文摘
锂离子电池广泛应用于许多电子系统。因此,估计显著重要的锂离子电池的剩余使用寿命(原则),但是非常困难。一个重要的原因是测量电池容量的数据往往受到不同程度的噪声污染。在本文中,一种新型电池容量预测方法提出了估计锂电池的原则。进行小波去噪与不同的阈值,以削弱强噪声和消除弱噪声。相关向量机(RVM)提高差分进化(DE)算法是利用基于去噪数据来估计电池荷重软化。一个实验包括电池5能力预测情况和电池18产能预测情况进行验证,该方法可以预测电池容量的趋势轨迹密切和准确估计电池荷重软化。
1。介绍
锂离子电池已广泛用作许多关键部件和重要的备份元素系统包括电动汽车、消费电子、航空航天电子产品。与其他类型的电池相比,锂离子电池具有高功率密度、高电潜力,重量轻,和长循环寿命。然而,不可逆的化学和物理变化发生在锂离子电池的使用和老化。因此,电池健康逐渐降低,直到最终不再可用。电池故障将导致的后果的能力退化,经营亏损,停机时间,甚至灾难性的失败。因此,预测与健康管理(榜单)锂离子电池一直是一个活跃的领域,吸引了越来越多关注今天1- - - - - -12]。
榜单是一个使学科组成的技术和方法来估计的可靠性一个实际应用系统在其生命周期的条件下提供充足的失败发生之前预先警告和降低系统风险。锂离子电池的物理加工包括评估其健康状况(SOH)和预测其剩余使用寿命(原则)。同时,逐步降低了电池的容量是一种普遍使用的全音阶的指示器,可以追踪其健康退化。
基于模型和数据驱动方法是两种主要的电池容量预测方法。基于模型的方法采用数学表示人物的理解电池故障和潜在的电池容量的退化模型。扩展卡尔曼滤波(EKF) [1,2),非线性模型(3,4),和粒子滤波(PF) [5,6)电池容量估计常用的基于模型的方法。然而,准确地分析和公认的模型跟踪电池容量电池退化和评估原则通常是很难得到,因为复杂的电子系统,噪音,数据可用性、不确定的环境中,和应用程序的约束。数据驱动的方法利用统计和机器学习技术来评估电池容量和预测电池荷重软化。方法避免构建复杂的物理模型和应用在很多相关工作(7- - - - - -12]。人工神经网络是一种广泛使用的数据驱动的方法对电池容量预测(7,8]。然而,它有缺点的可怜的泛化,困难的结构确认,收敛速度较低。支持向量机(SVM)是一种机器学习的工具13]以内核函数的使用原则,利用估计电池(9,10]。相关向量机(RVM)是一个贝叶斯稀疏内核技术(14)与使用更少的内核函数和更高的性能比支持向量机。与此同时,RVM已经应用于研究领域(11,12]。
测量电池容量的数据往往受到不同程度的噪声污染,由于扰动的影响,测量误差,随机载荷和其他未知的行为在电池。产能预测基于噪声数据不能产生准确的预测结果。因此,它明显重要的预处理的测量能力数据提取原始数据以及去除噪声的目的。解决这一问题,估计电池准确原则,一种新型电池容量预测方法提出了。执行不同的阈值小波去噪方法被用来处理测量数据来减少不确定性和提取有用的信息。RVM优化差分进化(DE)算法是用来估计电池荷重软化。一个实验包括电池5能力预测情况和电池18产能预测情况,验证该方法可以预测电池容量轨迹紧密的趋势和准确评估原则。
纸的材料是按照以下顺序组织:部分2描述了小波去噪方法的策略。部分3介绍了RVM算法及其参数优化利用DE算法。部分4说明了实验过程,介绍了实验结果,并给出了讨论。最后,结论部分5。
2。小波去噪
测量电池的容量数据经常遭受不同程度的噪声污染。实验与嘈杂的数据不能产生准确的原则。结果,是非常重要的预处理的容量数据提取原始数据的目的。采用小波去噪方法来解决这个问题。
假设数据测量能力由 在哪里原始数据;是加性噪声;和指的是周期时间指数。
假设是一个整数,是一个正交的多分辨率分析,是相关的小波空间。的上的投影是 在哪里和表示预测和在分辨率,分别;和参考的尺度系数和小波系数在分辨率,分别;和代表的尺度函数和小波函数在分别解决。因此,和描述的近似和细节在分别解决。相应地,可以分解为
通过使用多级小波分解,离散近似系数和细节系数。与小细节系数绝对值被认为是噪音。一般来说,传统的小波去噪方法的细节系数低于一个阈值设置为0来和去噪重建数据通过使用其余系数。Sqtwolog阈值,严格的阈值、heursure阈值和极大极小阈值常用规则屈服阈值。在小波去噪工作,执行两次与sqtwolog阈值规则和极大极小阈值规则,分别。
sqtwolog阈值规则产生可以产生良好的性能阈值,乘以一个小因素成正比日志(长度(能力): 在哪里的长度是能力集。
极大极小阈值规则带来了最大的最小均方误差为最糟糕的生成函数与给定组用极大极小原则。阈值被定义为 在哪里和因素,一般设置为0.3936和0.1829,分别。
极大极小阈值明显低于sqtwolog阈值大小的一个信号。与sqtwolog阈值小波去噪可以削弱明显强烈的噪声。同时,小波去噪的极大极小阈值可以有效地去除弱噪声。小波去噪策略首先工作实施与sqtwolog阈值小波去噪,然后进行小波去噪的极大极小阈值。
3所示。DE-RVM
3.1。数位视讯
区是首先提出了14),并在预测产生示范效应(15- - - - - -17]。该算法是一个贝叶斯治疗提供输出的概率解释。向量的相关性和权重得到最大化的边际似然。
假设是输入数据。目标获得的是 在哪里和噪声平均值为零,方差吗。
假设是独立的,完整的数据集可以被定义为的可能性 在哪里和是一个设计矩阵和。
最大似然估计的和在(7)经常导致过度拟合。因此,一个显式的零均值高斯先验概率分布是为了约束参数定义的 在哪里是一个hyperparameters向量。
使用贝叶斯规则,对所有的未知参数后验概率可以获得的
然而,正常化积分不容易执行。因此,可以代替分解吗
基于贝叶斯规则,通过权重的后验分布 后验均值和协方差在哪里 在哪里。
因为制服hyperpriors,是所描述的
最大后验估计(MP)的权重后所描述的的意思是,这取决于的价值和。的估计和获得最大化的边际似然。小费(14]介绍了迭代公式和作为 在哪里是对角元素后体重的协方差。
假设是一个新的输入和输出的概率分布获得的是
它可以很容易地获得综合条件都是高斯,而结果也是一个高斯形式
均值和方差
高斯径向基函数作为核函数选择为其强大的非线性处理能力,和函数被定义为 在哪里是需要预定的宽度的因素是至关重要的预测性能。
3.2。DE算法
DE算法是一种基于人群和随机搜索的方法(18),表明在非线性性能优越,凸,nondifferentiable优化问题(19- - - - - -21]。DE算法从一个初始种群向量开始,空间中随机生成一个解决方案。假设人口规模和吗是一个解向量的一代。古典DE算法,利用变异和交叉生成试验向量,并选择用于选择更好的向量。
突变。对于每一个向量,一个变异向量是由 在哪里,,随机整数索引选择来自哪里;规模是决定不同向量的放大,。
交叉。交叉操作是指产生试验向量通过变异向量和目标向量: 在哪里,问题是维度;是预定义的转换常数;是th评价这是随机生成的0和1之间;它是一个随机指数。
选择。假设是一个最小化问题。被定义为贪婪的选择方案
上面的三个步骤是重复,直到达到终端状态。那么最好的向量导出结果用最小的健身价值。
3.3。步骤的优化
DE-RVM指区宽度因子DE算法进行了优化。均方误差(MSE)作为适应度函数: MSE代表的偏离程度预测数据和原始数据;,是原始数据的长度;和分别是原始数据和预测数据。
优化目标是最小化均方误差值,描述和优化步骤如下:(1)DE算法初始化参数,包括人口规模、比例因子,交叉率,和最大的一代。(2)产生变异向量和试验向量根据(19)和(20.)。(3)确定下一代矢量根据(21)。(4)重复步骤(2)和(3),直到满足终止条件。(5)输出优化值区和退出程序。
4所示。预测实验
4.1。实验数据
进行一个实验证明提出的产能预测方法,和数据从数据存储库获得NASA艾姆斯预测卓越中心(22]。在数据收集过程中,锂离子电池工作在三种不同的操作配置文件:充电,放电,阻抗温度25°C。收费在1.5进行恒流,直到电池电压达到4.2 V,然后保持4.2 V常数电压到电流降至20 mA。2放电是运行在一个恒定电流,直到电池电压砍伐2.7和2.5 V,分别对应的电池5和18。阻抗测量是实现电化学阻抗谱的频率扫描从0.1赫兹到5 kHz。重复充电和放电周期导致加速老化的电池阻抗测量时发现内部电池参数的变化与衰老过程。实验电池的容量达到临终时终止(EOL)阈值,约70%额定容量。在实验中,每一个额定容量的锂离子电池是2啊,EOL阈值设置为1.38啊。锂离子电池5和18容量数据如图1。它可以观察到,与使用能力普遍降低不可逆的物理和化学变化的原因和在某些周期迅速增加,不久由于扰动的影响,测量误差、随机载荷,或其他未知的行为在电池。电池5和18能力数据的长度是166次和132周期,分别。与此同时,其实际循环的生活129年和114年,分别。
4.2。实验过程
实验包括一个电池5容量预测情况和电池18能力预测情况。每个案例的详细预测步骤如图所示2和描述如下:(1)根据测量数据进行小波去噪,得到去噪数据。(2)单独的去噪数据为训练数据和测试数据。训练数据的长度在两个电池情况下将80年和70年,分别。因此,两种情况的测试数据的长度是88和62,分别。(3)通过使用DE算法,生成一个宽度的因素基于训练数据。(4)预测模型是由区采用优化宽度的因素,估计和预测的测试数据。(5)生成估计原则。
4.3。实验结果和分析
采用不同的阈值小波去噪实现两次处理测量数据的能力。图3显示数据与sqtwolog阈值小波去噪能力,和强烈的脉冲峰值比图明显减弱1。然后去噪能力数据处理通过使用小波去噪的极大极小阈值去除弱噪声。去噪能力数据如图4和去噪的轨迹数据是连续和光滑。
DE算法人口规模和最大代将30和100年,分别;= 0.6;从0.9到0.3是线性减少。图5显示宽度因子优化过程通过使用DE算法基于电池5和18个训练数据,分别。相应的优化更广泛的因素是0.5009和0.2778这两个电池的情况下,分别。
(一)电池5例
(b)电池18例
采用优化的宽度的因素,RVM用于执行电池容量预测。为了量化预测性能,绝对误差(AE)和MSE原始测试数据和预测的测试数据,相对精度(RA)(23)采用的衡量指标。的应用于验证是否在定义的置信区间估计原则。指标被定义为 在哪里指的是估计的荷重软化和荷重软化表示实际的原则;和置信区间,等于多少和分别;是一个绑定在实验设置为0.1。
实际原则两个电池49例和44岁的分别。预测显示在图中6。估计原则,实际原则、AEs、拉,家中小企业的两种情况如表所示1。从图可以看出6,DE-RVM预测能力退化的趋势轨迹的两个成功案例。同时这也可以验证了家中小企业表1在两种不同的情况下,这是相当低的,这表明这个预测测试数据是接近于原始测试数据。RAs都超过90%在两种情况下这意味着DE-RVM产生的预测精度高。同时,估计原则的两种情况都是在置信区间,最后一行所示。
(一)电池5例
(b)电池18例
为了验证的预测性能预测方法,提出DE-RVM方法相比,安优化DE算法(DE-ANN) [24)方法和支持向量机提高了DE算法(DE-SVM) [25)的方法。电池5到18岁的去噪数据作为实验数据。评价指标采用RA和MSE。为了避免意外事故在这项实验中,每种方法运行10次,结果如表所示2。从表中可以看出,DE-RVM提供较小的比DE-ANN MSE和DE-SVM这意味着DE-RVM预测的数据更接近于原始数据。与此同时,RA DE-RVM收益率高于DE-ANN和DE-SVM特征DE-RVM可以输出更精确的预测比其他两种方法。它可以得出结论,DE-RVM方法明显优于DE-ANN方法和DE-SVM方法在电池容量预测的问题。
5。结论
逐渐减少容量锂离子电池已被用作SOH指示器的工作。测量电池容量数据的原因经常遭受不同程度的噪声污染,使用不同的阈值小波去噪方法提出了生成数据去噪。
RVM的宽度因子优化DE算法已被用于电池容量预测。两个电池情况下结果验证,方法可以预测能力退化轨迹紧密的趋势和估计电池准确原则。与此同时一个扩展实验证明该DE-RVM方法具有更高的预测精度比引用在电池容量预测方法。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作得到了国家自然科学基金杰出青年中国学者在批准号50925727,美国国防高级研究项目批准号。C1120110004和9140 a27020211dz5102,中国教育部的重点资助项目批准号313018年,安徽省科学技术基金批准号下1301022036,中央大学的基础研究基金号。2012 hgcx0003和2014 hgch0012,中国国家自然科学基金号。61401139,51407054,61403115,,安徽省自然科学基金。1508085 qe85。