基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测北大核心CSCD

锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。     

基于SVD-SAE-GPR的锂离子电池RUL预测北大核心CSCD

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。     

基于充电过程的锂电池SOH估计和RUL预测

车用锂离子电池的健康状态(state of health,SOH)和剩余寿命(remaining useful life,RUL)是锂离子电池的关键状态参数,为实现其准确的预估以保障整车安全可靠的运行,基于电动汽车充电过程提出一种改进高斯过程回归(Gaussian process regression,GPR)的锂电池SOH估计和RUL预测模型。首先以最大互信息系数(maximal information coefficient,MIC)、Pearson系数筛选充电过程的多元信息作为健康因子,基于主成分分析(principal components analysis,PCA)简化模型结构并使用粒子群算法和组合核函数改进高斯过程回归,实现车用锂离子电池SOH的准确在线估计以及RUL预测。通过NASA锂离子电池数据集验证了模型的有效性：测试电池SOH估计的最大均方根误差(root mean square error,RMSE)为0.0148,SOH预测的最大RMSE为0.0169,RUL预测的最大绝对误差为1个循环次数。     

基于电化学阻抗特征选择和高斯过程回归的锂离子电池健康状态估计方法北大核心CSCD

电化学阻抗谱(electrochemical impedance spectroscopy,EIS)蕴含丰富的电池健康状态(state of health,SOH)信息,但不同频率的电化学阻抗数据间并不相互独立,直接利用全频段EIS数据构建SOH估计模型,往往存在精度低、计算复杂度高等问题。鉴于此,本文提出了一种基于特征选择和高斯过程回归的SOH估计方法,可通过序贯前向搜索策略,结合交叉验证均方根误差指标,逐步搜索阻抗特征子集。基于此,采用基于水平图的多目标可视化决策方法,以均衡模型复杂度与精度为目标,综合考虑特征个数与交叉验证均方根误差,实施阻抗特征子集优选。所提方法已成功地应用于公开发表数据集。相比全频段EIS建模方法,本文作者所提方法可显著提升SOH估计精度,大幅降低EIS测试时间,为电化学阻抗技术应用于SOH在线估计提供理论和技术支撑。     

基于VF-DW-DFN的锂离子电池剩余寿命预测北大核心CSCD

锂离子电池作为各类储能系统与设备的重要组成部分,准确预测锂离子电池的剩余使用寿命对于保障电池相关产业和设施的可靠性与安全性起着关键作用。针对锂离子电池剩余寿命预测中存在的非平稳、非线性特性导致单一数据驱动方法的预测精度低、泛化性能差等问题,提出了一种基于变分滤波、数据规整和深度融合网络的数据驱动融合(VF-DW-DFN)方法。首先,利用变分滤波法去除原始电池退化序列中的随机噪声干扰,得到相对平稳的退化特征数据。然后,采用最优嵌入法构造预测滑窗,实现特征数据规整,减少信息损失。其次,设计了一种新型深度融合网络对电池非线性退化数据进行建模,辨识电池数据中的退化模式,实现最终的锂离子电池剩余寿命预测。最后,在钴酸锂锂离子电池数据集上进行了剩余寿命预测实验,实验预测的平均均方根误差为1.41%,平均剩余寿命绝对误差小于2个循环周期。实验结果表明所提出的方法泛化性能好,预测精度高,误差小,能够对锂离子电池的退化过程进行有效建模和准确预测。     

钠离子电池健康状态预测

钠离子电池健康状态(SOH)预测对于电池优化管理有重要意义,但由于钠离子电池老化机理复杂,影响因素众多,精准SOH预测挑战巨大.为此,本研究从健康状态时序测量数据出发,提出了基于双指数模型的粒子滤波法(DEM-PF)和基于小波分析的高斯过程回归法(WA-GPR),以实现钠离子电池单步SOH和剩余可用寿命(RUL)预测....     

锂离子电池健康状态预测研究现状

对目前主要的锂离子电池健康状态（SOH）预测方法进行分类和评价,包括基于模型法、数据驱动法、混合法和其他方法四个大类。分析了每种方法的特点及其在应用中的优势和不足,并结合实际应用,对不同方法的适应性进行评价并探讨其未来发展方向。     

基于TWP-SVR的锂离子电池健康状态估计

健康状态(state of health,SOH)是评估锂离子电池老化程度和剩余使用寿命的重要指标。然而,SOH无法通过直接测量获得,本工作提出了一种基于时间规整图(time warp profile,TWP)提取间接健康特征参数,使用支持向量机回归(vector machine regression,SVR)模型估计SOH的方法。首先,通过TWP将锂离子电池不同循环充放电压曲线转换为相位差异曲线。然后,从相位差异曲线中提取出4个间接健康特征。接着,采用线性核函数的SVR模型估计SOH。最后,以美国航空航天局(National Aeronautics and Space Administration,NASA)、美国保险商实验室公司和普渡大学(Underwriters Laboratories Inc.-Purdue University,UL-PUR)的开源数据集和储能电站实测数据进行验证。其中,储能电站数据实验结果表明,TWP-SVR模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)的样本标准差...     

基于PCA-UPF的风力机轴承剩余寿命预测方法

为解决风力机轴承退化指标提取困难与剩余寿命预测精度低的问题,提出一种基于主成分分析(PCA)和无迹粒子滤波(UPF)的预测方法.该方法主要包括退化指标提取和寿命预测2个步骤.在退化指标提取部分,通过PCA对轴承实时振动信号的多域原始特征集进行融合,得到能够反映轴承衰退趋势的退化指标.在剩余寿命预测部分,通过对轴承历史数...     

基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测

提出一种基于图形特征的风力机轴承剩余使用寿命（RUL）预测方法。首先,基于连续小波变换（CWT）对时域振动数据样本集进行预处理,得到用于预测的时频图形数据集。然后,采用双输入卷积神经网络（DICNN）从图形数据集中提取特征映射,用于构造高性能健康指数（DICNN-HI）来表征轴承各退化阶段的状态。最后,结合DICNN-HI,采用基于高斯过程回归（GPR）的分析方法进行RUL预测,并用PRONOSTIA滚动轴承数据集进行验证。结果表明,该方法具有较高的健康指数预测精度,能有效反映滚动轴承的劣化状态,有助于实现风力机轴承的RUL预测。同时,也可为其他旋转机械设备的剩余寿命预测提供重要的理论参考,具有一定的实用价值。     

融合维纳过程和粒子滤波的风力发电机轴承剩余寿命预测

提出维纳过程与粒子滤波相结合的滚动轴承剩余寿命预测方法,将维纳过程引入粒子滤波状态空间模型,充分利用其随机增量性质,增强模型的非线性表达能力,提高预测的准确性。提出弱跟踪粒子滤波策略调整维纳过程,解决概率密度分布方差过大的问题。该方法在试验台轴承和风力发电机轴承测试数据中均得到验证,可准确预测轴承剩余寿命。     

光伏组件寿命衰退建模与寿命预测高斯随机过程回归方法研究

服役中光伏组件受到内部老化及外界环境影响,组件寿命衰减过程呈高度的非线性、随机性。针对光伏组件衰退机理及其过程,分析光伏组件衰退过程、衰退因子及其对光伏组串电池组件特性的影响,提出基于指数衰减的太阳电池衰退电路模型,并利用退化模型定量分析衰退因子对寿命预测指标输出功率的影响;进而,选取等效串联电阻和输出功率作为光伏组件寿命预测指标,提出综合输出功率和等效串联电阻的联合高斯随机过程寿命预测方法,并分析核函数和数据特性对寿命预测的影响。仿真与实例验证表明：所提寿命预测模型具有精度高、鲁棒性强的优点。     

A novel remaining useful life prediction framework for lithium-ion battery using grey model and particle filtering

An accurate remaining useful life (RUL) prediction method is significant to optimize the lithium-ion batteries' performances in an intelligent battery management system. Since the construction of battery models and the initialization of algorithms require a large amount of data, it is difficult for conventional methods to guarantee the RUL prediction accuracy when the available data are insufficient. To solve this problem, a synergy of sliding-window grey model (SGM) and particle filter (PF) is exploited to build an innovative framework for battery RUL prediction. The SGM is adopted to explore the modelling of battery capacity degradation, and it characterizes the capacity changes during the battery's life-time with a few data (eg, 8 data points). To promote the accuracy and traceability of prediction, the development coefficient of the SGM, which can dynamically reflect the capacity degradation, is extracted to update the state variables of state transition function in PF. Accordingly, the fusion of SGM and PF (SGM-PF) can extrapolate the changes of the capacity and realize RUL prediction using fewer data. Furthermore, the performances of SGM-PF are comprehensively validated using two types of batteries aged under different conditions. The RUL prediction results reveal that the SGM-PF framework can achieve precise and reliable predictions in different prediction horizons with as few as 8 data points, and it has prominent performance in accuracy and stability over contrastive methods, especially in long-term prognosis.     

基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用,对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题,提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性,从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数,利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数,选取较高相关度特征作为深度神经网络的输入,建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明,与传统神经网络相比,深度神经网络学习可明显提高梯次利用电池健康状态的预测精度,为退役动力电池健康状态评估提供理论依据。     

面向实车数据的电动汽车电池退役轨迹预测

针对车载环境下电池容量难以预测,电池退役时间难以确定的问题,提出基于车辆日常充电片段数据来估算电池当前最大可用电量,构建电池当前可用最大容量与行驶里程的序列关系以描述电池的退化特征,为剩余寿命预测提供可靠依据。首先在电池的充电工况下以安时积分法估算电池的当前可用最大容量,利用卡尔曼滤波对得到的容量值进行修正,然后建立长短期记忆（LSTM）神经网络模型来预测在车辆行驶里程下的电池容量衰退轨迹。结果表明：该方法实现了电池容量的准确预测,为车辆电池退役时间确定提供了可靠依据。不同训练集下均方根误差均低于多项式回归模型和高斯回归模型,预测精度至少提高了12.7%,具有较强的适用性和实际意义。     

基于主成分回归分析的气象因子对光伏发电量的影响

采用主成分分析方法降低气象维度,提取互不相关的综合性评价指标,并将提取出的主要成分作为回归模型的自变量建立多元线性回归模型.通过检验可知:主成分回归模型的拟合优度优于直接回归模型,提高了预测精度,预测结果也较为稳定.因此,主成分分析法可有效提高光伏发电量的预测精度.     

基于多元线性回归直膨式太阳能热泵性能预测

针对直膨式太阳能热泵(DX-SAHP)系统运行工况复杂、系统热力性能预测较为困难的问题,提出基于多元线性回归算法的系统性能预测模型.在对环境参数和运行参数与系统性能系数(COP)之间相关性分析的基础上,利用Python语言编写了具有自学习能力的训练模型程序,分别将春秋季、夏季和冬季工况下的实验数据作为模型样本训练数据,...     

A novel PEM fuel cell remaining useful life prediction method based on singular spectrum analysis and deep Gaussian processes

Accurate remaining useful life (RUL) prediction of proton exchange membrane fuel cells (PEMFCs) can assess the reliability of fuel cells to determine the occurrence of failures and mitigate their operational risk. However, is it quite challenging to design a high-precision prediction method because the implicit degradation details of PEMFCs are difficult to learn well from the measurement data with high-frequency noise. Recognizing this, a novel RUL prediction method based on singular spectrum analysis (SSA) and deep Gaussian process (DGP) is proposed in this paper. The SSA-based method is firstly employed to preprocess the measurement data, which can strengthen the effective information of PEMFC degradation data at the same time remove the noise and spikes that interfere with degradation prediction. As a deep structural model, DGP has strong feature learning ability which can represent the nonlinear details of degradation data and give more accurate prediction results. At the same time, it serves as a probabilistic model that can provide the confidence interval to enhance reliability of RUL prediction. The effectiveness of the proposed method is evaluated by experimental data of the PEMFCs under steady-state conditions, and the results show that the SSA-DGP method has higher accuracy and reliability than conventional methods.