CN117630682A - 一种基于随机退化过程的锂离子电池rul预测方法 - Google Patents
一种基于随机退化过程的锂离子电池rul预测方法 Download PDFInfo
- Publication number
- CN117630682A CN117630682A CN202410102031.1A CN202410102031A CN117630682A CN 117630682 A CN117630682 A CN 117630682A CN 202410102031 A CN202410102031 A CN 202410102031A CN 117630682 A CN117630682 A CN 117630682A
- Authority
- CN
- China
- Prior art keywords
- rul
- model
- prediction
- steps
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 49
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 33
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 30
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010399 three-hybrid screening Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 241000287127 Passeridae Species 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000012952 Resampling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明提供一种基于随机退化过程的锂离子电池RUL预测方法,该方法先采用Gamma随机过程方法进行锂离子电池退化到失效过程的非线性状态空间建模,然后采用EM‑PF的方法对非线性模型的超参数进行评估和计算,并且采用OP‑SVR算法对超参数进行优化性修正,以实现高精度的锂离子电池剩余寿命预测。本发明将非线性建模和大数据驱动方法应用到锂电池可靠性估计识别方法中,在识别精度和识别速度上达到了很好的效果,本发明的方法可应用于锂电池可靠性估计,便于最大限度地利用电池的剩余价值,保证锂离子电池系统的安全和可靠运行,一定程度上减少环境污染,实现资源的最大化利用。
Description
技术领域
本发明涉及新能源锂电池可靠性估计技术,具体而言涉及一种基于随机退化过程的锂离子电池RUL预测方法。
背景技术
预测锂离子电池的剩余使用寿命是新能源和电子产品领域的一个关键问题。由于其高能量和高功率密度的特性,锂离子电池广泛应用于各种应用,如电动汽车、可再生能源存储系统和便携式电子设备。锂离子电池的老化过程涉及电池物理和化学性质的复杂变化,因此难以准确评估其健康状况和预测剩余使用寿命。
传统的锂离子电池剩余使用寿命预测方法依赖于经验方法,如容量衰减和电压测量。这些方法仅提供有限的关于电池内部退化机制的信息,不能对剩余使用寿命进行准确预测。近年来,越来越多的人关注使用机器学习算法和深度学习等数据驱动方法来预测锂离子电池的剩余使用寿命。这些方法可以从大量的电池数据中有效提取和分析老化模式。但是,它们缺乏对退化机制的明确物理理解,可能导致预测不准确。
发明内容
本发明针对现有技术的不足,提供一种基于随机退化过程的锂离子电池RUL预测方法,鉴于锂电池的复杂降解过程具有的伽马随机性,通过状态空间建模的数学方法进行描述,结合经验建模和数据驱动技术的混合方法,准确预测锂离子电池的剩余寿命,以促进产品的高效利用和保证系统的安全可靠。
该方法包括以下步骤:
S1、从全寿命循环周期工作的锂电池系统中收集退化数据集;
S2、将锂电池退化的趋势简化成一个随机单调递减的Gamma退化过程,并构建对应的非线性状态空间模型和RUL求解方程;
S3、基于构建的状态空间模型,寻找模型求解过程中的关键超参数,采用最大期望(EM)方法进行参数估算;
S4、分析EM参数估算过程中的数值求解难题,结合粒子过滤(PF)算法对EM模型的参数求解过程进行优化;
S5、通过EM-PF方法获取RUL的具体预测结果,通过对比真实值和预测值得出对应的预测残差;
S6、通过设计智能优化的支持向量回归(OP-SVR)算法,以最小化当前预测的残差为优化的适应度函数,预测下一步的预测残差去负反馈状态空间模型的超参数,以获得一个更加精准的RUL预测模型;
S7、对比EM-PF算法和EM-PF-OP-SVR算法对RUL的预测结果,选最佳的预测残差值自动修正模型的状态参数值,将模型应用于锂离子电池RUL的预测。
优选地,所述退化数据集来自NASA锂电池全寿命周期退化数据集、MIT锂电池退化数据集或通过全寿命周期试验获取的数据集。
优选地,所述步骤S2采用如下的状态空间模型描述锂电池产品的退化过程:
;式中,两个公式分别为状态方程和测量方程,其中X t 表示隐藏的健康状态,/>表示状态演化函数,/>为系统的噪声,/>为观测函数,/>为观测的误差;将锂电池的退化过程简化成平稳的Gamma退化过程,Gamma的状态空间模型表述如下:
;式中,a·t k 为模型的形状参数,ξ为Gamma的内置参数,c为健康状态演化参数,σ为观测噪声且服从均值为0的正态分布,观测值服从/>;设健康状态x k 达到寿命阈值D时,锂电池系统出现失效,以寿命T f 表示产品从最初始状态直到首次达到阈值D时所需的时间,则RUL求解方程描述为:
。
优选地,所述步骤S3中所构建模型关键的超参数分别有a,c,ξ,σ,采用EM方法对超参数进行估算,设,EM方法包括E步骤和M步骤,E步骤为:假设/>为EM方法第l步的循环初始参数,则观测序列y条件下的联合对数似然的期望/>为:
其中,
;M步骤为:根据期望最大化求解条件,当其偏微分为0时,/>取最大值,则可得第l+1步的循环参数值/>,具体表达如下:
;结合PF算法对关键期望/>值进行估算,通过迭代学习求出对应的超参数,以此完成模型的状态估计。
优选地,所述步骤S5中通过EM-PF算法获取RUL的具体预测结果,通过以下公式计算真实值和模型预测值所对应的预测残差:
;式中,/>为EM-PF算法在1~T时刻预测的RUL值,/>为1~T时刻的真实的RUL值。
优选地,所述全寿命周期试验获取的数据集包括充放电过程中的电流、电压和电池容量数据,且被划分为训练集和测试集,训练集用于学习模型学习退化过程的特征变化,测试集用于验证模型的RUL预测性能。
优选地,所述步骤S6中以最小化预测残差值为优化目标函数去优化OP-SVR算法预测模型的性能,其中目标函数为如下:
;其中e i 为 i 时刻的EM-PF算法预测模型的RUL预测残差值,T为RUL预测的起点时间,T之前的数据用来训练OP-SVR算法预测模型,T之后的数据用来测试OP-SVR算法预测模型。
优选地,所述OP-SVR算法结合了粒子群优化(PSO)、遗传算法(GA)优化、麻雀搜索算法(SSA)优化的三种方法对以下适应度函数进行迭代寻优:
。
优选地,所述步骤S6中OP-SVR算法中的SVR模型采用以下凸优化目标函数学习残差值的变化规律:
;其中约束条件为:
;式中:定义2/‖w‖ 2 为最优分类面,2/‖w‖为分类间隔,/>损失函数的不敏感系数,/>为回归容忍误差。
优选地,所述步骤S7具体包括基于所述智能群优化算法,重构EM-PF模型的参数值,获得EM-PF-PSO-SVR、EM-PF-GA-SVR、EM-PF-SSA-SVR的三种混合的RUL预测方法,并从以下评价指标对比三种混合方法的预测性能:
常规的非线性回归模型的评价指标:均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和模型真实拟合度(R2),
;/>;/>;;/>;其中y i 实际电池容量,/>表示预测电池容量,/>代表实际电池容量的平均值。
RUL预测的准确性指标:RUL预测的绝对误差值(ERUL)、RUL预测相对误差值RA,
;其中R t 为锂离子电池真实的RUL值,R p 为所提出模型预测的RUL值。
本发明的有益效果是:
本发明将粒子过滤的期望最大化(EM)方法用于模型参数的估计和RUL的预测,基于最小化RUL预测残差原则的优化支持向量回归(SVR)方法用于修正估计参数,基于数据驱动与电池退化经验建模技术,设计自动锂电池可靠性估计算法,提高锂离子电池的剩余寿命预测准确性,使预测模型能够应用于锂电池可靠性估计设备、锂电池可靠性估计软件等智能化产品,便于生活锂电池可靠性估计回收,减少环境污染和安全隐患,实现资源的最大化利用。
附图说明
图1为一种基于随机退化过程的锂离子电池RUL预测方法的流程示意图。
图2为粒子过滤算法优化最大期望参数评估方法(EM-PF)的原理。
图3为本发明一种基于环形结构的优化支持向量回归(OP-SVR)对估算参数进行优化性修正的原理图。
图4为本发明基于EM-PF-OP-SVR算法预测RUL的总体流程图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1所示,一种基于随机退化过程的锂离子电池RUL预测方法,包括以下步骤:
S1、采集锂电池容量退化全寿命周期的容量退化数据集;所述退化数据集来自NASA锂电池全寿命周期退化数据集、MIT锂电池退化数据集或通过全寿命周期试验获取的数据集,所述全寿命周期试验获取的数据集包括充放电过程中的电流、电压和电池容量数据,且被划分为训练集和测试集,训练集用于模型学习退化过程的特征,测试集用于验证模型的RUL预测性能。
S2、将锂电池退化的趋势简化成一个随机单调递减的Gamma退化过程,并构建对应的非线性状态空间模型和RUL求解方程;步骤S2采用如下的状态空间模型描述锂电池产品的退化过程:
;式中,两个公式分别为状态方程和测量方程,其中X t 表示隐藏的健康状态,/>表示状态演化函数,/>为系统的噪声,/>为观测函数,/>为观测的误差;将锂电池的退化过程简化成平稳的Gamma退化过程,Gamma的状态空间模型表述如下:
;式中,a·t k 为模型的形状参数,ξ为Gamma的内置参数,c为健康状态演化参数,σ为观测噪声且服从均值为0的正态分布,观测值服从;设健康状态x k 达到寿命阈值D时,锂电池系统出现失效,以寿命T f 表示产品从最初始状态直到首次达到阈值D时所需的时间,则RUL求解方程描述为:
;
S3、基于构建的状态空间模型,寻找模型求解过程中的关键超参数,采用最大期望(EM)方法进行参数估算;将步骤S1中的数据集中的数据样本进行数据特征提取,并且导入构建好的状态空间模型中进行机器学习方法进行训练,其中采用了EM的数据驱动方法进行模型的参数估算;步骤S3中所构建模型关键的超参数分别为a,c,ξ,σ,采用EM方法对超参数进行估算,设,EM方法包括E步骤和M步骤,E步骤为:假设/>为EM方法第l步的循环初始参数,则观测序列y条件下的联合对数似然的期望/>为:
;其中,
M步骤为:根据期望最大化求解条件,当其偏微分为0时,/>取最大值,则可得第l+1步的循环参数值/>,具体表达如下:
结合PF算法对关键期望/>值进行估算,通过迭代学习求出对应的超参数,以此完成模型的状态估计。
S4、分析EM参数估算过程中的数值求解难题,结合粒子过滤(PF)算法对EM模型的参数求解过程进行优化;针对在求解隐藏参数过程中存在的三个期望值进行优化,以完成合理的状态空间模型中参数状态的估算。
S5、通过EM-PF方法获取RUL的具体预测结果,通过对比真实值和预测值得出对应的预测残差;步骤S5中通过EM-PF算法获取RUL的具体预测结果,通过以下公式对比真实值和预测值得出对应的预测残差:
式中,/>为EM-PF算法在1~T时刻预测的RUL值,为1~T时刻的真实的RUL值。
S6、通过设计智能优化的支持向量回归(OP-SVR)算法,以最小化当前预测的残差为寻优目标函数,预测下一步的预测残差去负反馈状态空间模型的超参数,以获得一个更加精准的RUL预测模型;结合EM-PF方法在预测锂离子电池RUL时存在的残差值,采用基于环状优化的方法进行自动修正,并采用优化的支持向量回归(OP-SVR)进行经验模型的状态参数修正;所述智能优化的支持向量回归算法结合粒子群优化(PSO)、遗传算法(GA)优化、麻雀搜索算法(SSA)优化的三种方法对以下适应度函数进行迭代优化:
所述步骤S6中以最小化预测残差值为寻优目标函数去优化OP-SVR算法预测模型的性能,其中目标函数如下:
其中e i 为 i 时刻的EM-PF算法预测模型的RUL预测残差值,T为RUL预测的起点时间,T之前的数据用来训练OP-SVR算法预测模型,T之后的数据用来测试OP-SVR算法预测模型;其中OP-SVR算法中SVR模型采用以下凸优化目标函数预测残差值的变化规律(以8:2的训练和测试比例学习残差的变化规律):
其中约束条件为:
式中:定义2/‖w‖ 2 为最优分类面,2/‖w‖为分类间隔,为损失函数的不敏感系数,/>为回归容忍误差。
S7、对比EM-PF算法和EM-PF-OP-SVR算法对RUL的预测结果,最后对比三种优化的SVR方法对状态参数的自适应修正效果,对比获取到最好的OP-SVR方法;步骤S7具体包括:基于所述智能群优化算法,重构EM-PF模型的参数值,获得EM-PF-PSO-SVR、EM-PF-GA-SVR、EM-PF-SSA-SVR的三种混合的RUL预测方法,并从以下指标进行对比评价三种混合方法的预测性能:
常规的非线性回归模型的评价指标:均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和模型真实拟合度(R2),
;/> 其中y i 实际电池容量,/>表示预测电池容量,/>代表实际电池容量的平均值。
RUL预测的准确性指标:RUL预测的绝对误差值(ERUL)、RUL预测相对误差值RA,
其中R t 为锂离子电池真实的RUL值,R p 为所提出模型预测的RUL值。
具体地,结合图2所示,首先输入初始化状态空间模型参数权值为,并且初始化采样,粒子种群及其权重,根据已知的假设状态参数的概率密度函数获取初始化的粒子种群。然后设置重采样阈值及其迭代条件,根据迭代过程更新粒子的权重,并且权重规范化。计算粒子需要重采样评估条件和需要评估的重要期望,根据评估条件值和迭代条件判断是否需要进行重采样。如果需要重采样,则将第一次迭代估算的重要期望导入EM方法中进行模型的状态重评估,如果不需要重采样,则可以直接将当前估算的三个重要期望,/>传递给EM方法进行参数估算,并且估算出最终的四个关键Gamma状态空间模型参数a,c,ξ,ε。具体的粒子过滤算法优化最大期望(EM)参数评估算法步骤如下:
输入:初始化状态空间模型参数权值迭代条件:当Eff<Nt(重采样阈值)时;
步骤1:初始化粒子种群及其权重:
1.1)对任意t 1 <t 2 <t 3 时刻,状态值x 1,x 3 已知,并且x 2 服从β分布;
1.2)状态值X在T时刻已知,并且当t k <T,状态x k 在t k 时刻的概率密度函数可得
;
1.3)当t k >T时,x k 的先验概率密度函数可知
;
之后初始化的粒子群可由/>产生。其中Ns表示由先验概率密度函数所产生的随机粒子数量,并且/>表示产生的第s个过滤粒子。
步骤2:迭代过程:
2.1)假设生成的粒子能够由/>计算求得,则粒子的权值可被定义为:/>2.2)迭代更新之后的权重简化,2.3)权重规范化和更新,/>。
步骤3:重采样粒子:。
步骤4:评估期望;/>。
步骤5:转到步骤E、步骤M
循环结束
输出:最优的模型参数值a,c,ξ,σ。
结合图3所示,此类基于环状优化的方法类似于种群迭代优化算法,构建以T时刻之前的RUL预测的残差为输入,以最小化EM-PF预测的残差为寻优目标函数,去增强SVR学习EM-PF模型RUL预测的残差特征(c,g分别为SVR模型中两个性能影响最大的待优化超参数),其中种群优化过程中初始化超参数"m"代表优化算法的种群数量,而"n"代表优化过程的迭代次数。最后根据优化后的SVR模型去预测出未知的残差,通过SVR准确预测每个节点的未知残差值去优化性修正待评估的状态空间模型的参数。
结合图4所示,优化的SVR可以获得更加精准的T时刻之后每一个循环周期的EM-PF方法最佳RUL预测残差值,根据最佳的预测残差值,反馈给状态空间模型,以达到自动修正模型的状态参数值,减小EM-PF方法预测的残差,最终整体上提升锂离子电池RUL预测的精度。
以上所述实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,包括以下步骤:
S1、从全寿命循环周期工作的锂电池系统中收集退化数据集;
S2、将锂电池退化的趋势简化成一个随机单调递减的Gamma退化过程,并构建对应的非线性状态空间模型和RUL求解方程;
S3、基于构建的状态空间模型,寻找模型求解过程中的关键超参数,采用最大期望(EM)方法进行参数估算;
S4、分析EM参数估算过程中的数值求解难题,结合粒子过滤(PF)算法对EM模型的参数求解过程进行优化;
S5、通过EM-PF方法获取RUL的具体预测结果,通过对比真实值和预测值得出对应的预测残差;
S6、通过设计智能优化的支持向量回归(OP-SVR)算法,以最小化当前预测的残差为优化的适应度函数,预测下一步的预测残差去负反馈状态空间模型的超参数,以获得一个更加精准的RUL预测模型;
S7、对比EM-PF算法和EM-PF-OP-SVR算法对RUL的预测结果,选最佳的预测残差值自动修正模型的状态参数值,将模型应用于锂离子电池RUL的预测。
2.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述退化数据集来自NASA锂电池全寿命周期退化数据集、MIT锂电池退化数据集或通过全寿命周期试验获取的数据集。
3.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S2采用如下的状态空间模型描述锂电池产品的退化过程:
;式中,两个公式分别为状态方程和测量方程,其中X t 表示隐藏的健康状态,/>表示状态演化函数,/>为系统的噪声,/>为观测函数,/>为观测的误差;将锂电池的退化过程简化成平稳的Gamma退化过程,Gamma的状态空间模型表述如下:;式中,a·t k 为模型的形状参数,ξ为Gamma的内置参数,c为健康状态演化参数,σ为观测噪声且服从均值为0的正态分布,观测值服从;设健康状态x k 达到寿命阈值D时,锂电池系统出现失效,以寿命T f 表示产品从最初始状态直到首次达到阈值D时所需的时间,则RUL求解方程描述为:
。
4.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S3中所构建模型关键的超参数分别有a,c,ξ,σ,采用EM方法对超参数进行估算,设,EM方法包括E步骤和M步骤,E步骤为:假设/>为EM方法第l步的循环初始参数,则观测序列y条件下的联合对数似然的期望/>为:/>;其中,/> ;M步骤为:根据期望最大化求解条件,当其偏微分为0时,/>取最大值,则可得第l+1步的循环参数值/>,具体表达如下:/>;结合PF算法对关键期望/>值的估算,通过迭代学习求出对应的超参数,以此完成模型的状态估计。
5.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S5中通过EM-PF算法获取RUL的具体预测结果,通过以下公式对比真实值和预测值得出对应的预测残差:;式中,/>为EM-PF算法在1~T时刻预测的RUL值,/>为1~T时刻的真实的RUL值。
6.根据权利要求2所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述全寿命周期试验获取的数据集包括充放电过程中的电流、电压和电池容量数据,且被划分为训练集和测试集,训练集用于模型学习退化过程的特征,测试集用于验证模型的RUL预测性能。
7.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S6中以最小化预测残差值为优化目标函数去优化OP-SVR算法预测模型的性能,其中目标函数为如下:
;其中e i 为 i 时刻的EM-PF算法预测模型的RUL预测残差值,T为RUL预测的起点时间,T之前的数据用来训练OP-SVR算法预测模型,T之后的数据用来测试OP-SVR算法预测模型。
8.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述OP-SVR算法结合了粒子群优化(PSO)、遗传算法(GA)优化、麻雀搜索算法(SSA)优化三种方法对以下适应度函数进行迭代寻优:
。
9.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S6中OP-SVR算法模型采用以下凸优化目标函数学习残差值的变化规律:
;其中约束条件为:/>;式中:定义2/‖w‖ 2 为最优分类面,2/‖w‖为分类间隔,/>为损失函数的不敏感系数,/>为回归容忍误差。
10.根据权利要求1所述的一种基于随机退化过程的锂离子电池RUL预测方法,其特征在于,所述步骤S7具体包括基于所述智能群优化算法,重构EM-PF模型的参数值,获得EM-PF-PSO-SVR、EM-PF-GA-SVR、EM-PF-SSA-SVR的三种混合的RUL预测方法,并从以下指标进行对比评价三种混合方法的预测性能:
常规的非线性回归模型的评价指标:均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和模型真实拟合度(R2),
;其中y i 实际电池容量,/>表示预测电池容量,/>代表实际电池容量的平均值;RUL预测的准确性指标:RUL预测的绝对误差值(ERUL)、RUL预测相对误差值RA,
;其中R t 为锂离子电池真实的RUL值,R p 为所提出模型预测的RUL值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410102031.1A CN117630682B (zh) | 2024-01-25 | 2024-01-25 | 一种基于随机退化过程的锂离子电池rul预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410102031.1A CN117630682B (zh) | 2024-01-25 | 2024-01-25 | 一种基于随机退化过程的锂离子电池rul预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117630682A true CN117630682A (zh) | 2024-03-01 |
CN117630682B CN117630682B (zh) | 2024-04-05 |
Family
ID=90016639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410102031.1A Active CN117630682B (zh) | 2024-01-25 | 2024-01-25 | 一种基于随机退化过程的锂离子电池rul预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630682B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235172A1 (en) * | 2007-03-20 | 2008-09-25 | Michael Todd Rosenstein | Electronic System Condition Monitoring and Prognostics |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN107490765A (zh) * | 2016-08-02 | 2017-12-19 | 西安电子科技大学 | 一种用于电池监控系统的spi接口电路 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
WO2021217599A1 (zh) * | 2020-04-30 | 2021-11-04 | 中国科学院深圳先进技术研究院 | 一种电池荷电状态估计方法及估计器 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
-
2024
- 2024-01-25 CN CN202410102031.1A patent/CN117630682B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235172A1 (en) * | 2007-03-20 | 2008-09-25 | Michael Todd Rosenstein | Electronic System Condition Monitoring and Prognostics |
CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
CN107490765A (zh) * | 2016-08-02 | 2017-12-19 | 西安电子科技大学 | 一种用于电池监控系统的spi接口电路 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
WO2021217599A1 (zh) * | 2020-04-30 | 2021-11-04 | 中国科学院深圳先进技术研究院 | 一种电池荷电状态估计方法及估计器 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
王赟 等: "基于自适应组合核函数的RVM剩余寿命预测研究", 《电子测量与仪器学报》, vol. 33, no. 6, 15 June 2019 (2019-06-15), pages 59 - 68 * |
Also Published As
Publication number | Publication date |
---|---|
CN117630682B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction | |
CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
Wang et al. | A critical review of online battery remaining useful lifetime prediction methods | |
Hannan et al. | Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm | |
Vasanthkumar et al. | Improved wild horse optimizer with deep learning enabled battery management system for internet of things based hybrid electric vehicles | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
Wang et al. | Remaining capacity estimation of lithium-ion batteries based on the constant voltage charging profile | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
Xu et al. | State of health diagnosis and remaining useful life prediction of lithium-ion batteries based on multi-feature data and mechanism fusion | |
Yao et al. | Novel lithium-ion battery state-of-health estimation method using a genetic programming model | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Meng et al. | A power model considering initial battery state for remaining useful life prediction of lithium-ion batteries | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm |
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 |