基于PF-GPR算法的锂离子电池剩余使用寿命预测

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.     

基于充电电压片段的锂离子电池状态联合估计方法

锂离子电池的荷电状态(SOC)、健康状态(SOH)和剩余使用使命(RUL)是锂离子电池安全稳定运行的重要状态参数,本文提出一种基于充电电压上升片段的锂离子电池状态联合估计方法,实现对电池预测起点(SP)到寿命终点(EOL)的较长运行周期内SOC、SOH和RUL的联合估计.该框架在充电阶段进行SOH和RUL估计,在放电阶段进行SOC估计.首先提取电池恒流充电电压曲线片段的上升时间作为健康特征(HF),以HF作为输入,循环容量作为输出,建立最小二乘支持向量机(LSSVM)电池老化模型,对当前健康状态进行估计;采用等效电路模型对该电压区段进行非线性拟合,用拟合参数建立状态空间模型,结合无迹卡尔曼滤波算法进行SOC估计;用高斯过程回归时间序列模型对电池的健康特征序列进行建模,通过循环次数外推预测健康特征的变化趋势,并结合LSSVM老化模型,对RUL进行预测并给出置信区间.实验结果表明,所提方法具有较高的估计精度和较好的稳定性.     

基于电池外特征的粒子群神经网络电池健康状态预测

为了降低电池特征参数获取难度,提高电池健康状态(state of health,SOH)预测精度,保障电动汽车安全行驶,针对电池使用过程中内部参数变化复杂难以测量及BP神经网络容易陷入局部最小值等问题,提出了一种基于电池外特征的粒子群神经网络SOH预测方法。将电池的外特征参数电压与温度作为输入,在BP网络的架构中引入粒子群算法对网络的权值与阈值进行优化,从而增强网络的全局寻优能力。在MATLAB 2018上进行仿真验证,实验结果表明,本方法比传统的BP网络适用性更好,精度更高,绝对误差在1. 6%以内,相对误差在2. 4%以内,具有更广的应用前景。     

基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。     

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1％.     

基于IMM-UPF的锂电池寿命估计

提出了一种基于交互式多模型(Interacting Multiple Model,IMM)和无迹粒子滤波算法(Unscented Particle Filter,UPF)的锂电池健康状态(State of Health,SOH)估计方法,针对目前SOH估计方法需求样本量大、不适用于全寿命周期结果跟踪等问题,建立了基于多项式模型、双指数模型和集成模型的IMM,通过UPF解决了重采样过程中粒子贫化的问题,根据滤波的结果对锂电池的SOH进行预测,实现了锂电池全寿命周期内的SOH精确估计.讨论了IMM的选型依据和建模方法,给出了详细的SOH估计算法,并通过仿真和实验对不同模型进行对比.仿真和实验结果表明,所提出的基于IMM-UPF的锂电池SOH估计结果的概率密度函数标准偏差仅为19,实现了高估计精度.     

基于PCA-NARX的锂离子电池剩余使用寿命预测

目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析（PCA）特征融合与非线性自回归（NARX）神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.      

桥梁时变可靠度指标的改进粒子滤波预测算法

基于健康监测时间序列数据,提出了桥梁动态可靠度指标的改进粒子滤波预测方法.首先,利用监测极值数据建立动态模型,将其作为粒子滤波算法的状态方程和监测方程;然后,采用贝叶斯动态线性模型(BDLM)为粒子滤波器提供随时间更新的动态建议分布,以解决传统粒子滤波算法的样本退化问题,同时增加了粒子滤波算法的鲁棒性及自适应性;进而利用改进的粒子滤波算法(IPF),结合极值监测数据实现结构极值的动态预测,并结合一次二阶矩(FOSM)可靠性方法,实现桥梁结构可靠度指标的动态预测;最后通过在役桥梁工程实例与设计试验对所提模型和方法的合理性与有效性进行验证.     

基于有监督核自组织映射的锂电池健康状态预测

高效准确地预测锂电池的健康状态(State of health,SOH)可以保证锂电池的正常运行,提高维护效率及电池本身的稳定性。提出一种基于有监督核自组织映射(Supervised kernel self-organizing map,SKSOM)的建模方法用于锂电池SOH预测。首先,对锂电池的原始放电数据进行预处理及归一化;然后,设计并优化了针对SKSOM的输入特征,在此基础上训练出SOH预测模型;最后,在美国国家航空航天局(National Aeronautics and Space Administration,NASA)的标准锂电池数据集上进行验证。实验结果表明,该文所用的预测模型能有效挖掘出锂电池的SOH规律,预测性能优于其他已有的SOH预测模型。     

基于卡尔曼滤波的动力电池SOC估算

由于传统无迹卡尔曼滤波估算方法具有局限性,为了能准确估算动力电池荷电状态(state of charge,SOC),提出了一种基于无迹卡尔曼粒子滤波的动力电池SOC估算方法.以三元锂电池为研究对象,建立了电池二阶RC等效电路模型,通过对电池进行充放电试验辨识出模型参数,并验证模型准确性.采集了实际工况下的电池数据,分别用无迹卡尔曼滤波算法、粒子滤波算法和无迹卡尔曼粒子滤波算法估算电池SOC,在MATLAB中进行了仿真试验,并对估算的电池SOC进行比较.结果表明：无迹卡尔曼粒子滤波算法可以快速准确地估算出电池SOC,误差小于2.5%,优于另外2种算法.     

锂离子电池剩余寿命间接预测方法简

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归（Gaussian process regression,GPR）方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

车载动力电池放电过程健康状态在线估计

针对电动汽车无规则随机充放电特点及在线检测需求，考虑到由于电池一致性问题导致难以保证离线实验数据分析法估计精度的问题，提出一种以离线获取的电池健康状态(SOH)外在指征函数为基础的基于无迹卡尔曼滤波(unscented Kalman filter，UKF)思想的在线闭环校正SOH估算架构.该方法优点在于:能够在随机放电过程中快速估算出高精度的SOH值，算法复杂度相对降低，易于实际工程实现且具有较好的鲁棒性.通过验证可以证明，提出的车载动力电池放电过程SOH估算方法具有较好的实用性及较高的估算精度.     

基于维纳过程的锂离子电池剩余寿命预测

锂离子电池内部结构复杂,受外界影响大,使其容量退化过程具有不确定性因素而呈现随机性.对电池容量退化服从非线性维纳过程建立状态空间模型,并认为参数是服从共轭分布的随机变量,增加了模型不确定性使之更加符合锂离子电池容量的退化过程.利用自助法获得先验分布参数初始值,由共轭分布的性质可以得到后验分布的类型,由此得到简便的参数估计方法.粒子滤波可对每一时刻的参数及退化状态进行估计和更新,根据提前设定的状态阈值可以预测电池的剩余寿命.具体实例验证了方法的准确性,该方法对可靠性高、样本量少的电池的剩余寿命预测有借鉴意义.     

优化分级T-S模糊控制动态估计纯电动汽车电池健康状态

针对纯电动汽车动力电池健康状态（state of health,SOH）预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55 ms内,预测效果比现有方法显著提高.      

基于粒子群算法估计实际工况下锂电池SOH

提出一种基于粒子群算法和锂电池经验容量模型的对电池实际工况下的健康状态进行估计的新方法.建立了电动汽车实际运行工况下充电曲线特征与电池健康度的线性模型.辅以电池经验容量模型,使之符合监督学习的实际情况并能够用计算机对参数进行拟合.以美国航天航空局电池老化数据建立训练集与验证集,对模型进行训练,并对训练好的模型进行实验验证.实验表明SOH估计误差都在7%以下,在实际工况中能够快速对电动汽车锂电池的健康度进行准确估计.      

基于多时间尺度锂电池在线参数辨识及 SOC 和 SOH 估计

电池的荷电状态和健康状态是衡量电池续航和寿命的重要指标,为解决电池参数的时变性问题,提高电池 SOC(State of Charge)估算精度,减少硬件计算量,提出一种多时间尺度在线参数辨识双扩展卡尔曼滤波联合算法。 以 18650 三元锂电池为研究对象,采用基于二阶 RC 等效电路模型的多时间尺度 DEKF 算法,针对电池参数的慢变 特性和状态的快变特性进行双时间尺度在线参数辨识和 SOC 估算;通过联邦城市驾驶计划 (FUDS) 测试验证,得 出多时间尺度 DEKF 算法和传统离线辨识 EKF 算法对 SOC 估计的平均绝对误差分别为 0. 97%和 2. 46%,均方根 误差为 1. 19%和 2. 69%,容量估计值对参考值最大误差仅为 0. 007 72 Ah;实验结果表明:所提出的多时间尺度 DEKF 算法,具有更好的鲁棒性和 SOC 估算精度并能实时反应 SOH 变化趋势。     

基于数据驱动的锂离子动力电池剩余使用寿命预测方法综述

准确预测锂离子动力电池的剩余使用寿命(remaining useful life, RUL),确保相关行业和设施的可靠性和安全性具有重要意义。数据驱动方法仅通过实验数据总结电池性能参数变化规律从而预测电池剩余寿命,突破了传统基于模型方法精度低、难以建模、通用性差的局限。首先针对基于数据驱动的锂离子动力电池寿命预测的研究进行分析,归纳总结出锂离子动力电池寿命预测建模思路。其次,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,给出了锂离子动力电池剩余寿命预测的发展趋势。