基于CEEMDAN-LSTM组合的锂离子电池寿命预测方法

针对目前锂离子电池寿命预测结果不准确的问题,提出了一种多模态分解的锂离子电池组合预测模型,从而学习锂离子电池退化过程的微小变化.该方法在单一长短期记忆(LSTM)预测模型的基础上,采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势,然后使用长短期记忆神经网络(LSTMNN)算法分别对所分解的若干退化数据进行寿命预测,最后将若干预测结果进行有效集成.结果表明,所提出的CEEMDANLSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%,平均相对误差在3%以内,且优于其他预测模型.

基于最优充放电曲线的锂离子电池寿命预测方法

准确预测锂离子电池剩余使用寿命在电池健康管理中起着越来越重要的作用.然而由于直接反映电池退化的内阻、容量等参数在实际应用中的复杂性和不易测量,从侧面评估锂离子电池寿命状态十分必要.本文通过对锂离子电池充放电数据分析,结合Pearson和Spearman两种相关性分析法,构造了反映锂离子电池退化的两种最优健康因子,然后在此基础上提出了一种灰狼优化算法(GWO)和长短期记忆神经网络(LSTMNN)相结合的锂离子电池寿命预测模型.仿真结果表明,该方法能有效对锂离子电池的退化状态跟踪,预测的最大MAPE不超过2%,与传统的LSTM算法相比,具有很高的可靠性.

基于多退化特征的锂离子电池剩余寿命预测

针对目前锂离子电池剩余寿命预测模型精度低、泛化性差的问题,在一种基于充放电健康特征提取的锂离子电池剩余寿命估计方法的基础上,增加了健康因子和实际容量之间的相关性分析,具体方法是:从锂离子电池充放电电压、电流、温度曲线变化趋势中提取若干潜在健康因子,并利用主成分分析(PCA)去除数据冗余性,得到代表退化特征的融合健康因子。结合自适应遗传算法(AGA)优化了Elman预测模型。结果表明所建立的PCA-AGA-Elman神经网络预测模型误差控制在1.5%之内,可作为锂离子电池的剩余使用寿命(RUL)预测模型。

基于改进型极限学习机的锂离子电池健康状态预测

针对目前利用机器学习方法预测锂离子电池健康状态(SOH)存在的训练时间长和预测精度低的问题,本文提出了一种基于改进型极限学习机(ELM)的SOH预测模型。首先利用灰色关联分析法选取出健康因子(HI)并将其作为模型的输入。然后通过自适应粒子群优化(APSO)算法对多层极限学习机(ML-ELM)的输入权重和隐层偏置进行了优化。最后利用NASA的3组锂离子电池数据对所提出的模型进行验证,并且与其他机器学习算法进行了比较。仿真实验结果表明,本文提出的APSO-ML-ELM算法的预测结果的RMSE小于2%并且MAPE小于1%,训练时间也相对更短。

基于分层极限学习机的锂离子电池剩余使用寿命预测

提前对锂离子电池的剩余使用寿命(RUL)进行预测可以保证电池及其应用设备安全稳定运行。针对目前预测方法的结果滞后且缺乏实际意义等问题,为了利用少量循环数据实现RUL的提前预测,本文基于原始极限学习机和自动编码器构建了分层极限学习机(H-ELM)预测模型。然后选取丰田研究所(TRI)的实验数据集对H-ELM完成了仿真实验验证。实验结果表明,本文提出的H-ELM预测模型可以在电池使用初期预测出RUL,同时预测结果的平均绝对百分比误差(MAPE)仅有10.14%。