基于CEEMDAN-RVM-LSTM模型的锂电池剩余寿命预测

为了提高锂电池长期使用的可靠性和保证系统的安全运行,提出了一种结合自适应噪声完整集合经验模态分解算法(CEEMDAN)、相关向量机(RVM)和长短期记忆神经网络(LSTM)的剩余使用寿命(RUL)的预测方法。使用CEEMDAN将电池容量数据分解为本征模态分量和残差分量,分别由RVM和LSTM进行预测,最后进行有效集成,得到准确的容量和RUL预测结果,并获得RUL的95%置信区间。采用公共数据集进行实验验证,并对比了其他几种模型。实验结果表明该方法不仅拥有较高的预测精度,而且能够提供不确定性表达,具有良好的工程应用意义。     

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。     

基于健康因子的锂电池剩余寿命预测方法

分析了锂电池的容量衰退趋势,从锂电池的充放电过程参数中提取与容量高度相关的健康因子,构建了基于BP(Back Propagation)神经网络的锂电池剩余寿命预测模型。分别采用健康因子拼接和其他特征拼接作为预测输入,对试验结果进行评估,指出所提取的健康因子结合BP神经网络模型预测速度快、精度高,具有较好的应用价值。     

基于EEMD和MKRVM的锂电池剩余寿命预测方法

锂电池储能是一种快速高效的有功功率和无功功率调节方法,可用于发、输、变、配用各个环节。针对锂电池测量数据中经常伴随着各种类型及大小的噪声,提出了一种基于集合经验模态分解EEMD(ensemble empir-ical mode decomposition)去噪和多核相关向量机MKRVM(multiple kernel relevance vector machine)的锂电池剩余寿命预测方法。首先执行EEMD去噪,去除测量数据中的噪声信号;然后将MKRVM算法用于预测锂电池的剩余寿命,其中MKRVM核函数的稀疏系数通过量子粒子群算法获取。利用美国国家航空航天局艾姆斯研究中心提供的锂电池测量数据,对提出的方法进行了测试,在测试中展示了EEMD去噪和MKRVM预测方法的实现过程,并证明了方法的有效性与先进性。     

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...     

锅炉管剩余寿命预测

在对电站锅炉用管材１２ＣｒＭｏＶ、１５ＣｒＭｏ、П１１、钢１０２、１０ＣｒＭ９１０、Ｔ９１、Ｆ１２、２０钢等钢种进行失效分析及寿命预测的基础上，通过主持久强度曲线等方法综合分析，可较精确地预测锅炉管的剩余寿命小时数和适当调整运行温度后的可运行时间，从而指导电厂在安全前提下充分利用材料。     

锅炉管剩余寿命预测

在对电站锅炉用管材１２ＣｒＭｏＶ、１５ＣｒＭｏ、П１１、钢１０２、１０ＣｒＭ９１０、Ｔ９１、Ｆ１２、２０钢等钢种进行失效分析及寿命预测的基础上，通过主持久强度曲线等方法综合分析，可较精确地预测锅炉管的剩余寿命小时数和适当调整运行温度后的可运行时间，从而指导电厂在安全前提下充分利用材料。     

基于CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究

为了实现对锂离子电池剩余使用寿命(RUL)的实时在线监测并改善预测精度,提出一种基于CNN-LSTM的锂电池RUL间接预测模型.通过灰色关联分析法选定等压降放电时间构建健康因子,用NASA公开的锂电池数据集中的B0005、B0006电池放电周期数据训练出电池容量退化模型和等压降放电时间预测模型,最后结合这两个CNN-L...     

磷酸铁锂电池循环寿命衰减和寿命预测

通过测试磷酸铁锂电池在不同温度下的循环衰减曲线,研究其衰减特点和规律,得到电池存在最优循环温度区间,同时运用dV/dQ-Q曲线分解衰减来源.在总容量衰减达到20％后,其主要衰减来源于活性锂的损失,占总损失的80％以上;其次为负极材质的损失约为12％～14％,而正极磷酸铁锂的材质损失约为4％～6％.该结果为长循环寿命磷酸...     

基于VMD-TCN-Attention的锂电池寿命预测

针对锂电池寿命预测过程中出现的预测精度较低的问题,提出一种基于变分模态分解(VMD)-时间卷积网络(TCN)-注意力机制(Attention)的锂电池寿命预测方法。提取对锂电池寿命有影响的参数并使用等深分箱方法对数据进行预处理;使用VMD算法对预处理的数据进行解析,得到若干个平稳分量;引入Attention到TCN中,构建TCNAttention模型。导入平稳分量得到预测数据。通过马里兰大学锂电池充放电循环寿命实验数据验证,相对于其他算法,该方法可以有效提高锂电池寿命预测的精准度。     

航空锂电池寿命预测方法研究

随着航空机电系统的发展,对电池的检测与寿命预测成为地勤人员重要的工作之一。针对小子样条件下锂电池寿命预测困难的问题,研究了GM(1:1)模型、灰色Verhulst模型、神经网络模型在解决该问题时的优势与缺陷,通过对现有模型的分析,提出了一种灰色Verhulst-神经网络模型,弥补了灰色模型中长期预测精度低的缺陷,降低了神经网络对样本量的要求。以某型航空设备装备的锂电池为例,研究并比较以上方法的预测效果,结果显示灰色Verhulst-神经网络模型预测精度为0.7%,远低于其他模型,说明模型精度较高,证明了所提方法的可行性与有效性。     

基于GWO-SVR的锂电池剩余使用寿命预测

锂离子电池剩余使用寿命预测在电池管理系统中发挥着重要作用,准确预测其剩余使用寿命能够保障电池的安全稳定运行。由于支持向量回归SVR(support vector regression)参数内核选择较为困难,为此提出灰狼优化—支持向量回归GWO-SVR(gray wolf optimization-SVR)方法,使用灰狼算法优化其内核参数,根据NASA预测中心提供的电池数据集对该方法进行了验证。通过与SVR方法进行对比发现,所提GWO-SVR方法的预测精度得到显著提高;在此基础上与ALO-SVR方法进行对比,证明所提方法平均相对误差降低了7.16%,预测精度更高,有效地提高了锂离子电池剩余寿命预测的精确性。     

基于ICS-LSSVM的电动汽车锂电池SOC预测

为了提高锂电池的荷电状态(state of charge, SOC)预测精度,将布谷鸟的卵被发现概率和步长控制量进行动态设置,对布谷鸟算法进行改进,采用改进布谷鸟算法(improved cuckoo search, ICS)对最小二乘支持向量机(least squares support vector machine, LSSVM)的惩罚参数和核函数宽度进行优化,建立基于ICS-LSSVM的电动汽车锂电池SOC预测模型,采用磷酸铁锂电池充放电数据进行仿真分析,并与其他模型对比。结果表明,基于ICS-LSSVM的电动汽车锂电池SOC预测模型的均方根误差、平均相对误差和决定系数分别为0.0193、3.14%和0.994,预测效果优于其他模型,验证了模型的正确性和实用性。     

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PCC-ISSA-BP燃料电池剩余寿命预测

在质子交换膜燃料电池(PEMFC)寿命预测中,针对燃料电池中的特征对其寿命的影响程度未知问题,使预测燃料电池的剩余寿命问题变得相对复杂,为了更加准确的预测燃料电池的剩余使用寿命。本文首先通过小波分析对原始堆栈电压进行去噪处理,滤除噪声数据,利用皮尔逊相关系数(PCC)对影响因素进行降维,提取关键影响因素,简化模型结构;然后利用改进的麻雀优化算法(ISSA)优化BP神经网络,找到网络最优的权值和阈值,并建立ISSA-BP模型;最后将处理好的数据输入ISSA-BP模型,实现PEMFC的剩余寿命预测。实验结果表明,PCC-ISSA-BP的平均绝对误差百分比、平均绝对误差、均方根误差分别为0.125%、0.003 97、0.005 68,优于其它模型,能够更有效地预测燃料电池的剩余寿命。     

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BiLSTM-STW神经网络的锂电池剩余容量预测

针对锂电池剩余容量预测精度无法满足当前工程应用的问题,结合双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,STW)算法的优点,提出一种电池剩余容量预测方法。首先分析BILSTM神经网络和STW算法原理,构建了BiLSTM-STW神经网络模型,采用自适应矩优化算法(adaptive moment estimation, Adam)对模型超参数进行优化,实现模型修正;然后选取美国国家航空航天局(National Aeronautics Space and Administration,NASA)埃姆斯研究中心锂电池数据,对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量;最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验。实验结果表明,所构建的神经网络模型能够精确预测锂电池的剩余容量,相比LSTM神经网络模型有更好的精确度。