检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于经验模态分解的锂离子电池健康状态预测

机械工程学报 2024年第14期60卷 272-281页

作者：刘征宇张政郭乐凯孟辉刘项合肥工业大学机械工程学院合肥230009 合肥工业大学智能制造技术研究院合肥230009

电池健康状态(State of health, SOH)预测是确保电子系统运行可靠性和安全性的关键因素。为了准确地预测锂离子电池SOH的整体退化趋势和局部容量再生现象,提出一种将经验模态分解(Empiricalmodedecomposition,EMD)与门控循环单元(Gated ... 详细信息

电池健康状态(State of health, SOH)预测是确保电子系统运行可靠性和安全性的关键因素。为了准确地预测锂离子电池SOH的整体退化趋势和局部容量再生现象,提出一种将经验模态分解(Empiricalmodedecomposition,EMD)与门控循环单元(Gated recurrent unit, GRU)和差分自回归移动平均模型(Autoregressive integrated moving average model, ARIMA)相融合的锂离子电池SOH预测方法。首先,利用EMD将电池原始SOH序列进行多尺度分解,并通过计算分解子序列的连续均方误差找到高低频分界点;然后,GRU用于预测具有强烈数据波动的高频子序列,ARIMA用于预测剩余的低频子序列和残差;最后,将每个子序列的预测结果进行叠加以获得最终预测结果。试验结果表明,与其他文献中预测方法相比,基于经验模态分解的融合模型具有更高的预测精度,可以更好地捕捉电池SOH整体退化趋势和局部容量再生特性。

关键词：锂离子电池经验模态分解健康状态预测容量再生融合模型

维普期刊数据库

基于PF-GPR算法的锂离子电池剩余使用寿命预测

在线全文

学校读者我要写书评

暂无评论

武汉科技大学学报 2022年第3期45卷 189-196页

作者：吴菲郑秀娟武汉科技大学冶金自动化与检测技术教育部工程研究中心湖北武汉430081 武汉科技大学机器人与智能系统研究院湖北武汉430081

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法。仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测。

关键词：锂离子电池电池容量容量再生剩余使用寿命粒子滤波高斯过程回归

维普期刊数据库

基于模态分解和时间序列的锂电池健康状态估计

在线全文

学校读者我要写书评

暂无评论

电源学报 2023年

作者：成燕郑林弘刘江武汉科技大学信息科学与工程学院

针对锂离子电池健康状态估计未考虑容量再生现象导致预测结果不准确的问题，提出一种基于多时间尺度集合经验模态分解融合时间序列映射输入健康状态非线性关系方法。通过集合经验模态分解（EEMD）算法将考虑容量再生现象的电池容量信息... 详细信息

针对锂离子电池健康状态估计未考虑容量再生现象导致预测结果不准确的问题，提出一种基于多时间尺度集合经验模态分解融合时间序列映射输入健康状态非线性关系方法。通过集合经验模态分解（EEMD）算法将考虑容量再生现象的电池容量信息分解为高频主趋势信号及低频余量信号，由两类信号预测结果完成对锂离子电池SOH的估算。结果表明，该方法可以捕获容量再生现象提高估算准确度，实现对电池容量退化的拟合，且受不同预测起点影响小，预测的最大RMSE和MAE不超过1.5%，最大MAPE不超过2%。

关键词：锂离子电池健康状态容量再生集合经验模态分解时间序列

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于数据驱动的锂离子电池剩余寿命预测综述

电源学报 2023年

作者：李银王建峰莫伟权张西丽中国计量大学理学院浙江省智能制造质量大数据溯源与应用重点实验室

准确预测锂离子电池剩余使用寿命对新能源汽车的安全可靠运行至关重要。本文首先针对数据驱动方法预测锂离子电池剩余使用寿命的研究现状进行分析，归纳总结了六种常用的数据驱动方法的研究进展，然后总结归纳了锂离子电池寿命预测目前... 详细信息

准确预测锂离子电池剩余使用寿命对新能源汽车的安全可靠运行至关重要。本文首先针对数据驱动方法预测锂离子电池剩余使用寿命的研究现状进行分析，归纳总结了六种常用的数据驱动方法的研究进展，然后总结归纳了锂离子电池寿命预测目前在实际应用中存在的三个问题，同时较为全面地讨论了电池数据集的收集问题，阐述了电池数据集对数据驱动方法发展的重要性。最后对未来的发展趋势进行了展望。

关键词：锂离子电池剩余寿命预测容量再生电池数据集

基于智能粒子滤波的锂电池全周期剩余使用寿命预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于智能粒子滤波的锂电池全周期剩余使用寿命预测

作者：侯棕祥华中科技大学

学位级别：硕士

锂电池被广泛应用于各种电子系统中,在保证整个系统的高效、稳定、安全运行方面有着重要的作用。锂电池的性能会逐渐退化,其退化过程分为早期和中后期两个阶段,在这两个阶段中又存在平稳和非平稳时期。不同阶段不同时期的退化趋势不同... 详细信息

锂电池被广泛应用于各种电子系统中,在保证整个系统的高效、稳定、安全运行方面有着重要的作用。锂电池的性能会逐渐退化,其退化过程分为早期和中后期两个阶段,在这两个阶段中又存在平稳和非平稳时期。不同阶段不同时期的退化趋势不同。因此,对锂电池进行全周期的剩余使用寿命(Remaining Useful Life,RUL)预测,并根据预测结果采取相应的维护策略,具有重要的研究意义。粒子滤波(Particle Filter,PF)是一种基于贝叶斯框架的滤波算法,在锂电池RUL预测中得到了广泛的应用。针对目前锂电池全周期RUL预测中存在的一些问题,本文基于智能PF方法从以下三个方面展开研究:(1)针对中后期平稳阶段的RUL预测精度不高的问题,提出了一种遗传算法(Genetic Algorithm,GA)优化的PF算法。通过构造特定的选择算子、交叉算子、变异算子,来扩大PF的粒子集搜索空间,增加粒子集的多样性,缓解粒子贫化。同时,对粒子集的分布进行优化,使优化后的粒子集转移到最大似然区域,缓解粒子退化。在数值仿真上进行状态估计实验,所提方法的RMSE相比于PF降低了32.9%。在NASA数据集上进行RUL预测实验,所提方法预测的绝对误差相比于PF最大降低了6个循环。(2)针对中后期非平稳阶段的容量再生现象带来的退化曲线波动,致使RUL预测不准的问题,提出了一种双重粒子滤波(Dual Particle Filter,DPF)算法。首先,基于容量值的一阶前向差分结果进行实时的容量再生检测。之后,基于距离度量在训练集中提取模型参数作为测试集的初始参数。再通过第一重PF提取训练集平稳时期的噪声分布,将其用于测试集的状态空间模型建模。最后,通过第二重PF限制粒子集在非平稳时期的搜索空间,并对未来退化趋势进行预测。NASA数据集上的实验结果表明,所提方法的预测误差基本都小于5个循环。(3)针对早期阶段可用的退化数据少,导致长期RUL预测效果较差的问题,提出了一种融入先验知识的PF算法。首先,结合二维卷积神经网络和长短期记忆网络进行初步的预测。然后,根据预测结果在训练集中挑选相似电池作为参考电池,提取其模型参数作为先验知识。再通过PF实时调整模型参数并进一步预测RUL。最后,将调整后的模型作为高斯过程回归(Gaussian Process Regression,GPR)的均值函数,并使用GPR进行长期RUL预测。以斯坦福大学的锂电池数据集为实验对象,在仅使用20%左右退化数据的情况下,所提方法预测的相对精度大于90%。

关键词：锂电池全周期剩余使用寿命预测粒子滤波遗传算法容量再生先验知识

基于非线性自回归模型的锂离子电池剩余寿命预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于非线性自回归模型的锂离子电池剩余寿命预测研究

作者：罗林昌重庆大学

学位级别：硕士

锂离子电池在电动汽车中的应用日益迫切,开发快速准确的算法来监测锂离子电池的健康状态和寿命终止,并帮助制定与维护和更换有关的决策变得至关重要。目前,国内外针对锂离子电池寿命预测方法开展了较多研究,数据驱动方法凭借其不需要具... 详细信息

锂离子电池在电动汽车中的应用日益迫切,开发快速准确的算法来监测锂离子电池的健康状态和寿命终止,并帮助制定与维护和更换有关的决策变得至关重要。目前,国内外针对锂离子电池寿命预测方法开展了较多研究,数据驱动方法凭借其不需要具备电池方面的专业知识和不需要构建复杂的物理模型等优势,成为众多研究者研究该问题的首选方案。但现有的数据驱动方法模型大多忽略锂离子电池的容量再生现象,依赖电池健康特征,只针对同类型电池且数据需求量大,往往对于锂离子电池容量衰退的预测精度不高。因此,本文研究了专门针对时间序列问题开发的非线性自回归方法的使用,引入了包括卷积网络、循环网络、双向循环网络和编码器-解码器模型等在内的深度神经网络和高斯过程非线性自回归,采用时间序列策略和数据嵌入,仅使用前50%的数据对不同类型的单个锂离子电池剩余寿命实施精准预测,主要内容如下:首先,对锂离子电池的退化机理进行分析,针对锂离子电池在容量衰退过程中存在的时序长期依赖现象,分别对Zhu等人的数据集中的单个锂离子电池采用时间序列策略和数据嵌入,整理并划分为训练集和测试集,作为后续模型训练和测试的数据基础。其次,为了验证本文采用的非线性自回归模型的性能,引入目前广泛使用的经典时间序列预测方法ARIMA模型和SARIMA模型作为参照,通过ACF和PACF对数据平稳性进行检验,使用AIC、BIC对模型参数进行计算并确定差分阶次,将数据集输入模型进行训练并预测。预测结果显示,相比SARIMA,ARIMA模型更适合锂离子电池寿命预测,其能够捕捉部分微小再生现象,并且对整体趋势吻合较好。然后,使用现目前热门的深度神经网络,搭建MLP、CNN、RNN(LSTM,GRU)、Bi-RNN、seq2seq等DNN模型,将DNN作为自回归映射,而非传统的机器学习方法,通过随机梯度下降结合反向传播的方法进行训练与学习,从而对锂离子电池SOH衰减进行预测与对比。结果表明,网络模型均具有较低RMSE值,其中seq2seq模型具有显著优势,seq2seq、MLP、CNN和LSTM模型的预测曲线与实际曲线几乎贴合,对于衰退整体性趋势的预测精度极高。最后,针对数据集中的不同周期和振幅的再生现象,引入了GPNAR模型,通过配置混合平方指数和线性核,并使用最大似然估计对超参数进行优化,在使用前文数据集的基础上新增更符合现实场景的牛津电池数据集,对锂离子电池进行寿命预测,并取得显著效果。预测结果表明,GPNAR方法在所有数据集上都是表现最优的方法,RMSE值均为各个方法最低值且有明显优势。观察预测曲线发现,GPNAR不仅能捕捉到SOH衰退的整体性趋势,也能捕捉到不同周期与振幅的季节性波动,预测曲线与真实曲线吻合十分良好,验证了GPNAR模型在预测电池寿命方面的优越性。

关键词：锂离子电池退化容量再生时间序列深度网络高斯过程

一种多时间尺度下的锂离子电池剩余寿命混合预测方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

供用电 2021年第6期38卷 7-13页

作者：毛玲胡慧仲赵晋斌徐杰上海电力大学上海200090

针对锂离子电池储能系统寿命预测不准确问题,提出了一种多时间尺度下的电池剩余寿命混合预测方法。首先,通过带自适应噪声的完全集成经验模态分解(CEEMDAN),将原始数据分解为多个低频和高频分量。接着,利用GS-LM模型对其低频分量进行拟... 详细信息

针对锂离子电池储能系统寿命预测不准确问题,提出了一种多时间尺度下的电池剩余寿命混合预测方法。首先,通过带自适应噪声的完全集成经验模态分解(CEEMDAN),将原始数据分解为多个低频和高频分量。接着,利用GS-LM模型对其低频分量进行拟合预测,再将分解后的高频分量作为LSM-STW模型(滑动时间窗口和长短期记忆神经网络)的输入,得到高频分量预测结果。最后,将所有预测结果相加,得到最终的锂离子电池剩余寿命预测。实验结果表明,所提出的预测方法可以准确地预测锂离子电池容量退化趋势,不同预测起点对预测结果影响较小,并能够捕捉电池容量的再生现象。

关键词：储能锂离子电池 CEEMDAN 混合预测预测起点容量再生

维普期刊数据库