基于改进GM(1,N)灰色关联模型的铅酸蓄电池容量预测

铅酸蓄电池由于其容量大、成本低、自放电率低等优点是应急电源(EPS)系统的基本组成部分,剩余容量作为衡量蓄电池能力指标的重要参数直接影响着系统的安全运行。引入电池的端电压、内阻两个参数作为容量的两个关联因素,建立多因素关联分析的GM(1,N)灰色模型,并对模型进行了改进,针对影响模型预测精度的关键量"均值序列加权参数",提出了一种合理有效的选取方法,最后的预测实例验证以及误差分析表明,该方法具有操作简单、算法复杂度低而且预测精度高的优点,有很强的实际应用价值。     

相关向量机在蓄电池剩余容量预测中的应用

剩余容量是蓄电池管理控制的重要参数,为了准确预测阀控式密封铅酸(VRLA)蓄电池的剩余容量,提高预测精度,引入了相关向量机方法对蓄电池剩余容量进行预测,并与最小二乘支持向量机模型、遗传BP神经网络模型的预测效果进行了比较.仿真结果表明,该方法降低了预测模型的复杂度,预测精度高,学习泛化能力强,具有一定的应用价值.     

区域气象站蓄电池剩余容量预测算法分析

为了解决目前区域气象站维护业务中缺乏关于蓄电池剩余容量的有效监测手段等问题,开展了相关研究工作。首先通过电压测量法得到区域站蓄电池电压变化曲线,并采用二次多项式部分拟合作为其剩余容量的预测算法;然后利用MATLAB脚本代码计算得出基于试验样本的拟合最优参数;最后根据设定的计算模型和相关参数,开发了蓄电池剩余容量监测软件。经测试,预测误差值小于10%,该软件能够及时向维护人员提供蓄电池的有效监测信息及预测信息。     

基于改进灰色模型的蓄电池剩余容量预测

蓄电池作为直流系统交流停电时的后备电源,其剩余容量直接影响了直流系统的安全运行。在对现有灰色预测模型进行深入研究的基础上,将遗传算法引入到GM(1,1)模型中,对此加以改进,提出了一种新的基于遗传算法的蓄电池剩余容量灰色预测模型。预测实例表明,基于遗传算法的蓄电池剩余容量改进灰色预测模型比传统的GM(1,1)预测模型具有更高的模型精度,能够满足工程需要。该方法可减少传统的电池容量放电实验次数,从而延长了蓄电池的使用寿命。     

基于LS-SVM的矿用隔爆电源蓄电池容量预测

现有煤矿安全监控系统不能实时在线检测备用蓄电池容量,造成交流断电后备用电池不能可靠运行。提出利用开路电压法检测备用蓄电池容量,通过LS-SVM对蓄电池放电数据进行训练,获取蓄电池端电压与容量的关系模型,在此基础上根据蓄电池端电压实现电池容量预测。通过实验表明,该方法能有效预测矿用隔爆电源备用蓄电池的剩余容量。     

用于补偿风电预测误差的混合储能容量配置及成本分析

为大型风电场配置适当容量的储能系统,可以有效提高电网对风电的接纳能力。文中提出了一种由压缩空气储能和蓄电池组成的新型混合储能系统,并将其用于平衡风功率和风电场预测功率之间的偏差。基于低通滤波方法将功率偏差进行分解,得到两类储能系统的控制输出功率,以采取相应的控制机制补偿预测误差。在计及蓄电池损耗特性的基础上,建立了蓄电池的寿命评估模型。通过分析混合储能系统的成本结构,建立了该系统的全寿命周期成本计算模型。以典型风电场为例对不同储能方案进行的对比分析验证了所述模型和方法的可行性。算例结果表明,与单一蓄电池储能相比,采用新型混合储能系统可以有效利用压缩空气储能成本低、寿命长的优势,减少对蓄电池的容量配置,提高储能系统的经济性。     

变电站蓄电池性能远程在线监测系统研制

系统一方面通过单片机系统实时采集蓄电池(阀控式铅酸蓄电池)电压、电流等参数,同时采用二次电压法计算蓄电池内阻和容量,另一方面通过嵌入式计算机系统对实时数据进行分析处理,得出蓄电池综合性能的评价,同时对评价结果进行网络发布。系统能实时在线测试蓄电池各项参数,通过蓄电池的内阻和容量预测电池寿命,保证变电站直流系统安全运行。     

灰色系统在蓄电池失效预测中的应用

依据蓄电池内阻与剩余容量之间的非线性关系,采用灰色预测系统的GM[1,1]模型,实现对铅酸免维护蓄电池失效的预测。这种方法取代了传统的电池容量试验方法,取得了很好的效果。     

最小二乘支持向量机在航空蓄电池剩余容量预测中的应用

本文提出了一种预测航空蓄电池剩余容量的新方法.介绍了电池容量常用的几种预测方法及缺点;阐述了用于航空蓄电池容量预测的最小二乘支持向量机(LS-SVM)回归算法原理,并说明了预测模型的建立步骤;提出了交叉验证法来优化惩罚因子和核函数参数,给出了两种误差标准;最后用实验数据验证了所建LS-SVM预测模型的准确性,并与BP神经网络进行比较,仿真结果证明,LS-SVM预测模型比BPNN模型的精度高,更适合用于航空蓄电池容量在线预测.     

基于多元非线性回归理论的坦克蓄电池剩余容量非线性回归预测研究

坦克蓄电池是复杂的非线性系统,影响电池剩余容量的主要因素是电动势和内阻,在此基础上建立了电池剩余容量的初等非线性回归预测模型。实例仿真结果表明模型具有较高的精确度,预测结果优于神经网络、支持向量机等模型,而且模型结构简单、直观,可操作性强,运算结果稳定,为坦克蓄电池充电、使用及维护提供了一种新思路、新方法。     

基于 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

通信蓄电池运行能力智能分析管理系统开发与应用

通信蓄电池运行能力智能分析管理系统可实时精准监控蓄电池内阻、电压、主回路电流、温度,并以专用的BOM统计分析软件为依托,设定内阻门限值,建立了可优化的容量与内阻的数据模型,对蓄电池的动、静态内阻实施双维度对比分析,定性判断蓄电池健康状况,定量预知蓄电池容量,适时进行预报警,达到对全网蓄电池运行能力资源实施可控、预知性的管理,进而为系统安全、稳定、可靠地运行提供保障。     

基于DSP2812的阀控式铅酸蓄电池状态监测系统设计

根据阀控式铅酸(Valve Regulated Lead Acid,VRLA)蓄电池的数学模型提出了一种计算电池剩余容量的方法,然后以TI公司的TMS320LF2812A为核心,设计了一种新型电池容量、电压、电流和温度实时在线监测系统。电压检测采用巡检方式,以降低成本和系统冗余;温度检测采用温度传感器DS18B20,体积小且精度高;上位机实时显示电池组的状态。实际运行表明此监测系统具有实时检测、精度高、使用灵活并可以长期稳定运行的特点。     

动力锂电池折旧率的规律研究

碳酸铁锂电池在使用过程中,各项参数会发生规律性变化,其折旧率的规律是反映锂电池能量的重要指标。通过建立电池模型,研究了锂电池剩余电量的估计方法,列举了常见的电池SOC(电池的荷电状态,State of Charge)的估计方法,分析了各种方法的优点和局限性,提出基于人工神经网络模型的SOC预测方法,并在车仿真软件ADVISOR上进行仿真分析。最后通过动力电池SOC的仿真结果,给出了电动汽车动力电池SOH(电池的寿命状态,State of Health)的预测方法,提出通过曲线拟合模型进行预测,得出电池衰减速度的规律。     

基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。     

锂电池剩余寿命的ELM间接预测方法

针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题,提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性,选择等压降放电时间作为锂电池间接寿命特征参数,构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型,实现锂电池的RUL预测。基于NASA锂电池数据集预测并评估锂电池的RUL,并且与ELM直接预测方法和高斯过程回归间接预测方法相比较,本方法能够有效的预测锂电池的RUL,预测结果的误差范围为5%左右,具备较好的锂电池RUL预测精度。     

锂电池健康度和剩余寿命预测算法研究

为了实现锂电池健康状态检测和电池故障诊断,在电池全生命周期退化数据基础上,分别使用容量增量分析和差分电压分析法进行特征提取,使用皮尔逊相关系数对健康因子进行相关性分析,并将其输入到人工神经网络用于电池健康状态(state of health, SOH)预测。针对电池容量非线性的退化特性以及局部重生现象,使用双指数函数对其进行建模。同时结合粒子滤波算法对模型参数进行估计,实现电池剩余使用寿命(remaining useful life, RUL)的概率密度预测。实验结果表明所提出的方法能够实现SOH的精准预测和RUL的不确定性估计。     

基于 GBDT 算法的锂电池剩余使用寿命预测

针对现有方法对锂电池剩余使用寿命(RUL)预测精度不高,模型训练时间较长的问题,提出一种基于梯度提升决策树 算法(GBDT)结合网格搜索法(GS)的预测模型。 首先,分析锂电池的充放电循环过程,确定电压、电流、温度为可用健康因子 (HI);其次,处理历史数据中的异常值,并均值化可用健康因子数据为特征输入;最后,通过 GBDT 算法建立锂电池剩余使用寿 命预测模型,并采用 GS 优化模型参数。 基于 NASA 锂电池容量衰减数据,实验结果表明,模型在 RMSE、MAE、MAPE 评价指标 上相对其他方法均提升了约 10 倍,并且可将锂电池剩余使用寿命预测误差率控制在 0. 05 以内,训练时间缩减至 4. 5 s。     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。