基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

基于ARIMA的往复式压缩机气缸振动故障预测

以中国石油青岛石化厂的P301A往复式压缩机气缸的振动速度数据为研究对象,使用自回归积分滑动平均模型(ARIMA),对其振动故障进行了预测。首先,使用单位根检验法,对设备的振动数据进行序列平稳性判定;然后,对通过平稳性判定检验的数据进行白噪声检验,绘制其自相关函数图及偏自相关函数图,并通过模型拟合确定最佳p、q参数值;最后,对序列进行预测,得到30组预测数据。对比实际数据与预测数据,两者相差很小,说明该方法在往复式压缩机气缸振动故障上预测效果良好。该研究将大数据分析与生产设备的故障预测相结合,相比于传统的设备参数在线监测来判断故障,在保证较高准确率的前提下可以提前预判设备故障,极大地提高了技术人员的工作效率,减少了设备因故障所带来的损失。     

基于混合网络的锂离子电池健康状态与剩余使用寿命联合估计方法

为高效准确实现锂电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)预测,提出了一种基于混合网络的锂离子电池SOH与RUL联合估计方法。首先,建立锂电池间接健康特征(health factor, HF)提取框架,以HF为输入,容量为输出,使用卷积神经网络(convolutional neural network, CNN)和门控循环单元网络(gated recurrent unit, GRU)构成CNN-GRU电池SOH估计模型,对电池SOH进行估计;然后利用SOH估计结果和SOH真实值建立CNN-GRU电池RUL预测模型,对电池RUL进行预测。实验结果表明,SOH估计最大均方根误差在2.31%以内,RUL预测误差在5.29%以内,该方法可以实现锂电池SOH和RUL较为全面的评估。     

新能源汽车锂电池健康监控系统

鉴于锂电池健康管理在新能源电动车运行和维护中的重要性,针对锂电池容量衰退所表现的非高斯性和非线性问题,以及无迹粒子滤波算法UPF在处理协方差矩阵时可能得到无效结果的问题,提出一种基于改进无迹粒子滤波方法 IUPF的锂电池寿命预测方法。本方法从数据驱动角度出发,选用双指数模型进行容量预测,基于NASA PCoE的锂电池数据集完成相关的实验验证。实验结果表明,在估计误差、平均绝对误差和均方根误差三顶指标上,IUPF算法性能均优于UPF算法,可以实现对锂电池容量的精确预测和剩余使用寿命的有效估计。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。     

SBPD算法在行程开关故障预测中的研究

针对行程开关弹簧片的弹力寿命有限的故障,提出了基于状态驻留信息(SBPD)模型的故障预测方法。首先,应用均值与聚类评估指标对行程开关劣化状态进行评估和优化。其次,在对行程开关劣化状态识别的基础上,提出了基于状态驻留信息模型的剩余使用寿命计算方法。最后,在对行程开关进行加速疲劳实验的基础上,应用实验数据将SBPD模型与马尔可夫链蒙特卡罗仿真(MCMC)方法进行验证比较。结果表明,在行程开关弹簧片的弹力寿命有限的故障预测中,SBPD模型优于MCMC仿真方法,可有效预测行程开关剩余使用寿命。     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马...     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

基于缺失观测值的锂电池剩余寿命估计方法研究

研究一种缺失观测值条件下,锂电池剩余使用寿命(RUL)的新型估计方法,算法框架包括预处理模块和预测模块,并引入极端学习机(ELM)。预处理模块基于单点插值和多重插值技术填补缺失观测值,预测模块基于一步/多步超前预测估计剩余寿命。将插值技术和超前预测算法相结合,构建锂电池剩余寿命智能估计系统,处理具有缺失观测值的时间序列数据。该系统具有良好的鲁棒性,并能够自动产生完整的时间序列数据集。实验结果表明,新估计方法适用于锂电池相关的智能诊断与预测系统,具有广泛的应用价值。     

考虑内阻时变特性的电池状态估计方法

针对锂离子电池欧姆内阻随温度变化情况,提出了一种考虑内阻时变特性的两步无迹H∞滤波锂电池状态估计方法。首先,对锂电池和内阻抗进行分开建模,在电池Thevenin模型的基础上构建内阻抗预测模型,实时修正模型参量;接着,将无迹变换嵌入到扩展H∞滤波中,降低测量噪声对估计精度的扰动,从而提高电池荷电状态的估计精度。最后,在实验室环境下对电池进行充放电实验,分别针对降温和升温情况下的内阻值及电池端电压的估计进行了详细的实验分析,同传统方法相比,本文方法具有较高的估计精度。     

The influence of ARIMA-GARCH parameters in feed forward neural networks prediction

The objective of this article is to find out the influence of the parameters of the ARIMA-GARCH models in the prediction of artificial neural networks (ANN) of the feed forward type, trained with the Levenberg–Marquardt algorithm, through Monte Carlo simulations. The paper presents a study of the relationship between ANN performance and ARIMA-GARCH model parameters, i.e. the fact that depending on the stationarity and other parameters of the time series, the ANN structure should be selected differently. Neural networks have been widely used to predict time series and their capacity for dealing with non-linearities is a normally outstanding advantage. However, the values of the parameters of the models of generalized autoregressive conditional heteroscedasticity have an influence on ANN prediction performance. The combination of the values of the GARCH parameters with the ARIMA autoregressive terms also implies in ANN performance variation. Combining the parameters of the ARIMA-GARCH models and changing the ANN’s topologies, we used the Theil inequality coefficient to measure the prediction of the feed forward ANN.     

CERNET流量行为季节预测模型

网络流量行为预测是网络行为学的一个重要研究方向 .常规的网络流量预测大多采用的是 ARIMA时间序列模型 ,但普通时间序列预测模型的参数难以估计并且模型较难处理非平稳时间序列问题 .本文基于时间序列的神经网络模型研究 ,根据网络流量行为的季节性特点 ,提出了季节型神经网络模型 .用模型对 CERNET网络流量行为的预测分析表明 ,该模型预测效果较好 ,结果合理 ,对进行网络实时监控及网络管理都具有一定的理论和实践价值 .     

基于多元线性回归模型的锂电池充电SOC预测

在诸多汽车电池中,锂电池因为性能稳定、寿命长、承受力强等优势,成为了电动汽车动力电池的绝佳选择。为了对锂电池进行高效管理,防止过充、过放的情况发生,保证锂电池使用的安全性以及性能,需要对锂电池的荷电状态（state of charge,SOC）进行准确预测。实验基于锂电池充电过程中的实际数据,使用Pyhton语言编程,建立多元线性回归模型,通过模型预测出锂电池开始充电到结束充电过程中准确的SOC值。研究结果表明,锂电池充电SOC的变化过程具有一定的线性规律,多元线性回归模型预测SOC值的误差都能控制得很小,决定系数都高于99%,具有很好的预测效果且有一定的通用性。除此之外,多元线性回归模型参数较少,结构简单,易于实现,更容易在实际应用中推广。     

A new ARIMA-based neuro-fuzzy approach and swarm intelligence for time series forecasting

Time series forecasting is an important and widely interesting topic in the research of system modeling. We propose a new computational intelligence approach to the problem of time series forecasting, using a neuro-fuzzy system (NFS) with auto-regressive integrated moving average (ARIMA) models and a novel hybrid learning method. The proposed intelligent system is denoted as the NFS–ARIMA model, which is used as an adaptive nonlinear predictor to the forecasting problem. For the NFS–ARIMA, the focus is on the design of fuzzy If-Then rules, where ARIMA models are embedded in the consequent parts of If-Then rules. For the hybrid learning method, the well-known particle swarm optimization (PSO) algorithm and the recursive least-squares estimator (RLSE) are combined together in a hybrid way so that they can update the free parameters of NFS–ARIMA efficiently. The PSO is used to update the If-part parameters of the proposed predictor, and the RLSE is used to adapt the Then-part parameters. With the hybrid PSO–RLSE learning method, the NFS–ARIMA predictor may converge in fast learning pace with admirable performance. Three examples are used to test the proposed approach for forecasting ability. The results by the proposed approach are compared to other approaches. The performance comparison shows that the proposed approach performs appreciably better than the compared approaches. Through the experimental results, the proposed approach has shown excellent prediction performance.     

工业锂电池退化过程研究与剩余使用寿命预测

随着锂离子电池在航空航天、军工建设、工业制造、电动汽车以及储能设备等领域的广泛研究与应用,其剩余使用寿命预测具有重要意义.本文通过对锂离子电池退化原理与退化过程数据分析,剔除锂离子电池松弛效应,建立含随机效应的Wiener退化过程模型.在获知其退化阈值的情况下,推导出锂离子电池的寿命分布,并在此基础上,对单个锂离子电池剩余使用寿命进行预测.最后在NASA的PCoE数据库提供的电池数据集进行实例验证,结果表明相对于参考文献所述传统的设备贮存-工作联合退化模型,Wiener过程退化模型具有更高的预测精度.     

基于ARIMA模型的游客人数分析与预测

通过确定ARIMA模型参数,建立预测中国国内游游客人数的预测模型,为中国未来旅游人数预测提供参考。首先选取1994-2015年的国内游游客人数作为训练数据,判断时间序列是否平稳,若不平稳则进行平稳性处理;然后确定模型参数,建立预测模型;最后按照构建好的ARIMA模型对2016-2018年的国内游游客人数进行预测。实验表明,ARIMA模型能较好地对国内游游客人数进行预测。     

Univariate approach to the monthly total ozone time series over Kolkata,India: autoregressive integrated moving average (ARIMA) and autoregressive neural network (AR-NN) models

This study reports univariate modelling methodologies applied to the monthly total ozone concentration (TOC) over Kolkata (22°32′, 88°20′), India, derived from the measurements made by the Earth Probe Total Ozone Mapping Spectrometer (EP/TOMS). The univariate models have been generated in two forms, namely autoregressive integrated moving average (ARIMA) and autoregressive neural network (AR-NN). Three ARIMA models in the forms of ARIMA(1,1,1), ARIMA(0,1,1) and ARIMA(0,2,2) and 11 autoregressive neural network models, AR-NN(n), have been generated for a time series. Goodness of fit of the models to the time series of monthly TOC has been assessed using prediction error, Pearson correlation coefficient and Willmott's indices. After rigorous skill assessment, the ARIMA (0,2,2) has been identified as the best predictive model for the time series under study.     

基于时间占有率的短时交通预测模型

针对现有的交通预测模型大多以交通量为变量,而交通量作为二值函数,无法有效地判断道路交通是否处于交通顺畅或拥挤状态,采用时间占有率这一单值变量,建立了基于ARIMA(p,d,q)时间序列结构的短时交通预测模型。在建模过程中,以非参数检验法判定序列平稳性,AIC准则确定模型结构,最小二乘算法(LS)估计参数。以城市中心商务区交叉口为实例,对一个信号控制周期的占有率实测值进行预测分析。结果表明,时间占有率比仅仅用交通量更能描述交叉口的实际情况,且算法简单,精度高,适合于交通控制和信息诱导系统的实时在线预测。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。