一种新型锂电池充电剩余时间预测方法

提出了一种基于信息粒化(IG)的支持向量回归(SVR)方法来预测锂电池充电剩余时间。首先,通过模糊信息粒化窗口提取代表性数据,同时形成概率性预测的置信区间上下限,并重新组合特征向量建立训练样本。然后,运用样本对训练支持向量回归模型,在参数优选方面采用网格划分的交叉验证方式。最后,通过3个不同的支持向量回归模型得到充电剩余时间的置信区间。以美国国家航空航天阿姆斯研究中心公开的电池数据为实例,通过与三段式模型方法进行对比,结果表明该模型在精度、通用性方面表现更好。

基于IndyLSTM的锂电池充电剩余时间预测

传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束。针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法。通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测。采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准确性和稳定性方面表现更好。

预测锂电池充电时间的三段SVR模型

提出了一种基于三段式的支持向量回归(SVR)方法来预测锂电池充电剩余时间。根据三段式模型将充电过程分为充电初期、充电中期和充电后期,各个阶段提取相关性高的特征组成特征向量,通过参数寻优训练获得3个支持向量回归模型。以美国国家航空航天阿姆斯研究中心公开的电池数据为测试数据,与三段式模型、支持向量回归模型进行对比,结果表明该模型在通用性、精度方面表现更好。