CN104459560B - 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 - Google Patents

基于小波降噪和相关向量机的锂电池剩余寿命预测方法 Download PDF

Info

Publication number
CN104459560B
CN104459560B CN201410833574.7A CN201410833574A CN104459560B CN 104459560 B CN104459560 B CN 104459560B CN 201410833574 A CN201410833574 A CN 201410833574A CN 104459560 B CN104459560 B CN 104459560B
Authority
CN
China
Prior art keywords
lithium battery
vector machine
charging
wavelet
noising
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410833574.7A
Other languages
English (en)
Other versions
CN104459560A (zh
Inventor
何怡刚
张朝龙
佐磊
项胜
尹柏强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201410833574.7A priority Critical patent/CN104459560B/zh
Publication of CN104459560A publication Critical patent/CN104459560A/zh
Priority to PCT/CN2015/092241 priority patent/WO2016107246A1/zh
Priority to US15/324,806 priority patent/US10408882B2/en
Application granted granted Critical
Publication of CN104459560B publication Critical patent/CN104459560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

基于小波降噪和相关向量机的锂电池剩余寿命预测方法，涉及一种估计锂电池健康状况并预测其剩余寿命的方法，包括以下步骤：测量锂电池随着充放电周期的健康状况数据；对测量的锂电池容量数据进行小波二次降噪；计算锂电池失效的容量阈值；基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。本发明操作方法简单有效，可精确地预测锂电池的剩余寿命。

Description

基于小波降噪和相关向量机的锂电池剩余寿命预测方法
技术领域
本发明涉及基于小波降噪和相关向量机的锂电池剩余寿命预测方法，具体来说，涉及通过小波二次降噪提取原始数据，并基于该数据应用相关向量机算法建立预测模型对锂电池的剩余寿命进行预测的方法。
背景技术
锂电池广泛地应用于便携式电子设备﹑电动汽车以及军事电子系统等设备中，锂电池的失效将会引起设备的性能下降﹑功能失灵﹑反应迟缓以及其他电子故障。因此对锂电池的剩余寿命进行预测，是十分必要的。
锂电池的健康状况一般应用其电池容量进行表征，而容量数据在不断的充放电周期中通过测量获得。由于在测量过程中不可避免地存在电磁干扰、测量误差、随机负载以及锂电池内部的不可预知物理或化学的行为，故测量得到的锂电池容量数据中一般包含各种类型及不同大小的噪声，从而导致无法准确地进行寿命预测。
小波降噪是一种新兴的原始数据提取方法，通过小波分解与重构，可提取原始数据，消除或减弱噪声。然而，由于锂电池容量数据的噪声为多类型及不同大小的特点，故应用基本的小波降噪算法难以较好地去除。相关向量机是一种基于贝叶斯框架的回归预测算法，运算速度快，适用于在线检测，已有研究证明相关向量机的预测精度高于支持向量机和神经网络等常用算法。相关向量机算法中核函数的宽度因子对预测精度有极大的影响，以往多采用经验尝试法获得，锂电池剩余寿命预测精度偏低。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提出一种基于小波降噪和相关向量机的锂电池剩余寿命预测方法，具有可有效去除噪声及提取原始数据，并可精确预测锂电池剩余寿命的优点。
该方法首先通过小波二次降噪的方法处理测量的锂电池容量数据，去除噪声并提取有效的原始数据，然后通过应用基于差分进化算法优化了宽度因子的相关向量机算法预测该锂电池的剩余寿命，即剩余充放电周期。
本发明解决其技术问题所采用的技术方案为：
基于小波降噪和相关向量机的锂电池剩余寿命预测方法，包括以下步骤：
(1)通过测量获取锂电池各个充放电周期的健康状况数据；
(2)对测量的锂电池容量数据进行小波二次降噪；
(3)计算锂电池失效的容量阈值；
(4)基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；
(5)应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。
在上述步骤(1)中，锂电池的健康状况数据是指锂电池的容量数据。
在上述步骤(2)中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行两次小波降噪，去除噪声信号。
在上述步骤(3)中，锂电池失效的容量阈值一般是该锂电池标称容量的65％-75％。
在上述步骤(4)中，锂电池容量数据为H1,H2,…,Hn，其中n≥1，为测量的周期数，对应的容量数据序列为[H1,H2,…,Hn]，锂电池容量数据的各个充放电周期依次为T1,T2,…,Tn，n≥1，对应的充放电周期数据序列为[T1,T2,…,Tn]；
应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为：
(4.1)初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数等，其中需要优化的宽度因子被映射为个体；
(4.2)通过突变操作生成突变矢量；
(4.3)通过交叉操作生成试验矢量；
(4.4)通过选择操作选择下一代个体；
(4.5)重复(4.2)—(4.4)直至迭代结束，输出结果。
差分进化算法是一种基于种群个体的随机搜索算法。差分进化算法随机生成个体Xi,G(i＝1,2,...,N)，其中i为个体的编号，N是个体的数量，G是当前迭代次数，差分进化算法包括突变、交叉和选择三个操作过程；
突变矢量Vi,G在突变操作中由下述公式生成：
Vi,G＝Xr1,G+F(Xr2,G-Xr3,G)r1≠r2≠r3≠i；
其中r1、r2和r3是随机选自于{1,2,...,N}；F是比例因子。
试验矢量在交叉操作中由Vi,G和Xi,G生成：
其中C∈[0,1]，是事先定义的交叉常数，rand是0-1之间的随机数。
假设f(x)是一个需要最小化的适应度函数，下一代个体的生成由选择操作完成：
在上述步骤(5)中，剩余寿命是指锂电池发生失效前剩余的充放电周期数。
应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命的方法为：对Tn之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足Hn+g≥Hthreshold且Hn+g+1<Hthreshold条件的第Tn+g个充放电周期，则锂电池在第Tn+g个充放电周期后失效，其剩余寿命为g个充放电周期。其中Hthreshold是该锂电池失效的容量阈值。
本发明相比背景技术具有如下优点：
(1)首次提出小波二次降噪方法，并将其应用于处理测量的锂电池数据，处理后的数据更接近原始数据；
(2)相关向量机算法在差分进化算法优化选择了宽度因子后，其预测精度相对于传统的经验尝试法有明显提高。在本发明的锂电池剩余寿命预测实验实例中，剩余寿命的预测精度至少提高了4.1％。
附图说明
图1是基于小波降噪和相关向量机的锂电池剩余寿命预测方法的流程框图；
图2是编号为5的锂电池的容量随充放电周期的展示图；
图3是应用Minimax方法产生小波阈值的小波降噪后锂电池容量数据展示图；
图4是应用Sqtwolog方法产生小波阈值的小波降噪后锂电池容量数据展示图；
图5是应用本发明提出的小波二次降噪方法降噪后锂电池容量数据展示图；
图6是应用差分进化算法优化相关向量机算法的宽度因子的过程；
图7是应用优化后的相关向量机对锂电池未来86个周期容量数据的预测结果。
具体实施方式
以下结合附图和例子对本发明作进一步说明。
参照图1，本发明的整体流程图由5个步骤构成：
步骤1：通过测量获取锂电池各个充放电周期的健康状况数据；
步骤2：对测量的数据执行小波二次降噪，获取原始数据；
步骤3：计算锂电池容量的失效阈值；
步骤4：基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机的宽度因子进行优化选择；
步骤5：应用经差分进化算法优化后的相关向量机算法对锂电池剩余寿命的进行预测；
步骤1中，锂电池的健康状况数据是指容量数据。
测量获取锂电池各个充放电周期的容量变化数据的方法为：测量电池容量数据时锂电池工作于两种状态：充电和放电工作状态。充电锂电池一般首先通恒定电流，当充电电压升至额定电压时，保持电压不变，直到电流降至一个设定值时，充电完成。放电时维持工作电流不变，直至电压下降至设定值，放电工作完成。一次完整的充放电过程即为一个周期，测量各个充放电周期的电池容量，即为测量数据。锂电池的容量一般是随着充放电周期而下降的。
步骤2中，小波二次降噪的方法为：
设提取的锂电池容量数据为H1,H2,…,Hn，其中n≥1，为测量的周期数，即数据的大小。现以H(x)表示提取的数据，x为数据的编号，且x∈[1,n]，首先，对测量数据H(x)进行小波分解，设{Vk}k∈Z是尺度空间，{Wk}k∈Z是相应分解的小波空间，则H(x)在Vk上可分解为其中k和i为离散化参数，Z表示实数，φk+1,i和ψk+1,i分别为在2k+1分辨率下的尺度函数和小波函数，和分别是H(x)在2k+1分辨率下的逼近系数和细节系数。小波降噪中认为若某个系数的模低于该小波阈值，则该系数为噪声分解而成，故将该系数置0，随后将所有剩余的系数重构，可生成降噪后的原始数据。本发明提出的小波二次降噪方法为，对测量的数据进行两次降噪，第一次降噪采用Minimax方法生成小波阈值，其公式为：
第二次降噪采用Sqtwolog方法生成小波阈值，其公式为n≥1，为测量的周期数，即数据的大小。
Minimax方法生成的小波阈值远大于Sqtwolog方法，第一次降噪可以消除测量数据中的较大的噪声，而第二次降噪可以去除数据中较小的噪声。小波二次降噪方法可有效地消除或减弱锂电池容量测量数据中噪声。
步骤3中，锂电池失效的容量阈值一般是该锂电池标称容量的65％-75％。
步骤4中，提取的锂电池容量数据为H1,H2,…,Hn，其中n≥1，为测量的周期数，对应的容量数据序列为[H1,H2,…,Hn]，锂电池容量数据的各个充放电周期依次为T1,T2,…,Tn，(n≥1)，对应的充放电周期数据序列为[T1,T2,…,Tn]。
差分进化算法优化选择相关向量机算法的宽度因子的过程为：
(4.1)初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数等，其中需要优化的宽度因子被映射为个体；
(4.2)通过突变操作生成突变矢量；
(4.3)通过交叉操作生成试验矢量；
(4.4)通过选择操作选择下一代个体；
(4.5)重复(4.2)—(4.4)直至迭代结束，输出结果。
差分进化算法是一种基于种群个体的随机搜索算法。差分进化算法随机生成个体Xi,G(i＝1,2,...,N)，其中i为个体的编号，N是个体的数量，G是当前迭代次数，差分进化算法包括突变、交叉和选择三个操作过程。
突变矢量Vi,G在突变操作中由下述公式生成：
Vi,G＝Xr1,G+F(Xr2,G-Xr3,G)r1≠r2≠r3≠i；
其中r1、r2和r3是随机选自于{1,2,...,N}；F是比例因子。
试验矢量在交叉操作中由Vi,G和Xi,G生成：
其中C∈[0,1]，是事先定义的交叉常数，rand是0-1之间的随机数。
假设f(x)是一个需要最小化的适应度函数，下一代个体的生成由选择操作完成：
本发明设置f(x)等于以x为宽度因子的相关向量机的预测数据与真实数据的Mse，即均方误差，为最小化目标函数，它表征预测数据与真实数据的紧密程度。f(Ui,G)和f(Xi,G)分别表示以Ui,G和Xi,G为宽度因子的相关向量机的的预测数据与真实数据的Mse。Mse的计算公式为：
其中T＝1,2,...S,T为数据的编号，S是用于训练的数据数量；z*(T)和z(T)分别是预测数据和真实数据。
步骤5中，应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命的步骤如下：
相关向量机算法的预测输出为：
z＝y(x)+εn；
其中x是训练样本；εn是均值为0，方差为σ2的噪声；y(x)是输出函数，其表达式为：
其中wu为预测模型的权值；w0是偏差；xu为第u个训练样本；K(x,xu)为核函数，高斯径向基核函数一向有优秀的非线性处理能力，故采用该函数：
其中γ为宽度因子，它对相关向量机算法的预测性能有至关重要的作用，本发明中由差分进化算法优化选择。
应用经差分进化算法优化后的相关向量机算法对Tn之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足Hn+g≥Hthreshold且Hn+g+1<Hthreshold条件的第Tn+g个充放电周期，则锂电池在第Tn+g个充放电周期后失效，其剩余寿命为g个充放电周期。其中Hthreshold是该锂电池失效的容量阈值。
为展示本发明提出的基于小波降噪和相关向量机的锂电池剩余寿命预测方法的过程和预测性能，在此以一个实例说明。以美国宇航局艾姆斯研究中心提供的编号为5的锂电池容量测量数据为实验对象，图2为编号为5的锂电池的容量随充放电周期的展示图，由图中可以看出，锂电池的容量均随着充放电周期有下降的趋势，但在部分周期，电池容量有快速而短暂的上升，这些一般是由于噪声干扰造成。
对编号为5的锂电池的容量数据进行小波降噪，应用Minimax方法产生小波阈值的小波降噪后锂电池容量数据如图3所示，而应用Sqtwolog方法产生小波阈值的小波降噪后锂电池容量数据如图4所示。应用本发明提出的小波二次降噪方法进行的小波降噪后锂电池容量数据如图5所示。经效果对比，可明显发现，本发明提出的降噪方法得出的锂电池的容量数据，在随着充放电周期的进行，一直在平稳的下降，更加吻合于锂电池实际的容量变化，即更加接近于原始数据。
据美国宇航局艾姆斯研究中心的研究成果表明，编号为5的锂电池的标称值为2Ah，1.38Ah为该电池失效阈值。容量数据共采集了166个充放电周期，而前129个充放电周期为其有效周期，容量均高于1.38Ah，之后周期中该锂电池由于容量低于1.38Ah而失效，现以其前80个充放电周期的数据作为训练数据，之后86个充放电周期的数据作为测试数据，此时该锂电池的剩余寿命为49个充放电周期。在此，差分进化算法应用训练数据优化选择相关向量机的宽度因子，以测试数据检验该相关向量机的预测精度。
差分进化算法中种群规模和迭代次数分别设置为30和100，F等于0.6；C随迭代的进行由0.9线性下降至0.3，图6为基于训练数据应用差分进化算法优化相关向量机算法的宽度因子的过程。优化选择的宽度因子为0.5011。以0.5011作为宽度因子，应用于相关向量机中，预测该锂电池在随后86个充放电周期中的容量值，与真实的测试数据容量值进行对比，预测的结果如图7所示。在本次预测中，预测结果为锂电池的有效周期可达到第125个充放电周期，剩余寿命为45个充放电周期，误差为-4个周期，测试产生的Mse为1.4331e-04。由于优化得到的宽度因子在0.1-1之间，一般在该区间通过经验尝试法设置宽度因子的取值。为了验证应用差分进化算法优化宽度因子的方法优于经验尝试法设置宽度因子的方法，故在此，分别以0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9和1为宽度因子，预测该锂电池在随后86个充放电周期中的容量值，从而计算该锂电池剩余寿命，预测的结果见表1。
表1宽度因子为0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9和1时预测的结果
从表1的各项结果可以得知，经差分进化算法优化了宽度因子的相关向量机，其预测的锂电池剩余寿命最准确，预测误差最小，只有-4个充放电周期，Mse也是最小。而在设置宽度因子为0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9和1时的相关向量机，预测的误差和Mse均高于本发明提出的经差分进化算法优化了宽度因子的相关向量机算法。其中以设置宽度因子为0.3和0.5的相关向量机预测的剩余寿命误差最小，为-6，预测剩余寿命为43个充放电周期，最接近标准值。本发明提出的经差分进化算法优化了宽度因子的方法，预测的剩余寿命为45个充放电周期，误差为-4个周期，说明结果的预测精度至少可以提高4.1％。
通过该实例可以证明，本发明提出的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，操作简单有效，同时具有较高的预测精度。

Claims (7)

1.基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：
（1）通过测量获取锂电池各个充放电周期的健康状况数据；
（2）对测量的锂电池容量数据进行小波二次降噪；
（3）计算锂电池失效的容量阈值；
（4）基于锂电池容量数据序列和充放电周期数据序列，应用差分进化算法对相关向量机算法的宽度因子进行优化选择；
（5）应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命。
2.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（1）中，锂电池的健康状况数据是指锂电池的容量数据。
3.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（2）中，小波二次降噪的方法为对测量到的锂电池容量数据分别进行两次小波降噪，去除噪声信号。
4.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（3）中，锂电池失效的容量阈值是锂电池标称容量的65%-75%。
5.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（4）中，锂电池容量数据为H 1 , H 2 ,…, H n ，其中n≥1，n为测量的周期数，对应的容量数据序列为[H 1 , H 2 ,…, H n ]，锂电池容量数据的各个充放电周期依次为T 1 , T 2 ,…, T n ，对应的充放电周期数据序列为[T 1 , T 2 ,…, T n ]；
应用差分进化算法对相关向量机算法的宽度因子进行优化选择的过程为：
（4.1）初始化差分进化算法，包括种群个体及规模、比例因子、交叉常数和迭代次数，其中需要优化的宽度因子被映射为个体；
（4.2）通过突变操作生成突变矢量；
（4.3）通过交叉操作生成试验矢量；
（4.4）通过选择操作选择下一代个体；
（4.5）重复（4.2）—（4.4）直至迭代结束，输出结果。
6.根据权利要求1所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（5）中，剩余寿命是指锂电池发生失效前剩余的充放电周期数；
应用经差分进化算法优化后的相关向量机算法预测锂电池的剩余寿命的方法为：对T n 之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足H n+g ≥H threshold 且H n+g+1<H threshold 条件的第T n+g 个充放电周期，则锂电池在第T n+g 个充放电周期后失效，其剩余寿命为g个充放电周期，其中H threshold 是该锂电池失效的容量阈值。
7.根据权利要求5所述的基于小波降噪和相关向量机的锂电池剩余寿命预测方法，其特征在于，差分进化算法是一种基于种群个体的随机搜索算法，差分进化算法随机生成个体，其中i为个体的编号，N是个体的数量，G是当前迭代次数，差分进化算法包括突变、交叉和选择三个操作过程；
突变矢量在突变操作中由下述公式生成：
；
其中r1、r2 和 r3是随机选自于; F 是比例因子；
试验矢量在交叉操作中由和生成：
；
其中，是事先定义的交叉常数，是0-1之间的随机数；
假设f(x)是一个需要最小化的适应度函数，下一代个体的生成由选择操作完成：
。
CN201410833574.7A 2014-12-29 2014-12-29 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 Active CN104459560B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201410833574.7A CN104459560B (zh) 2014-12-29 2014-12-29 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
PCT/CN2015/092241 WO2016107246A1 (zh) 2014-12-29 2015-10-20 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
US15/324,806 US10408882B2 (en) 2014-12-29 2015-10-20 Method for predicting remaining useful life of lithium battery based on wavelet denoising and relevance vector machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410833574.7A CN104459560B (zh) 2014-12-29 2014-12-29 基于小波降噪和相关向量机的锂电池剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN104459560A CN104459560A (zh) 2015-03-25
CN104459560B true CN104459560B (zh) 2017-04-05

Family

ID=52905916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410833574.7A Active CN104459560B (zh) 2014-12-29 2014-12-29 基于小波降噪和相关向量机的锂电池剩余寿命预测方法

Country Status (3)

Country Link
US (1) US10408882B2 (zh)
CN (1) CN104459560B (zh)
WO (1) WO2016107246A1 (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459560B (zh) * 2014-12-29 2017-04-05 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
US10338153B2 (en) * 2015-03-03 2019-07-02 Samsung Electronics Co., Ltd. Method and apparatus for automatically estimating remaining useful life (RUL) of battery in real time
CN104881567A (zh) * 2015-04-24 2015-09-02 浙江工业大学 一种基于统计模型的桥梁健康监测数据小波降噪方法
TWI663555B (zh) * 2016-07-26 2019-06-21 國立臺灣科技大學 基於市場回饋資料之可靠度分析方法
CN106908736B (zh) * 2017-03-17 2019-02-22 哈尔滨工业大学 锂电池剩余寿命预测方法
CN107015165B (zh) * 2017-06-14 2020-01-17 安庆师范大学 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法
CN107895212A (zh) * 2017-12-01 2018-04-10 国网山东省电力公司信息通信公司 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法
CN108303652A (zh) * 2018-01-18 2018-07-20 武汉理工大学 一种锂电池剩余寿命预测方法
CN108717475B (zh) * 2018-02-07 2022-02-11 浙江大学城市学院 基于混合仿真方法的锂电池单体机械强度概率模型建模方法
CN109324291B (zh) * 2018-08-21 2020-09-11 西南交通大学 一种针对质子交换膜燃料电池寿命预测的预测方法
CN109342949A (zh) * 2018-11-06 2019-02-15 长沙理工大学 充电过程中锂离子动力电池剩余寿命在线预测方法
CN109711453B (zh) * 2018-12-21 2022-05-13 广东工业大学 一种基于多变量的设备动态健康状态评估方法
CN110222431B (zh) * 2019-06-11 2022-04-12 哈尔滨工业大学 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法
CN110443377B (zh) * 2019-06-24 2022-11-01 南方电网调峰调频发电有限公司信息通信分公司 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法
CN110929768A (zh) * 2019-11-14 2020-03-27 国电大渡河检修安装有限公司 一种机器故障的预测方法
CN110850322B (zh) * 2019-11-26 2021-02-02 西安交通大学 一种基于小波信号分解的电池相对健康状态估计方法
CN110988694A (zh) * 2019-12-17 2020-04-10 南京航空航天大学 针对容量再生的锂离子电池剩余寿命预测方法及系统
US11346891B2 (en) * 2020-03-20 2022-05-31 Mitsubishi Electric Research Laboratories, Inc. Battery diagnostic system for estimating remaining useful life (RUL) of a battery
CN111723701B (zh) * 2020-06-08 2022-05-20 西安交通大学 一种水中目标识别方法
CN111651448B (zh) * 2020-08-10 2021-01-15 广东电网有限责任公司惠州供电局 一种基于降噪差分进化的低压拓扑识别方法
CN112379274A (zh) * 2020-11-16 2021-02-19 河南科技大学 一种动力电池剩余寿命预测方法
CN112418406B (zh) * 2020-12-09 2022-06-07 甘肃靖远航天风力发电有限公司 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法
CN112834927A (zh) * 2021-01-06 2021-05-25 合肥工业大学 锂电池剩余寿命预测方法、系统、设备及介质
CN113359048A (zh) * 2021-04-28 2021-09-07 中国矿业大学 一种锂离子电池剩余使用寿命间接预测方法
CN113567863B (zh) * 2021-06-11 2022-04-01 北京航空航天大学 基于量子同化与数据填充的异常退化锂电池容量预测方法
CN113361692B (zh) * 2021-06-28 2023-05-23 福建师范大学 一种锂电池剩余寿命结合预测方法
CN113610116B (zh) * 2021-07-14 2023-07-04 上海工程技术大学 自适应差分进化算法优化支持向量机的故障诊断方法
CN113761716B (zh) * 2021-08-12 2024-02-02 惠州市豪鹏科技有限公司 一种锂离子电池循环寿命预测方法及其应用
CN113878613B (zh) * 2021-09-10 2023-01-31 哈尔滨工业大学 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法
CN115047350B (zh) * 2022-06-24 2023-04-18 哈尔滨工业大学 一种基于数模联动的锂离子电池剩余使用寿命预测方法
WO2024010175A1 (en) * 2022-07-07 2024-01-11 Samsung Electronics Co., Ltd. Method and electronic device for forecasting remaining useful life (rul) of battery
CN116176280B (zh) * 2023-04-14 2023-10-24 广东绿通新能源电动车科技股份有限公司 一种用于新能源观光电车的故障预警系统
CN116609692B (zh) * 2023-05-05 2024-02-13 深圳职业技术学院 一种基于充电机检测的电池健康状态诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103033761A (zh) * 2012-12-17 2013-04-10 哈尔滨工业大学 动态灰色相关向量机的锂离子电池剩余寿命预测方法
CN103336877A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法
CN103824123A (zh) * 2014-01-26 2014-05-28 河海大学 一种新的配电网蓄电池储能系统的优化配置算法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110167025A1 (en) * 2008-07-24 2011-07-07 Kourosh Danai Systems and methods for parameter adaptation
US20110128006A1 (en) * 2009-12-01 2011-06-02 Helix Micro Method and apparatus for detecting battery life
FR3016218B1 (fr) * 2014-01-03 2016-01-01 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
CN104459560B (zh) * 2014-12-29 2017-04-05 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103033761A (zh) * 2012-12-17 2013-04-10 哈尔滨工业大学 动态灰色相关向量机的锂离子电池剩余寿命预测方法
CN103336877A (zh) * 2013-07-25 2013-10-02 哈尔滨工业大学 一种基于rvm动态可重构的卫星锂离子电池剩余寿命预测系统及方法
CN103824123A (zh) * 2014-01-26 2014-05-28 河海大学 一种新的配电网蓄电池储能系统的优化配置算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Prognostics of lithium-ion batteries based on relevance vectors and a conditional three-parameter capacity degradation model;Wang Dong 等;《Journal of Power Sources》;20130402;第239卷;第253-264页 *
基于最小二乘支持向量机的电池剩余电量预测;舒服华;《电源技术》;20080731;第32卷(第7期);第452-455页 *
相关向量机在蓄电池剩余容量预测中的应用;乔波强 等;《电源技术》;20121031;第36卷(第10期);第1503-1505，1545页 *

Also Published As

Publication number Publication date
CN104459560A (zh) 2015-03-25
US20170205466A1 (en) 2017-07-20
WO2016107246A1 (zh) 2016-07-07
US10408882B2 (en) 2019-09-10

Similar Documents

Publication Publication Date Title
CN104459560B (zh) 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN107015165B (zh) 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法
CN110068774B (zh) 锂电池健康状态的估计方法、装置及存储介质
JP5944291B2 (ja) バッテリのパラメータ等推定装置およびその推定方法
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
JP7299274B2 (ja) 電池モデル構築方法及び電池劣化予測装置
EP4160784A1 (en) Deterioration estimation device, model generation device, deterioration estimation method, model generation method, and program
Ruan et al. Artificial Intelligence-based health diagnostic of Lithium-ion battery leveraging transient stage of constant current and constant voltage charging
Zhang et al. Prognostics of lithium-ion batteries based on wavelet denoising and DE-RVM
CN107133190A (zh) 一种机器学习系统的训练方法和训练系统
KR20150022896A (ko) 프로세싱 방법으로부터의 데이터에 따라 전력 상태를 결정하기 위한 장치 및 방법
CN110750852B (zh) 一种超级电容器的剩余使用寿命预测方法、装置及电子设备
CN111098755A (zh) 一种电动汽车动力电池soc估计方法
CN114660497A (zh) 一种针对容量再生现象的锂离子电池寿命预测方法
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN114814592A (zh) 锂电池健康状态估计与剩余使用寿命预测方法及设备
Rodríguez-Iturriaga et al. A novel Dual Fractional-Order Extended Kalman Filter for the improved estimation of battery state of charge
CN107991628A (zh) 一种基于相关与回归分析的蓄电池模型建模方法
Biggio et al. Ageing-aware battery discharge prediction with deep learning
EP4293373A1 (en) Method and apparatus with battery short detection
CN114441969A (zh) 电池荷电状态估算方法及装置
EP2767917B1 (en) Apparatus, method, program, and storage medium for predicting acid dissociation constant
CN112474435A (zh) 一种电池模组的快速分选方法和装置
Both et al. Model discovery in the sparse sampling regime

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant