CN107015165A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107015165A CN107015165A CN201710447298.4A CN201710447298A CN107015165A CN 107015165 A CN107015165 A CN 107015165A CN 201710447298 A CN201710447298 A CN 201710447298A CN 107015165 A CN107015165 A CN 107015165A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- coefficient
- vector machine
- data
- relevance vector
- 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.)
- Granted
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
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种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,应用集合经验模态分解去噪提取接近原本数据的去噪数据,并基于该数据应用稀疏系数多核相关向量机建立预测模型对锂电池的剩余寿命进行预测;具体方法为:测量锂电池随着充放电周期的健康状况数据;对锂电池的容量测量数据进行集合经验模态分解去噪;计算锂电池失效的容量阈值;基于锂电池的容量去噪数据序列和充放电周期数据序列,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数;应用稀疏系数多核相关向量机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
技术领域
本发明涉及锂电池剩余寿命预测领域,具体涉及一种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。
背景技术
锂电池是电动汽车、电子消费品以及便携式仪表等设备中重要的供能和储能部件,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,故锂电池的容量测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。
集合经验模态分解(ensemble empirical mode decomposition,EEMD)去噪是一种新颖的不平稳信号去噪方法,通过判断和原本数据相关的本征模态函数(intrinsicmode function,IMF),即可重组接近原本数据的去噪数据。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。核函数是相关向量机的重要组成部分,它将输入数据映射至一个高维特征空间。单核学习方法是相关向量机核函数的常用方法,然而该方法易于忽略训练数据中的部分有用信息,从而导致次优的泛化性能和预测性能。
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,提出一种基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法,应用集合经验模态分解去噪提取接近原本数据的去噪数据,并基于该数据应用稀疏系数多核相关向量机建立预测模型对锂电池的剩余寿命进行预测,具有可有效去除噪声及提取接近原本数据的去噪数据,并可精确预测锂电池剩余寿命的优点。
本发明解决其技术问题所采用的技术方案为:
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,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)对锂电池的容量测量数据进行集合经验模态分解(ensemble empirical modedecomposition,EEMD)去噪;
(3)计算锂电池失效的容量阈值;
(4)基于锂电池的容量去噪数据序列和充放电周期数据序列,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数;
(5)应用稀疏系数多核相关向量机预测锂电池的剩余寿命。
所述的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,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。
所述的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,其特征在于,所述步骤(2)中,对锂电池的容量测量数据执行集合经验模态分解,生成数个本征模态函数(intrinsic mode function,IMF)和一个余量,通过相关系数法判断和原本数据相关的各个IMF,组合生成接近原本数据的去噪数据;相关系数法计算的是各个IMF和测量数据之间的相关系数,相关系数大于0.2的包括了弱相关、中等相关和强相关,相关系数低于0.2的为极弱相关或无相关性;IMF若和原本数据相关,计算的IMF和测量数据之间的相关系数需要大于0.2,即至少是弱相关。
所述的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,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%。
所述的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,其特征在于,所述步骤(4)中,锂电池的容量去噪数据为H1,H2,…,Hn,其中n≥1,为测量的周期数,对应的容量去噪数据序列为[H1,H2,…,Hn],锂电池的容量去噪数据的各个充放电周期依次为T1,T2,…,Tn,对应的充放电周期数据序列为[T1,T2,…,Tn];稀疏系数多核相关向量机是指相关向量机的核函数是采用3个不同阶次的多项式核函数和10个不同宽度因子的高斯核函数的线性组合,这13个核函数的系数由粒子群算法优化生成,其中对预测贡献极小的核函数,其系数被粒子群算法清零,故称该相关向量机为稀疏系数多核相关向量机;其中,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程为:
(4.1)初始化粒子群算法参数,包括位置、速度、寻优范围和进化次数,其中将核函数的系数映射为粒子的多维位置;
(4.2)计算每一个粒子的适应度,根据适应度得出每一个粒子的个体最优位置和粒子群的全局最优位置;
(4.3)对每一个粒子进行速度与位置的更新;
(4.4)重复(4.2)和(4.3)直至最大进化次数,将全局最优位置的多维位置输出为核函数的系数;部分核函数对训练数据预测的贡献极小,其系数在粒子群算法优化生成过程中被清零,剩下的系数即为相关向量机核函数的稀疏系数。
所述的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,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;应用稀疏系数多核相关向量机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。
本发明相比现有技术具有如下优点:
(1)本发明提出应用EEMD去噪方法对测量数据去噪,并利用相关系数法确定与原本数据相关的IMF,重组各个相关的IMF和余量后,生成的去噪数据更接近原本数据;
(2)提出的稀疏系数多核相关向量机的多核由两种不同的核函数构成,以及稀疏系数多核相关向量机的稀疏系数由粒子群算法优化生成,并提出将稀疏系数多核相关向量机应用于锂电池的剩余寿命预测;在本发明的锂电池剩余寿命预测实验实例中,剩余寿命的预测结果误差降低了33.3%。
附图说明
图1是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的流程框图。
图2是编号为5的锂电池的容量测量数据随充放电周期的变化展示。
图3是锂电池的容量测量数据经EEMD后生成的各个IMF和余量。
图4是应用EEMD去噪后锂电池容量去噪数据和测量数据对比展示。
图5是应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程。
图6是应用稀疏系数多核相关向量机对锂电池未来88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,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,具体由以下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:对锂电池的容量测量数据执行集合经验模态分解去噪,获取接近原本数据的去噪数据;
步骤3:计算锂电池容量的失效阈值;
步骤4:基于锂电池容量去噪数据序列和充放电周期数据序列,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数;
步骤5:应用稀疏系数多核相关向量机预测锂电池的剩余寿命。
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:测量锂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,测量计算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的增加而下降。
步骤2中,EEMD去噪的方法为:
设锂电池的容量测量数据为M=[M1,M2,…,Mn],其中n≥1,为测量的周期数。EEMD是一个V次重复经验模态分解(empirical mode decomposition,EMD)分解信号的过程,每次在数据M加入不同的零均值固定方差的白噪声后,应用EMD方法进行分解,分解结果如下
其中N表示分解生成的IMF的数量,i=1,2…,N,i为各个IMF的编号,j=1,2…,V,j为V次分解中每一次的编号。Rj表示第j次分解生成的余量。随后把V次EMD分解结果求平均值即为所求的IMFi和余量R,公式如下:
求取数据M和IMFi之间的相关系数ri,从而鉴别与原本数据相关的IMFk:
其中k>i,k∈[1,N],且首次满足rk>相关系数阈值,以及rk-1<相关系数阈值。
相关系数法计算的是各个IMF和测量数据之间的相关系数。相关系数大于0.2的包括了弱相关、中等相关和强相关,相关系数低于0.2的为极弱相关或无相关性。IMF若和原本数据相关,计算的IMF和测量数据之间的相关系数需要大于0.2,即至少是弱相关,相关系数阈值为0.2。
在获得了各个相关的IMF和余量R后,组合生成锂电池的容量去噪数据H
EEMD去噪方法可有效地消除或减弱锂电池的容量测量数据中噪声,获得接近于原本数据的去噪数据。
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,锂电池的容量去噪数据为H1,H2,…,Hn,其中n≥1,为测量的周期数,对应的容量去噪数据序列为[H1,H2,…,Hn],锂电池的容量去噪数据的各个充放电周期依次为T1,T2,…,Tn,对应的充放电周期数据序列为[T1,T2,…,Tn]。
稀疏系数多核相关向量机是指相关向量机的核函数是采用3个不同阶次的多项式核函数和10个不同宽度因子的高斯核函数的线性组合,这13个核函数的系数由粒子群算法优化生成,其中对预测贡献极小的核函数系数被粒子群算法清零,故称该相关向量机为稀疏系数多核相关向量机。
相关向量机预测的步骤如下:
相关向量机的预测输出为:
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,高斯核函数一向有优秀的非线性处理能力,其表达式为:
其中γ为宽度因子。
多项式核函数是一种全局核函数,在众多的多核学习算法中被认为是高斯核函数的有效补充,该函数定义为
K(x,xu)=[(xT·xu)+1]d
其中d是阶次。
本发明采用多核学习方法,对高斯核函数和多项式核函数进行组合,即
其中dm是第m个核函数的系数,dm≥0,D是核函数的数量。本发明中,核函数K(x,xi)由阶次等于1阶、2阶和3阶多项式核函数,以及10个不同宽度因子的高斯核函数构成。由于并不是每一个组合中的核函数对锂电池剩余寿命预测性能都有较大的贡献,其中对预测贡献极小的核函数,其系数被粒子群算法清零,此时核函数的系数为稀疏系数,有助于提高准确度和拟合质量,因此将对于训练数据中贡献极小的核函数系数清零,即去除相应的核函数,此时核函数的系数为稀疏系数。
应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程为:
(4.1)初始化粒子群算法参数,包括位置、速度、寻优范围和进化次数,其中将核函数的系数映射为粒子的多维位置;
(4.2)计算每一个粒子的适应度,根据适应度得出每一个粒子的个体最优位置和粒子群的全局最优位置;
(4.3)对每一个粒子进行速度与位置的更新;
(4.4)重复(4.2)和(4.3)直至最大进化次数,将全局最优位置的多维位置输出为核函数的系数。部分核函数对训练数据预测的贡献极小,其系数在粒子群算法优化生成过程中被清零,剩下的系数即为相关向量机核函数的稀疏系数。
粒子群算法的计算公式为:
Vl(t+1)=wVl(t)+c1r1(Pl-Xl(t))+c2r2(Pg-Xl(t))
Xl(t+1)=Xl(t)+Vl(t+1)
其中,t是进化次数;l=1,2,…,v,v粒子群中粒子的数量;Xl是粒子l的在寻优中的位置;Vl是粒子l在寻优中的速度;c1和c2是加速因子;r1和r2是0-1之间的随机数;w是惯性权重。Pl是粒子在寻优过程中个体最优位置,Pg是粒子群的全局最优位置。
选择的适应度函数为:
其中MSE是均方误差,为最小化目标函数,它表征预测数据与训练数据的紧密程度,越小的MSE,表征预测数据越接近训练数据;r=1,2,...,S,S是用于训练的数据数量;z*(r)和z(r)分别是预测数据和训练数据。
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;
应用稀疏系数多核相关向量机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。
为展示本发明提出的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的锂电池的容量测量数据为实验对象,编号为5的锂电池的容量测量数据随充放电周期的变化展示如图2所示,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,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EEMD去噪,EEMD方法中设定重复次数为100,加入的白噪声方差为0.1,分解的各个IMF和余量如图3所示。将各个IMF、余量与容量测量数据计算相关系数,计算结果如表1所示。
表1 EEMD分解的各个IMF、余量与容量测量数据之间的相关系数
分解结果 | 相关系数 |
IMF1 | 0.0404 |
IMF2 | 0.0819 |
IMF3 | 0.1112 |
IMF4 | -0.0795 |
IMF5 | 0.6637 |
IMF6 | 0.8835 |
Residual | 0.9877 |
在此,相关系数阈值设置为0.2,IMF5的系数首次大于0.2,IMF6和余量的相关系数也大于0.2,将IMF5、IMF6和余量相加后,可获得锂电池的容量去噪数据。锂电池的容量去噪数据和容量测量数据对比展示如图4所示。经对比展示,可明显发现,本发明提出的去噪方法生成的锂电池容量去噪数据,在随着充放电周期的进行,一直在平稳的下降,吻合于锂电池实际的容量变化,且锂电池的容量去噪数据,在下降过程中一直接近于测量数据,即容量去噪数据反映了容量测量数据的变化过程,与其有着相同的变化规律。
据美国宇航局艾姆斯研究中心的提供的资料,编号为5的锂电池的标称值为2Ah,1.38Ah为该电池失效阈值。锂电池容量数据共采集了168个充放电周期。根据去噪数据进行计算,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个充放电周期的去噪数据作为训练数据,之后88个充放电周期的去噪数据作为测试数据,此时该锂电池的真实剩余寿命为49个充放电周期。在此,通过测试数据检验稀疏系数多核相关向量机的预测精度。
粒子群算法中种群规模和进化次数分别设置为10和100,加速因子均等于2,惯性权重由0.95线性下降为0.4,寻优范围为[0,1]。多项式核函数有3个,阶次分别为1,2,3,高斯核函数有10个,宽度因子分别为0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1,共13个核函数,分别对应于系数1至系数13。图5为基于训练数据应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程。优化生成的稀疏系数如表2所示。其中系数为0表示该核函数对训练数据精确预测的贡献极小,其系数在粒子群算法优化生成稀疏系数的过程中已被清零,剩下的系数即为稀疏系数。
表2优化生成的稀疏系数
系数 | 数值 |
系数1 | 0.0176 |
系数2 | 0 |
系数3 | 0.1093 |
系数4 | 0 |
系数5 | 0.0127 |
系数6 | 0.0277 |
系数7 | 0 |
系数8 | 0 |
系数9 | 0.1909 |
系数10 | 0.1155 |
系数11 | 0.2694 |
系数12 | 0.0103 |
系数13 | 0.2466 |
以粒子群算法优化得到的稀疏系数,结合相应的核函数,应用于稀疏系数多核相关向量机中,预测编号为5的锂电池未来充放电周期容量,并与真实的测试数据容量值进行对比,预测的结果如图6所示。在本次预测中,预测结果中锂电池的有效周期为131个充放电周期,剩余寿命为51个充放电周期,误差为2个周期,预测数据和测试数据产生的MSE为4.4972e-05。为了验证本发明提出的稀疏系数多核相关向量机优于单核相关向量机的方法,在此进行预测性能的对比,其中单核相关向量机应用高斯核函数,核函数的宽度因子由粒子群算法优化生成,单核相关向量机的预测结果中锂电池的有效周期为132个充放电周期,剩余寿命为52个充放电周期,误差为3个周期,预测数据和测试数据产生的MSE为8.1706e-05。
从对比结果可以得知,稀疏系数多核相关向量机算预测的锂电池剩余寿命更精确,预测误差更小,MSE也是更小。而单核相关向量机预测的误差和MSE均高于本发明提出的稀疏系数多核相关向量机。这说明了本发明提出的稀疏系数多核相关向量机,相对于经常应用的单核相关向量机,降低了33.3%的预测误差。通过该实例可以证明,本发明提出的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,操作简单有效,同时具有较高的预测精度。
Claims (7)
1.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,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)对锂电池的容量测量数据进行集合经验模态分解去噪;
(3)计算锂电池失效的容量阈值;
(4)基于锂电池的容量去噪数据序列和充放电周期数据序列,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数;
(5)应用稀疏系数多核相关向量机预测锂电池的剩余寿命。
2.根据权利要求1所述的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,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或2所述的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,其特征在于,所述步骤(2)中,对锂电池的容量测量数据执行集合经验模态分解,生成数个本征模态函数和一个余量,通过相关系数法判断和原本数据相关的各个本征模态函数,组合生成接近原本数据的去噪数据。
4.根据权利要求3所述的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,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4所述的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,其特征在于,所述步骤(4)中,锂电池的容量去噪数据为H 1 , H 2 ,…, H n ,其中n≥1,为测量的周期数,对应的容量去噪数据序列为[H 1 , H 2 ,…, H n ],锂电池的容量去噪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 ];稀疏系数多核相关向量机是指相关向量机的核函数是采用3个不同阶次的多项式核函数和10个不同宽度因子的高斯核函数的线性组合,这13个核函数的系数由粒子群算法优化生成,其中对预测贡献极小的核函数,其系数被粒子群算法清零,故称该相关向量机为稀疏系数多核相关向量机;其中,应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程为:
(4.1)初始化粒子群算法参数,包括位置、速度、寻优范围和进化次数,其中将核函数的系数映射为粒子的多维位置;
(4.2)计算每一个粒子的适应度,根据适应度得出每一个粒子的个体最优位置和粒子群的全局最优位置;
(4.3)对每一个粒子进行速度与位置的更新;
(4.4)重复(4.2)和(4.3)直至最大进化次数,将全局最优位置的多维位置输出为核函数的系数;部分核函数对训练数据预测的贡献极小,其系数在粒子群算法优化生成过程中被清零,剩下的系数即为相关向量机核函数的稀疏系数。
6.根据权利要求5所述的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,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;应用稀疏系数多核相关向量机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3所述的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,其特征在于,通过相关系数法判断和原本数据相关的各个本征模态函数,相关系数法计算的是各个本征模态函数和测量数据之间的相关系数,相关系数大于0.2的包括了弱相关、中等相关和强相关,相关系数低于0.2的为极弱相关或无相关性;本征模态函数若和原本数据相关,计算的本征模态函数和测量数据之间的相关系数需要大于0.2,即至少是弱相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447298.4A CN107015165B (zh) | 2017-06-14 | 2017-06-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447298.4A CN107015165B (zh) | 2017-06-14 | 2017-06-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107015165A true CN107015165A (zh) | 2017-08-04 |
CN107015165B CN107015165B (zh) | 2020-01-17 |
Family
ID=59452943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710447298.4A Active CN107015165B (zh) | 2017-06-14 | 2017-06-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107015165B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107365A (zh) * | 2017-10-20 | 2018-06-01 | 开沃新能源汽车集团有限公司 | 一种电池包结构健康状态在线监测与故障预报方法及装置 |
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 |
CN108717165A (zh) * | 2018-05-28 | 2018-10-30 | 桂林电子科技大学 | 基于数据驱动法的锂离子电池soc在线预测方法 |
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 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110501646A (zh) * | 2019-08-29 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种离线锂电池剩余电量估计方法 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
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 |
CN112067296A (zh) * | 2020-09-08 | 2020-12-11 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN112800659A (zh) * | 2021-01-28 | 2021-05-14 | 福建师范大学 | 基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113406525A (zh) * | 2021-06-15 | 2021-09-17 | 安庆师范大学 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN113721159A (zh) * | 2021-09-27 | 2021-11-30 | 重庆大学 | 一种面向随机局部充电的数据驱动电池健康估计方法 |
CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 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 |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
US20160259014A1 (en) * | 2015-03-03 | 2016-09-08 | Samsung Electronics Co., Ltd. | Method and apparatus for automatically estimating remaining useful life (rul) of battery in real time |
-
2017
- 2017-06-14 CN CN201710447298.4A patent/CN107015165B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN104459560A (zh) * | 2014-12-29 | 2015-03-25 | 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 |
US20160259014A1 (en) * | 2015-03-03 | 2016-09-08 | Samsung Electronics Co., Ltd. | Method and apparatus for automatically estimating remaining useful life (rul) of battery in real time |
Non-Patent Citations (5)
Title |
---|
张洋等: "锂离子电池剩余寿命在线预测", 《机械科学与技术》 * |
王行甫等: "《混合核函数中权重求解方法》", 《计算机系统应用》 * |
范思遐等: "《基于多核模式的隧道沉降预测》", 《岩土力学》 * |
范磊等: "基于EEMD-RVM的短期风功率区间预测", 《广东电力》 * |
马银戌等: "基于二次EEMD的转子故障信号时频分析方法研究", 《科学技术与工程》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107365B (zh) * | 2017-10-20 | 2022-06-17 | 开沃新能源汽车集团有限公司 | 一种电池包结构健康状态在线监测与故障预报方法及装置 |
CN108107365A (zh) * | 2017-10-20 | 2018-06-01 | 开沃新能源汽车集团有限公司 | 一种电池包结构健康状态在线监测与故障预报方法及装置 |
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 |
CN108717165A (zh) * | 2018-05-28 | 2018-10-30 | 桂林电子科技大学 | 基于数据驱动法的锂离子电池soc在线预测方法 |
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 |
CN110555226A (zh) * | 2019-04-03 | 2019-12-10 | 太原理工大学 | 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110501646A (zh) * | 2019-08-29 | 2019-11-26 | 中国人民解放军国防科技大学 | 一种离线锂电池剩余电量估计方法 |
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 |
CN112067296A (zh) * | 2020-09-08 | 2020-12-11 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN112067296B (zh) * | 2020-09-08 | 2021-11-02 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN112800659A (zh) * | 2021-01-28 | 2021-05-14 | 福建师范大学 | 基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法 |
CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
CN113406525A (zh) * | 2021-06-15 | 2021-09-17 | 安庆师范大学 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113406525B (zh) * | 2021-06-15 | 2023-06-02 | 金陵科技学院 | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
CN113721159A (zh) * | 2021-09-27 | 2021-11-30 | 重庆大学 | 一种面向随机局部充电的数据驱动电池健康估计方法 |
CN116299005A (zh) * | 2023-02-07 | 2023-06-23 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
CN116299005B (zh) * | 2023-02-07 | 2023-09-05 | 江南大学 | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107015165B (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107015165A (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 | |
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 | |
Lipu et al. | Extreme learning machine model for state-of-charge estimation of lithium-ion battery using gravitational search algorithm | |
CN108805217B (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
Meng et al. | Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine | |
Chang | Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network, an OLS algorithm and AGA | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
de Gier et al. | Exact stationary state for an asymmetric exclusion process with fully parallel dynamics | |
Sheng et al. | Lithium iron phosphate battery electric vehicle state-of-charge estimation based on evolutionary Gaussian mixture regression | |
JP2016513238A (ja) | SoCに関する制御技術的オブザーバの決定方法 | |
Qi et al. | A new adaptation method based on adaptability under k-nearest neighbors for case adaptation in case-based design | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
US10037395B2 (en) | Systems and methods for improving battery performance | |
Zhu et al. | Remaining useful life prediction of lithium-ion batteries: A hybrid approach of Grey–Markov chain model and improved Gaussian process | |
CN114660497A (zh) | 一种针对容量再生现象的锂离子电池寿命预测方法 | |
Hannan et al. | State-of-charge estimation of Li-ion battery at variable ambient temperature with gated recurrent unit network | |
Yüksek et al. | A novel state of health estimation approach based on polynomial model for lithium-ion batteries | |
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 | |
Yang et al. | Power system sensitivity analysis for probabilistic small signal stability assessment in a deregulated environment | |
Ali et al. | A novel adaptive technique for Li-ion battery model parameters estimation | |
Densmore et al. | Modeling the condition of lithium ion batteries using the extreme learning machine | |
Luzi et al. | A PSO algorithm for transient dynamic modeling of lithium cells through a nonlinear RC filter | |
CN115712064A (zh) | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
Zhuang et al. | VRLA battery SOH estimation based on WCPSO-LVSVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220317 Address after: 518000 room 901, A9 / F, building 4, software industry base, No. 19, 17 and 18, Haitian 1st Road, Binhai community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Yuanxin Energy Storage Technology Co.,Ltd. Address before: 246133 No. 1318 Jixian North Road, Anqing City, Anhui Province Patentee before: ANQING NORMAL University |
|
TR01 | Transfer of patent right |