池剩余有效寿命(RUL),能够对电池进行及时维护和更换,保障电池安全可靠运行.该文从充电过程中提取能够表征电池性能退化的间接健康因子,并利用Pearson和Spearman相关性分析法分析与容量之间的相关性;构建一种基于间接健康因子的改进蚁狮优化算法(IALO)支持向量回归(SVR)预测方法,实现在线准确预测锂离子电池RUL.利用NASA电池数据集对IALO-SVR方法进行验证,对比分析反向传播(BP)和SVR方法,实验结果表明,所构建的IALO-SVR方法能够更加准确地预测锂离子电池RUL.     

基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.     

新陈代谢灰色粒子滤波实现电池剩余寿命预测

电池剩余寿命(RUL)预测是电池管理系统的核心技术之一。为了以较少的数据量准确地在线预测电池RUL,提出新陈代谢灰色粒子滤波(MGM-PF)算法。首先利用一阶RC模型在线估算电池容量;然后基于估算的容量数据,利用新陈代谢灰色模型动态更新的灰色发展系数作为模型参数,构建表征电池容量退化的动态状态空间模型;并融合粒子滤波跟踪电池容量退化,实现电池RUL预测并给出预测结果的不确定性表达。实验结果表明,所提出的基于在线容量估算的MGM-PF算法能准确预测电池RUL。     

基于电动汽车工况识别预测的锂离子电池SOE估计

能量状态(SOE)是电动汽车动力电池的重要状态指标,直接影响电动汽车续航里程,受电动汽车工况显著影响。为进行基于电动汽车工况的SOE估计,对SOE估计方法、行驶工况识别算法、行驶工况预测算法展开研究,建立基于模型的电池剩余能量状态(SOR)估计方法,提出基于信息熵理论的行驶工况识别算法,应用马尔科夫链理论构建了行驶工况预测算法,建立电动汽车系统模型,仿真获取电动汽车预测行驶工况对应的电池预测工况,实现基于电动汽车工况识别与预测的SOE估计。仿真结果验证了该方法的有效性。     

基于改进回声状态网络的锂离子电池剩余使用寿命预测

锂离子电池凭借其优越的性能被广泛用于纯电动汽车及大型电气系统。然而，随着锂离子电池循环充放电，电池性能大幅度衰退，会间接导致用电系统的性能衰退或发生故障。因此，准确预测锂离子电池剩余有效寿命(RUL),能够保障电池安全可靠运行。为了提高锂离子电池RUL的预测精度，提出了一种基于改进粒子群算法(IPSO)回声状态网络(ESN)的锂离子电池RUL预测方法，实现在线准确预测锂离子电池RUL。首先，通过遗传算法(GA)的交叉和变异操作优化PSO,提高粒子局部与全局寻优能力。然后通过GA-PSO对ESN网络参数进行优化，建立退化预测模型，利用NASA公开的锂离子电池实验数据进行仿真实验。结果表明，在相同数据集条件下，与改进粒子群算法和门控循环单元(IPSO-GRU)神经网络、遗传算法的极端学习机(GA-ELM)、非线性自回归(NARX)动态神经网络、改进蚁狮优化算法支持向量回归(IALO-SVR)、间接健康指标与ESN的预测方法相比，GA-PSO-ESN有更高的预测精度、稳定性和泛化能力，表明了该方法的有效性。     

基于电池SOE预测电动汽车的续驶里程

提出采用电池能量状态(SOE)估算以提高电动汽车续驶里程预测的精度。在基本SOE定义的基础上,引入热能参数对数学模型进行修正,结合车辆质量、行驶阻力、电池组性能及行驶工况等影响因素,研究电动汽车供需功率模型,建立基于SOE的续驶里程预测方法。标准循环测试工况验证表明:该方法的精度比传统方法提高了4.09%,预测结果更接近实际值。     

基于Elman神经网络的锂离子电池RUL间接预测研究

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题。提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测。选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性。构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型。采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果。     

基于CNN-BiLSTM的锂电池剩余使用寿命概率密度预测

通过预测锂离子电池的剩余使用寿命(RUL)，可以对电池实现管理和维护，提升电池的耐用性和安全性。由于锂离子电池在使用过程中，不同的工况条件会增加锂离子电池RUL预测的不确定性，传统的点预测不能对电池的不确定性进行表达，因此提出了一种基于卷积神经网络(CNN)和双向长短时记忆循环神经网络(BiLSTM)的混合神经网络分位数回归的概率密度预测。该方法通过预测不同分位数条件下的电池容量，不仅可以利用中位数和众数对剩余寿命进行点估计，还可以利用核密度估计得到每个循环周期下电池的容量和剩余使用寿命的概率密度分布，为使用者提供更多有效的决策信息。     

基于SA-ANFIS-AUKF的PEMFC剩余使用寿命预测方法

为实现在恒定和变载工况下对质子交换膜燃料电池(PEMFC)的剩余使用寿命(RUL)预测，提出了一种基于SA-ANFIS-AUKF的混合驱动预测方法。该方法首先基于结合模拟退火(SA)算法的自适应神经模糊推理系统(ANFIS)实现未来衰退趋势(FDT)预测，然后基于预测的电压衰退结果，结合电压衰减半机理模型和自适应无迹卡尔曼滤波(AUKF)算法实现了准确的剩余使用寿命估计。并利用法国燃料电池实验室恒定工况数据集和物流车变载工况数据集进行验证，RUL估计结果的平均准确度分别为0.881 8和0.785 4。在100 h预测时长下，预测RUL的平均绝对误差均不超过12.5 h。结果表明，该混合方法不仅适用于恒定负载，在动态负载下也有良好的预测效果。     

基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测

针对锂离子电池寿命预测中模型普适性差、预测精度不足等问题,提出一种基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命RUL预测方法。首先构造锂离子电池实际容量与其循环周期的退化机理模型。对锂离子电池寿命试验数据进行凸优化降噪处理;基于预处理得到的可靠性较高的数据,采用最小二乘法对所建机理模型的参数进行辨识,从而得到精确的模型表达式,实现锂离子电池RUL的预测。基于NASA锂离子电池数据集预测并评估锂离子电池的RUL,预测结果验证了模型良好的通用性,误差范围为4%左右。