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...     

基于 IALO-SVR 的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。     

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。     

相关向量机预测电池健康状态和剩余有效寿命

相关向量机(relevance vector machine,RVM)算法由于其高稀疏性的特征,比有同样原始模型的支持向量机(support vector machine,SVM)算法有着更多的优势,在锂离子电池剩余有效寿命的研究中受到了关注.总结了现有的基于RVM算法的预测模型,介绍针对于电池寿命中RVM算法的改进,...     

基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明：所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。     

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GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度,提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题,采用改进灰狼(IGWO)算法优化支持向量回归的内核参数;选取合适的健康特征作为输入,电池SOH作为输出,建立IGWO-SVR估计模型,实现锂电池SOH的估计。基于NASA电池数据集,对该模型进行训练及验证,并与SVR和GWO-SVR方法相比。结果表明,IGWO-SVR方法能有效提高SOH估计的精度和稳定性,最大估计误差不超过2%。     

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。     

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。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

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。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

基于支持向量回归的凝汽器清洁系数时间序列预测

分析了凝汽器水侧污垢形成的机理，得到凝汽器清洁系数随时间变化的基本规律。提出采用支持向量回归时间序列预测法来预测凝汽器清洁系数。简要介绍了支持向量回归的理论基础，建立了凝汽器清洁系数时间序列预测模型，利用某300MW机组的数据，对模型进行了校验，探讨了参数的选择。并同径向基函数神经网络预测模型进行比较，结果表明，支持向量回归模型在预测性能方面明显优于RBF神经网络方法，并且模型具有较好的预测精度和泛化能力，为凝汽器真空降低故障的诊断，奠定了一定的基础。     

基于支持向量回归的变电站蓄电池退化趋势预测

蓄电池是变电站电源重要组成部分,为直流系统提供稳定可靠供电。但运行中的蓄电池长期处于浮充状态,难以在线测量其最大荷电容量,容易出现蓄电池退化导致的储能不足,变电站保安电源中断和保护系统供电中断等问题。为准确预测铅酸蓄电池退化趋势,本文提出一种计及浮充和均充影响的蓄电池退化趋势预测方法。采用集合经验模态分解法（EEMD）将随时序变化的蓄电池健康状态特征量进行模态分解,然后将退化特征量模态分解的结果作为输出、电池浮充时长和均充次数作为输入代入支持向量机（SVM）完成预测模型的训练。以数据驱动的方法建立蓄电池使用计划与退化趋势之间的相关性,从而最终实现蓄电池退化趋势的预测。仿真实验结果表明,本文所提方法可有效预测蓄电池在使用计划内端电压和内阻等健康状态特征量的变化,为变电站的直流系统的合理运维提供依据。