基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life, RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。     

基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。     

基于多核相关向量机优化模型的锂离子电池容量在线估算

准确的锂离子电池容量在线估算是电池管理系统的核心功能之一。基于放电过程的电池容量估算易受运行工况的复杂外界因素影响,该文基于部分充电数据的容量增量曲线,提取表征电池容量退化的两个老化特征,建立以老化特征为输入量、电池容量为输出量的多核相关向量机优化模型。以灰狼优化算法确定多核相关向量机的核函数权值和核参数,结合在线提取的老化特征估计电池容量。利用Matlab和LabVIEW联合仿真,建立基于多核相关向量机优化模型的电池管理系统。通过马里兰大学单体电池老化数据集和大连理工大学电池组老化数据集进行模型验证。结果表明,该文提出的电池容量在线估算方法对单体电池和电池组容量估计误差均在2.3%以内。     

基于IGWO-MKELM的锂离子电池剩余使用寿命预测

随着锂离子电池在储能系统中比例迅速增大,为避免因电池性能退化导致的事故,如何准确预测锂离子电池剩余使用寿命就成为保障储能系统可靠运行的关键。针对锂离子电池剩余使用寿命预测的问题,提出一种改进灰狼优化多核极限学习机（IGWO-MKELM）预测方法。首先从电池充放电过程中提取能够表征电池寿命退化的间接健康因子作为输入量,然后采用改进灰狼算法对多核极限学习机参数进行寻优,建立改进灰狼优化多核极限学习机预测方法,最后使用NASA电池数据集进行仿真实验。结果表明,IGWO-MKELM方法可以更加精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。     

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RVM-PF融合算法的锂离子电池剩余使用寿命预测

针对传统PF(粒子滤波)算法在锂离子电池RUL(剩余使用寿命)预测中出现的估计精度低、过于依赖电池经验模型等问题,提出一种RVM(相关向量机)算法与PF算法相融合的锂离子电池RUL预测方法。通过RVM算法提取电池容量数据的相关向量,同时利用RVM的回归能力拟合同型号电池容量衰减轨迹,基于衰减轨迹构建PF算法中的状态空间模型,预测当前工况下电池容量衰减趋势。最后,将传统PF算法和RVM-PF融合算法的预测性能进行对比。结果表明,所提出的融合算法具有状态跟踪拟合度高、预测精度高、长期预测能力好等特点,且融合算法不依赖电池经验模型,具有较强的通用性。     

基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测

针对锂离子电池寿命预测中模型普适性差、预测精度不足等问题,提出一种基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命RUL预测方法。首先构造锂离子电池实际容量与其循环周期的退化机理模型。对锂离子电池寿命试验数据进行凸优化降噪处理;基于预处理得到的可靠性较高的数据,采用最小二乘法对所建机理模型的参数进行辨识,从而得到精确的模型表达式,实现锂离子电池RUL的预测。基于NASA锂离子电池数据集预测并评估锂离子电池的RUL,预测结果验证了模型良好的通用性,误差范围为4%左右。     

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。     

基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测

锂离子电池剩余使用寿命（RUL）可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络（LSTM）的RUL预测框架。选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解（CEEMDAN）对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型。以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果。     

基于ALO-SVR的锂离子电池剩余使用寿命预测

锂离子电池(Lithium-ion batteries,LIBs)的剩余使用寿命(remaining useful life,RUL)预测在电池故障预测与健康管理(prognostics and health management,PHM)中起着十分重要的作用。准确预测电池RUL可以提前对存在安全隐患的电池进行维护和更换,以确保储能系统安全可靠。文章提出一种基于蚁狮优化和支持向量回归(ant lion optimization and support vector regression,ALO-SVR)的方法,可有效提高锂离子电池RUL预测的准确性。SVR方法在处理小样本数据和时间序列分析上具有优势,但SVR方法在内核参数选择上存在困难。因此,文章利用ALO算法优化SVR核参数,随后采用PCoE(NASA ames prognostics center of excellence)和CALCE(center for advanced life cycle engineering)电池数据集对所提方法进行仿真验证。通过对比SVR方法,ALO-SVR方法可以提供更精确的电池RUL预测结果,能有效提高锂离子电池剩余使用寿命预测的准确性和鲁棒性。     

基于VMD-IGWO-SVM的风电功率超短期预测研究

为了提高风电功率预测精度,保证风能的有效利用,提出一种基于变分模态分解和改进灰狼算法优化支持向量机的风电功率超短期组合预测模型。采用变分模态分解将风电功率序列分解为一系列具有不同中心频率的模态分量以降低其随机性,将各分量分别建立支持向量机预测模型,并采用改进灰狼算法对其参数寻优,将各分量的预测值叠加重构得到最终的预测值。实例仿真表明,所提的组合预测模型与其他预测模型相比具有更高的预测精度。     

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。     

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Spearman相关性分析法分析与容量之间的相关性;构建一种基于间接健康因子的改进蚁狮优化算法(IALO)支持向量回归(SVR)预测方法,实现在线准确预测锂离子电池RUL.利用NASA电池数据集对IALO-SVR方法进行验证,对比分析反向传播(BP)和SVR方法,实验结果表明,所构建的IALO-SVR方法能够更加准确地预测锂离子电池RUL.     

基于PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

基于贝叶斯理论的新能源锂离子电池剩余寿命预测方法

针对锂离子电池健康因子衰退指标预测不佳,影响电池有效更换的问题,设计基于贝叶斯理论的新能源锂离子电池剩余寿命预测方法。提取新能源锂离子电池的衰退特征,并分析电池衰退变化;通过贝叶斯理论确定电池剩余寿命先验分布,提高电池剩余寿命预测的置信度;根据先验分布结果,构建锂离子电池剩余寿命预测模型,对电池寿命期望函数进行分析,进而实现新能源锂离子电池的有效利用。采用对比实验的形式,验证了该预测方法新能源锂离子电池剩余寿命预测效果更佳,可以应用于实际生活中。     

基于EMD-ARMA的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命难以预测以及预测结果不精确等问题,提出了采用电池循环剩余容量数据作为时间序列样本,基于经验模态分解对各分解出的子序列建立自回归移动平均(ARMA)预测模型,并经过Pearson相关系数验证各子序列的相关性,加权重构后实现电池剩余寿命(RUL)预测。实验采用NASA锂离子电池数据集,用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准,对所提模型(EMD-ARMA预测模型)、Elman神经网络模型和ARMA模型的预测结果进行对比分析。试验结果表明,在正常工况下,所提的EMD-ARMA预测模型计算的RMSE和MAE的值为三个模型中的最小值,预测误差小于1%;并且预测误差随预测起始点的后移会逐渐减小,证明所提预测算法在长期预测上有较稳定的收敛性,预测精度也有显著提高。     

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。     

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。