nasa电池数据集_文章分享—模型与滤波算法结合的锂电池剩余寿命预测方法
论文标题:
Remaining useful life prediction of lithium-ion batteries with adaptive unscented kalman filter and optimized support vector regression
论文作者:
Zhiwei Xue, Yong Zhang, Cheng Cheng, Guijun Ma
论文链接:
https://www.sciencedirect.com/science/article/abs/pii/S0925231219313426
发表期刊:
neurocomputing
概述
为了避免锂离子电池退化引起的事故,准确的电池寿命预测值有助于正确判断电池的老化程度,预测电池的健康工作时间,从而设计出时间充裕的最佳维护策略,从而节约资源,降低成本并确保安全。本文提出了一种结合自适应无迹卡尔曼滤波(AUKF)和遗传算法优化支持向量回归(GA-SVR)的综合算法来提高锂电池剩余寿命预测(RUL)的准确性。本文使用NASA电池数据集进行验证,其中选择B0005、B0006、B0007和B0018号电池数据做验证。本文提出的自适应无迹卡尔曼对噪声协方差进行自适应更新,并采用遗传算法对SVR的关键参数进行优化,最终达到更高的RUL预测精度。
实验数据
(a) 4块额定容量为2Ah的锂离子电池进行连续的充放电循环实验,直到电池达到或超过寿命极限,4块电池的容量退化曲线如下图所示:
(b) 充电:1.5A恒流充电到4.2V,4.2V的恒压充电直到电流降至20mA;放电:2A恒流放电,直到四块电池的电压分别降至2.7V、2.5V、2.2V和2.5V;
(c) 四组电池在室温25 ℃下以不同的充电、放电和阻抗运行条件下工作;
(d)由于四组电池的实验条件不同,失效阈值分别选择为1.35Ah、1.35Ah、1.5Ah和1.45Ah;
(e)本文将电池放电过程的容量变化数据作为退化指标。
数据地址:https://pan.baidu.com/s/1QrDB6q2q7fRAxv25MvbFaQ(提取码:fuo1)
方法介绍
相比多项式模型和其他经验模型,双指数模型有更好的非线性代表能力,因此本文选用双指数模型作为锂电池容量退化经验模型: 为电池充放电循环数,模型参数 为时变, 表示电池容量,定义输入 。
拓展卡尔曼(EKF)在线性化过程中省略了高阶项且求取雅克比矩阵难度很高甚至无法实现,而无迹卡尔曼(UKF)摒弃了线性化过程,采用无迹变换(UnscentedTransform, UT)来处理均值以及协方差的传递问题,相对于 EKF 有着更高的估计精度以及更好的稳定性。
自适应无迹卡尔曼(AUKF)能够自适应地更新过程噪声协方差(R)以及观测噪声协方差(Q),根据标准UKF更新过程结束后,通过计算量测值与最终量测估计值之间的差值 ,以及残差值之间的协方差 对噪声协方差进行更新。最后过程噪声协方差和观测噪声协方差更新如下:
AUKF是UKF的扩充,不但可以避免强噪声的干扰,同时无需计算雅克比矩阵,并且计算复杂度与AEKF类似。因此我们采用 AUKF 算法进行参数拟合能够获得较精准的结果。
本文充分利用得到的机理模型和电池劣化数据,采用数模混合进行剩余寿命预测,根据预测起始点T时刻前的残差数据 建立SVR模型,利用过去m组残差数据 训练模型,其中,那么时间t=T时的残差一步预测关系可表示为: 最后根据预测得到的残差序列 加入到AUKF算法的更新过程中,模型参数就可以不断的迭代更新。单独使用AUKF算法时,模型参数模型参数 是无法更新的,我们利用SVR算法预测了残差数据并将预测的残差数据加入到AUKF的更新过程中,使得AUKF能够不断的迭代更新模型参数,改进了AUKF算法只能滤波,不能预测的缺点。遗传算法(Genetic Algorithm, GA)是受生物进化过程影响而提出的一种启发式搜索算法,该算法直接对寻优对象进行操作,不受可导和函数连续的限制,采用概率化寻找最优解,不需要确定的规则即可自动获取搜索空间,自适应地调整搜索方向,从而获得所求的最优解。我们通过遗传算法自动寻找SVR的最优参数 和 ,进而进一步提高预测的精度。综上所述,AUKF算法可以实现过程噪声协方差以及观测噪声协方差自适应更新,改进无迹卡尔曼滤波,提升滤波精度。另一方面,采用SVR进行多步预测, 并加入GA算法对SVR中的参数 和 进行修正,提高了SVR算法的预测精度。该集成算法在到达预测点之后,依旧可以实现模型参数的更新。
预测结果
本文采用了传统的均方根误差RMSE,平均绝对误差MAE和 系数作为评价指标。同时引入了预测误差 及其相对误差 来验证 RUL预测准确性。首先对比了该算法在多项式模型和双指数模型,以及在不同优化算法下的预测效果:
在不同电池数据上对比该算法与其他算法分别以不同预测起始点的RUL预测效果如下:
从图和表来看,AUKF-GA-SVR相对其他算法都有着更优秀的预测结果。
分析
该算法预测精度较高有以下几点原因:1) UKF算法没有涉及其雅可比矩阵的计算,忽略了高阶项。2)自适应特性动态调整估计和预测误差。3)引入SVR算法,弥补了AUKF只能进行一步预测的不足。4)采用了遗传算法对SVR参数进行优化。
论文总结
文章根据NASA数据集的特点,提取电池容量作为退化指标,建立了AUKF 算法所需的状态空间模型。采用AUKF算法动态的减小过程噪声以及观测噪声对预测精度的影响。
利用SVR算法改进了AUKF算法只能滤波,不能预测的缺点,同时采用遗传算法实现了对SVR关键参数的优化。
锂离子电池数据存在容量再生的问题,循环周期间隔越久,容量再生现象就愈加明显,用模型来描述电池容量再生问题依旧是一个非常大的挑战。
References
[1] E.A. Wan, R.V.D. Merwe. The unscented kalman filter for nonlinear estimation. in: Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium.1–7 (2000).[2] Khelif R, Chebel-Morello B, Malinowski S, et al. Direct Remaining Useful Life Estimation Based on Support Vector Regression[J]. IEEE Transactions on Industrial Electronics. 64(3): 2276-2285 (2017).
nasa电池数据集_文章分享—模型与滤波算法结合的锂电池剩余寿命预测方法相关推荐
- NASA电池数据集内容说明
使用NASA电池数据集时,按照英文说明网页和自己理解给出的数据集内容说明,仅供参考,欢迎批评指正. 数据集官网下载地址:https://ti.arc.nasa.gov/tech/dash/groups ...
- 语音识别维特比解码_一种基于维特比算法的花洒语音识别系统及方法与流程
本发明涉及语音识别技术领域,具体涉及一种基于维特比算法的花洒语音识别系统及方法. 背景技术: 随着生活水平的提高和住房条件的改善,很多家庭都安装了沐浴设施,花洒是其中最常见的淋浴装置.目前花洒产品多为 ...
- (文章复现)5.基于BP神经网络的风电功率预测方法(MATLAB程序)
复现文章: 基于BP神经网络的风电功率预测方法--刘立群(2021年) 摘要: 风电功率预测结果的准确性,不仅关系到风力发电厂的综合运行效率,也与区域运行成本具备直接联系,为解决传统预测方法的不足,基 ...
- 技术分享 | 嵌入式常用滤波算法的matlab实现
随着基于模型设计的广泛应用,模型在环仿真也逐渐多了起来,我们今天介绍几种嵌入式常用滤波算法的matlab实现. 一.采用数字滤波算法克服随机干扰的误差具有以下优点: 数字滤波无需其他的硬件成本,只用一 ...
- 关系网络lbs的应用_文章分享——解读互联网生态六大突破COWMALS(摘自DCCI)
分享一篇文章:解读互联网生态六大突破COWMALS (摘自DCCI互联网数据中心) 刚刚举行的2011中国站长大会,再一次让业者体会到了互联网如火如荼的发展热潮:2500位站长从全国各地赶赴北京,创业 ...
- python可以开发web程序吗_【分享|python部署开发的web程序有9种方法】- 环球网校...
[摘要]当今世界充满了各种数据,而python是其中一种的重要组成部分.然而,若想其有所应用,我们需要对这些python理论进行实践.其中包含很多有趣的的过程,然后将其用于某些方面.其中python部 ...
- 【ML】基于机器学习的心脏病预测研究(附代码和数据集,多层感知机模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...
- 【ML】基于机器学习的心脏病预测研究(附代码和数据集,随机森林模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...
- woe分析_评分卡模型剖析之一(woe、IV、ROC、信息熵)
评分卡模型剖析之一(woe.IV.ROC.信息熵) 信用评分卡模型在国外是一种成熟的预测方法,尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用,其原理是将模型变量WOE编码方式离散化之后 ...
最新文章
- setactive隐藏之后无法显示_WPS表格:如何显示和隐藏顶部工具栏?
- 多线程通信—生产者和消费者模式
- mysql1756_MySQL Error_code: 1756
- linux exit 源码,Linux命令——exit、sulogin、rlogin
- 开源软件执照检查和工具探讨(Discuss the audit tools for open source license GPL/LGPL/MIT)
- iOS webview自适应实际内容高度的4种方法
- vue 数组添加元素_Vue躬行记(3)——样式和表单
- 这位勇士,你别去读博了:搞机器学习要PhD何用?
- ad19 导出step 没有pcb_PCB设计导出Gerber基本操作及注意事项(三)
- android键盘输出增加按键码
- JavaWeb:生成简单随机图片验证码返回给客户端
- apt-get 与 yum 的区别
- Redis 菜鸟教程学习笔记- Redis 数据结构
- FTP 530未登录
- Matlab系列之GUI设计实例2
- 全国/全世界城市Json数据大全
- 服务器系统fluent,用云服务器算fluent
- 亲测五种高效实用的脱单方法,赶紧收藏帮你快速找到优质对象!
- FFmpeg —— 屏幕录像和录音并推流(命令行的方式)
- MS Sql数据库常用语句