基于SVD-SAE-GPR的锂离子电池RUL预测

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。

多健康指标的锂电池剩余使用寿命区间预测

本文提出一种新的锂离子电池剩余使用寿命(Remaining Useful Life,RUL)的区间预测方法。该方法从实际角度出发,使用更易于测量的健康指标实现了对锂离子电池RUL的区间预测,并给出了带有上下限的区间预测结果而非单一的预测数值,使预测结果更适用于现实决策环境。首先,从数据集中提取了多组可以表征电池退化性能的健康指标;其次,利用灰色关联分析对所提健康指标与容量进行了相关性分析,选择相关性最高的两组健康指标用于后续处理;再次,对两组健康指标进行模糊信息粒化,生成颗粒,获得了可用于区间预测的上下限序列;最后,将颗粒的上下限作为训练输入,容量作为输出,利用最小二乘支持向量机训练并预测了电池RUL。实验结果表明,所提的区间预测方法在3组电池数据中RUL区间预测结果均正确覆盖了真实值,且预测区间在30个循环周期内。进一步地,在4组电池的区间预测过程中,预测区间覆盖率均在91%以上,区间宽度值保持在0.056以内。