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。     

基于混合ISSA-LSTM的锂离子电池剩余使用寿命预测

准确预测锂离子电池剩余使用寿命(remaining useful life, RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性，提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm, ISSA)与长短期记忆(long short-term memory, LSTM)神经网络的锂电池RUL预测模型。首先，用均值化方法对原始数据中的异常值进行处理。然后，结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法，再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后，采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明，该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.016 47、0.022 84和1.2048%以内，能够有效地提高锂离子电池RUL的预测精度。     

基于改进LightGBM的电动汽车电池剩余使用寿命在线预测

为实现电池剩余使用寿命（RUL）在线预测和降低数据离群值对预测精度影响,提出基于改进轻量型梯度提升机（LightGBM）的RUL在线预测方法。首先,为实现RUL在线预测,通过等压降时间与容量衰减的关系,选取等压降时间为健康因子;然后,为降低数据离群值对预测精度的影响,构建基于LightGBM的预测模型,采用Bagging的学习方式,忽略离群值权重;接着,为进一步降低离群值影响,基于一种兼具自适应性和鲁棒性的损失函数（ARLF）对LightGBM进行改进,通过超参数α限制损失函数一阶导数幅值的饱和值,在残差增长时,限制离群值对梯度的影响;最后,通过行驶工况下电池全生命周期容量测试实验数据,对比基于不同损失函数的RUL在线预测效果,验证所构建健康因子和所提预测方法的有效性。     

基于小波包能量熵的电池剩余寿命预测

电池剩余寿命(RUL)预测对电池健康管理至关重要。该文针对传统电池RUL预测过于依赖电池容量而容量数据难以直接获取的问题,提出对可直接在线测量的电池放电电压进行小波包能量熵(WPEE)提取替代容量表征电池退化。此外,利用提取的WPEE建立分数阶灰色退化模型(FGM)融合改进无迹粒子滤波(AUPF),构建FGM-AUPF算法框架,最终实现电池RUL预测。实验结果表明,该文构建的FGM-AUPF算法框架分别利用电池放电电压WPEE和容量作为退化表征量,均能准确地预测电池RUL,且用电池放电电压WPEE预测得到的结果相对误差不大于5.96%。     

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。     

基于Elman神经网络的锂离子电池RUL间接预测研究

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题。提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测。选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性。构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型。采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果。     

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。     

新陈代谢灰色粒子滤波实现电池剩余寿命预测

电池剩余寿命(RUL)预测是电池管理系统的核心技术之一。为了以较少的数据量准确地在线预测电池RUL,提出新陈代谢灰色粒子滤波(MGM-PF)算法。首先利用一阶RC模型在线估算电池容量;然后基于估算的容量数据,利用新陈代谢灰色模型动态更新的灰色发展系数作为模型参数,构建表征电池容量退化的动态状态空间模型;并融合粒子滤波跟踪电池容量退化,实现电池RUL预测并给出预测结果的不确定性表达。实验结果表明,所提出的基于在线容量估算的MGM-PF算法能准确预测电池RUL。     

基于多健康特征融合的锂电池SOH和RUL预测

针对锂电池健康状态(SOH)和剩余使用寿命(RUL)预测精度较低的问题，提出一种基于多健康特征融合的锂电池SOH和RUL预测方法。首先从电池充电曲线中提取三个与容量退化有关的健康特征(HFs)，提出多健康特征融合法得到间接健康特征(IHF)。再采用改进的引力搜索算法优化支持向量回归模型，将IHF作为模型输入，SOH作为输出。最后，建立多项式回归模型对IHF随电池循环次数增加的变化趋势进行预测，将更新后的IHF和当前SOH估计值输入到估算模型中实现电池RUL的预测。实验结果表明所提出的方法有较高的预测精度和较强鲁棒性，能够联合实现电池SOH和RUL长期稳定的预测。     

基于迁移学习和降噪自编码器-长短时间记忆的锂离子电池剩余寿命预测

针对锂离子电池退化数据噪声大、数据量少以及不同生命时期的退化趋势不同而导致的模型预测精度低、泛化能力差等问题，从数据预处理、预测模型的构建与训练三方面展开研究：首先结合变分自编码器（VAE）和生成对抗网络模型（GAN）构建VAE-GAN模型生成多组数据，实现电池的退化数据增强；然后结合降噪自编码器（DAE）和长短时记忆（LSTM）神经网络构建DAE-LSTM模型进行数据降噪和容量预测，为了降低模型参数，此过程中的数据降噪和预测共享同一个损失函数；最后先利用生成数据对DAE-LSTM模型进行预训练，再利用真实数据对其进行迁移训练。在CACLE和NASA公开数据集进行性能测试，实验结果表明该文所提方法精度高、鲁棒性强，能够有效提高锂离子电池剩余寿命的预测效果。     

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LightGBM的电动汽车行驶工况下电池剩余使用寿命预测

行驶工况下电动汽车锂离子电池剩余使用寿命(RUL)衰退情况复杂,准确的RUL预测可为电池的定期维护和安全稳定运行提供指导,避免安全隐患.为此,该文提出一种适用于行驶工况下电动汽车电池的RUL预测方法.首先,针对行驶工况,提出一种基于轻量型梯度提升机(LightGBM)的RUL预测模型,利用元学习超参数优化方法对其进行超参数调优;其次,搭建行驶工况下电池全生命周期容量测试系统,模拟行驶工况下电池所受振动应力、充放电应力环境和测试电池容量衰退情况;然后,基于动态时间规整对容量衰退的相似性分析结果,使用生成对抗网络(GAN)生成新的容量序列;最后,通过实验数据验证所提模型和生成容量序列的有效性.     

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。     

基于LSTM的汽轮机异常状态预警

针对传统汽轮机缺乏有效的预警方法,时常处于被动维护的问题,提出一种基于长短期记忆网络（LSTM）的汽轮机状态预警方法。所提出的方法包含数据预处理模块、健康评价模块和异常预警模块三个模块。首先将源数据进行预处理,去除离群点以及毛刺数据;然后基于自编码神经网络、余弦定理和3σ定理求得一种优化的健康指数;最后基于LSTM建立了汽轮机异常预警模型,并分析对比不同深度的LSTM网络模型与循环神经网络（RNN）预测的结果。最终结果表明：LSTM的最佳预测模型预测结果的平均绝对误差（MAPE）不超过4.31%,比传统RNN的最佳预测模型的准确度更高。因此,所提出的方法在汽轮机异常预警中具有较好的检测准确度。     

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SA-ANFIS-AUKF的PEMFC剩余使用寿命预测方法

为实现在恒定和变载工况下对质子交换膜燃料电池(PEMFC)的剩余使用寿命(RUL)预测，提出了一种基于SA-ANFIS-AUKF的混合驱动预测方法。该方法首先基于结合模拟退火(SA)算法的自适应神经模糊推理系统(ANFIS)实现未来衰退趋势(FDT)预测，然后基于预测的电压衰退结果，结合电压衰减半机理模型和自适应无迹卡尔曼滤波(AUKF)算法实现了准确的剩余使用寿命估计。并利用法国燃料电池实验室恒定工况数据集和物流车变载工况数据集进行验证，RUL估计结果的平均准确度分别为0.881 8和0.785 4。在100 h预测时长下，预测RUL的平均绝对误差均不超过12.5 h。结果表明，该混合方法不仅适用于恒定负载，在动态负载下也有良好的预测效果。     

基于TRNN和FA-PF融合的锂离子电池RUL预测

预测锂电池剩余使用寿命RUL(remaining useful life)可以提高电池供电系统的稳定性和安全性,从而明确故障的发生并及时做出响应。在预测过程中粒子滤波PF(particle filter)常用于在线辨识模型参数,但当PF在线辨识参数时易出现粒子贫化问题,需要大量粒子才能完成状态估计,这将会导致预测结果不准确。为了提高RUL预测的准确性,提出一种基于时间递归神经网络TRNN(time recurrent neural network)和萤火虫算法FA(firefly algorithm)优化PF融合的锂电池RUL预测方法。首先,由于TRNN的泛化能力优于经验模型,并且易于捕捉容量退化的长距离依赖问题,因此选用其模拟各种条件下的电池退化模型;其次,基于FA优化的PF技术对TRNN模型参数进行递归更新,使粒子群移动到高似然区域,从而减少PF的贫化;最后,选择不同条件下不同电池的实验数据进行验证和比较。结果表明,与传统方法相比,该方法具有更高的RUL预测精度。     

基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.     

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。