相关向量机预测锂离子电池剩余有效寿命

随着新能源汽车的迅速发展,锂离子电池已得到广泛应用。准确预测锂离子电池剩余有效寿命（RUL）对于合理规划电池使用至关重要。目前,机器算法和模型预测已广泛应用于电池剩余有效寿命的预测中。本文基于数据驱动的方法进行锂离子电池剩余有效寿命预测,通过使用相关向量机（RVM）将长期预测分为多段短期预测,并结合自相关函数、灰色关联度模型、卡尔曼滤波器（KF）进行模型优化与改进,改进后的RVM模型在三组目标电池RUL预测中的相对误差分别为5.46%、7.14%和6.29%,与其他几种预测模型的对比结果表明该模型优于其他模型。     

利用 QPSO 改进相关向量机的电池寿命预测

锂离子电池作为系统供能的关键部分,其寿命终结往往导致用电设备的性能下降或故障,甚至整个系统的崩溃。因此,研究电池剩余使用寿命(RUL),提前预知失效时间,显得日趋重要。针对锂离子电池寿命预测过程中训练时间较长、参数确定困难、输出结果不稳定等问题,提出了利用运用泛化能力更好,更稀疏,测试时间更短,更适用于在线检测的相关向量机(RVM)进行预测,并通过量子粒子群对相关向量机进行了优化,保证了预测输出结果的稳定性。分析结果表明,量子粒子群算法改进后的相关向量机对锂电池失效时间的预测准确度高达99%,电池寿命预测的绝对误差平均值2%,均方根误差3%,验证了该改进算法的可行性和优越性。     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

锂离子电池剩余寿命预测研究

准确的锂离子电池剩余寿命预测对其安全有效管理及使用维护具有重要意义。针对锂离子电池寿命预测的研究现状进行分析,归纳总结了锂离子电池寿命建模思路。重点研究了近年来用于剩余寿命预测的技术、算法和模型,并分别比较了各类预测方法的优缺点,给出了锂离子电池剩余寿命预测亟待解决的问题及发展趋势。     

基于电压数据片段混合模型的锂离子电池剩余寿命预测与健康状态估计

锂离子电池剩余寿命预测及健康状态估计作为储能安全中最为核心的问题,其重要指标往往集中在电池的容量与内阻,但在实际工作中,测量容量需要完整的充放电周期,测量内阻多须外加设备。针对上述问题,基于锂离子电池恒流放电工况,将放电初始片段瞬时压降幅值作为新健康因子,在面对新健康因子数据受噪声污染时,通过多阶Bezier曲线对新健康因子数据进行重构降噪并与循环圈数构建电池经验退化模型;在此基础上,以电压片段来定义电池健康状态,提出新的健康状态评估模型;最后,通过NASA公开的老化数据集与实验平台验证了所提退化模型与估计模型的可行性与有效性。     

基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明：所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。     

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Sp...     

锂离子电池剩余寿命预测方法综述

准确预测锂离子电池的剩余寿命对提高设备的安全性和降低设备的维护成本具有重要意义.针对锂离子电池剩余寿命预测方法的研究现状进行分析,归纳总结了基于模型的方法、基于数据驱动的方法和基于融合的方法,对比分析了不同方法的优缺点.然后总结归纳了锂离子电池剩余寿命预测在实际应用中常见的两个问题,最后分析了未来的发展趋势和挑战.     

计及健康特征信息量的锂离子电池健康状态与剩余寿命预测研究

电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性,但并没有考虑其信息量及信息质量,低质量的数据输入会造成一定程度的预测偏差。针对上述问题,提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health, SOH)预测与剩余寿命(remaining useful life, RUL)估计模型。该模型在GA-BP神经网络的基础上,通过确定有效健康特征数据集,利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果,将过滤后的预测结果作为电池老化模型的输入,进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证,得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下,剩余寿命估计结果MAE、RMSE分别控制在0.0031 mA·h、0.0042 mA·h之下,具有良好的可行性与有效性。     

锂离子电池状态估算与寿命预测综述

随着锂离子电池的广泛应用,其健康管理和寿命评估成为很多领域的挑战和热点问题。准确的电池状态估算与剩余使用寿命预测能让用户及时获取电池信息并更新失效电池,保障整个电池组的安全高效运行。为此,针对锂离子电池健康管理和寿命预测的研究现状进行分析,重点归纳和总结了锂离子电池剩余使用寿命预测的方法和应用现状,涵盖锂离子电池荷电状态与健康状态估算和剩余使用寿命预测2部分核心内容,总结其优势与局限性,并分析了未来的发展趋势和研究挑战。     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

Data-driven prognostics and remaining useful life estimation for lithium-ion battery:

As an important and necessary part in the intelligent battery management systems (BMS), the prognostics and remaining useful life (RUL) estimation for lithium-ion batteries attach more and more attractions. Especially, the data-driven approaches use only the monitoring data and historical data to model the performance degradation and assess the health status, that makes these methods flexible and applicable in actual lithium-ion battery applications. At first, the related concepts and definitions are introduced. And the degradation parameters identification and extraction is presented, as the health indicator and the foundation of RUL prediction for the lithium-ion batteries. Then, data-driven methods used for lithium-ion battery RUL estimation are summarized, in which several statistical and machine learning algorithms are involved. Finally, the future trend for battery prognostics and RUL estimation are forecasted.     

锂离子电池剩余寿命间接预测方法研究

针对锂离子电池的容量在线测量困难的问题,提出了一种基于优化的融合型间接健康因子和改进的最小二乘支持向量机的锂离子电池剩余寿命间接预测方法.首先采用自适应健康因子提取方法提取了等电压升充电时间序列和等电流降充电时间序列,通过健康因子的线性组合和Box-Cox变换构建了优化的融合型健康因子.然后针对最小二乘支持向量机的超参数调整困难的问题,提出了基于粒子群优化的改进算法.在此基础上,构建了基于优化的融合型健康因子的锂离子电池剩余寿命间接预测方法.实验结果表明,提出的间接预测方法能够较好地拟合容量的退化过程,同时预测精度比基于单一健康因子的方法更高.     

基于PF-ARIMA的锂离子电池剩余寿命预测

针对电池健康状态局部波动增加预测难度,采用粒子滤波和自回归整合移动平均模型分别预测由经验模态分解提取的健康状态趋势项和细节项,实现锂离子电池剩余寿命预测.提出的PF-ARIMA方法相对误差均值约4.0％,表明该方法能够较为准确地预测锂离子电池剩余寿命.     

基于改进集成经验模态分解和高斯过程回归的锂离子电池剩余容量及寿命预测方法

锂离子电池在储能电站中为消纳可再生能源作出了重要贡献,其运行的稳定性和可靠性受到了研究人员的持续关注。为了解决锂离子电池容量及剩余寿命的预测和抑制测量过程中因各种外界因素引起的噪声,提出了一种基于改进的集成经验模态分解MEEMD(modified ensemble empirical mode decomposition)去噪和经贝叶斯优化的高斯过程回归BO-GPR(gaussian process regression optimized by Bayesian optimization algorithm)的锂离子电池容量及剩余寿命预测方法。首先,利用MEEMD方法识别并去除原始测量数据中的噪声分量。然后,利用BO-GPR方法预测锂离子电池容量及剩余寿命,其中贝叶斯优化方法对高斯过程回归的部分超参数进行了进一步寻优。文章基于美国国家航空航天局研究中心提供的锂离子电池测量数据进行了预测实验,结果表明,该方法能够有效去除噪声信号,选取的协方差函数和超参数组合达成的预测效果优于初始GPR模型,证明了其有效性。     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。     

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。     

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.