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。     

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。     

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.     

基于无迹粒子滤波的功率变换器剩余寿命预测方法

针对功率变换器难以准确建立表征其性能退化过程的物理模型,提出一种基于无迹粒子滤波的方法实现其剩余寿命预测。首先,通过分析电路关键元器件退化对电路性能的影响,选取输出电压均值作为寿命表征参数;其次,依据电路性能退化历史数据,采用无迹粒子滤波进行故障趋势建模;最后,逐步递推预测寿命特征参数值并结合电路失效阈值从而实现功率变换器剩余寿命预测。以闭环SEPIC电路为例,分析了建模数据规模对预测性能的影响,并与卡尔曼滤波方法进行对比分析,其结果验证了所提方法的有效性及准确性。     

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。     

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...     

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BiLSTM神经网络的锂电池SOH估计与RUL预测

针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法.首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据.其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法(Nadam)优化函数动态调整...     

动力锂电池剩余寿命评价方法及系统的研究

对动力锂电池寿命衰减进行了研究,提出了一种基于安时计量法的高精度锂电池寿命评价方案。讨论了影响电池寿命的因素,建立了电池寿命衰减分析模型,完成了寿命评价系统的软硬件设计。该系统可以实现电池温度、电流、电压等参数的自动在线检测,并分析计算电池的剩余寿命。通过这些参数的检查,可以及时了解电池运行状况,避免电池故障造成安全事故,保障供电系统的可靠性。     

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。     

基于最优权阈值ELM算法的锂离子电池RUL预测

针对锂离子电池剩余使用寿命RUL(remaining useful life)预测结果不准确及极限学习机ELM(extreme learning machine)权阈值随机选取等问题,提出利用ELM模型间接预测锂离子电池RUL的方法 ,并利用遗传蚂蚁算法GAAA(genetic algorithm ant algorithm)选取ELM的最优权值与阈值,建立基于等压降放电时间间接寿命特征参数的最优GAAA-ELM锂离子电池RUL预测模型。基于NASA锂离子电池数据集预测和评估锂离子电池的RUL,并与BP模型预测方法、ELM模型预测方法和GA-ELM模型预测方法相比较,结果表明该方法能够更准确有效地实现锂离子电池RUL预测。     

锂离子电池电解质锂盐的研究进展

按照锂离子电池对电解液的要求,即较高的离子电导率、良好的热稳定性、较低的化学活性和优良的环境适应性,总结了锂离子电池电解液中无机锂盐和有机锂盐的研究进展,对未来的锂盐发展进行了展望。     

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.     

锂离子电池循环寿命影响因素的研究

选用Li Ni1/3Co1/3Mn1/3O2材料制成了锂离子动力电池,将该单体电池进行循环寿命实验,通过对电池进行拆解分析,分别对正极极片、负极极片、隔膜等进行形貌与成分分析,研究了电池主要材料中影响循环寿命的主要因素。通过扫描电子显微镜法(SEM)、能量散射光谱(EDS)、X射线衍射光谱法(XRD)等测试分析比较这几种主要材料,发现隔膜在循环前后的差异最小;循环后负极极片表面脱落较多,且极片表面有颗粒状物质;正极极片表面脱落较少,但其SEM图中表面形貌有开裂,XRD数据分析有结构方面的变化。     

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。