[1]王 正1,2.基于DAE-HTPF的新能源汽车电池剩余寿命预测[J].机械与电子,2020,(03):3-5.
 WANG Zheng,RemainingLife Prediction of New Energy Vehicle Battery Based on DAE-HTPF[J].Machinery & Electronics,2020,(03):3-5.
点击复制

基于DAE-HTPF的新能源汽车电池剩余寿命预测()
分享到:

机械与电子[ISSN:1001-2257/CN:52-1052/TH]

卷:
期数:
2020年03期
页码:
3-5
栏目:
设计与研究
出版日期:
2020-03-24

文章信息/Info

Title:
R emaining Life Prediction of New Energy Vehicle Battery Based on DAE-HTPF
文章编号:
1001- 2257(2020)03- 0003- 03
作者:
王 正
1.宁夏大学新华学院,宁夏 银川 750021;
2.宁夏大学土木与水利工程学院,宁夏 银川 750021
Author(s):
WANG Zheng1 2
1.XinhuaCollegeofNingxiaUniversity,Yinchuan750021,China;
2.SchoolofCivilandHydraulicEngineering,NingxiaUniversity,Yinchuan750021,China
关键词:
锂电池剩余寿命预测DAE HTPF性能退化
Keywords:
lithium ionbatteryremainingusefullifepredictionDAE HTPFperformancedegradation
分类号:
TP206.3
文献标志码:
A
摘要:

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器(denoising auto-encoder,DAE)与混合趋势粒子滤波(hybrid trend particle filter,HTPF)的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波(particle filter,PF),HTPF对电池剩余寿命预测精度更高。

Abstract:
A method of battery life prediction based on Denoising Auto-encoder (DAE) and Hybrid Trend Particle Filter (HTPF) was proposed to analyze the trend feature of self-learning for lithium battery and its remaining life prediction. The DAE was first trained by the signal characteristics of the battery in its early stage, then input with the signal characteristics of it in middle and late stages, and the reconstruction error data was extracted. In addition, the HTPF method was used to analyze the signal characteristics in the battery life cycle, and an adaptive state equation was established. The analysis results show that this method can effectively extract the degradation trend characteristics of lithium battery, thus effectively reducing the interference of human factors. Compared with traditional particle filter (PF), HTPF is more accurate in predicting battery remaining life.

参考文献/References:

[1] 谭俐.磷酸铁锂电池中各关键材料间的相互作用于机理研究[D].苏州:苏州大学,2013.

[2] 戴海峰,周艳新,顾伟军,等.电动汽车用动力锂离子电池寿命 问 题 研 究 综 述 [J].电 源 技 术,2014,38(10):
1952- 1054,1982.
[3] 陈乾辉,吴德刚.DGM 和 RVM 融合的电动汽车电池寿命预测研究[J].科技通报,2018,38(10):121- 124.
[4] 张吉宣,贾建芳,曾建潮.电 动 汽 车 供 电 系 统 锂 电 池
剩余寿命预测[J].电 子 测 量 与 仪 器 学 报,2018,32
(3):60- 66.
[5] 潘江江,李洁,姜爽,等.航天器锂电池贮存寿命预测技术研究[J].电源技术,2018,42(11):1618- 1621.
[6] 李广地,吕浩华,袁军,等.动力锂电池的寿命研究综述
[J].电源技术,2016,40(6):1312- 1314.
[7] 林慧龙,李赛.基于粒子滤波的锂离子电池剩余使用寿命预测[J].科学技术与工程,2017,17(29):296- 301.
[8] 王腾蛟,郭建胜,慕容政,等.一种预测锂电池剩余寿命的改进粒子滤波算法[J].空军工程大学学报(自然科学版),2018,19(5):47- 51.
[9] 张凝,徐皑冬,王锴,等.基于粒子滤波算法的锂离子电池剩余寿命预测方法 研 究[J].高 技 术 通 讯,2017,27(8):699- 707.
[10] DORGO G,ABONYIJ.Learningandpredictingoperationstrategiesbysequencemininganddeeplearning [J].ComputersandChemicalEngineering,2019(9):174- 187.
[11] 姚芳,张楠,黄凯.锂离子电池状态估算与寿命预测综述[J/OL].电源学报,2019[2019 03 21].http://
kns.cnki.net/kcms/detail/12.1420.TM.20190321.1324.004.html.
[12] 张西宁,向宙,夏心锐,等.堆叠自编码网络性能优化及其在滚动轴承故障诊断中的应用[J].西安交通大学学报,2018,52(10):49- 56,87.

相似文献/References:

[1]刘东林,秦玉焘,麻浩军,等.基于马尔科夫链的车桥齿轮剩余寿命预测研究[J].机械与电子,2023,41(03):76.
 LIU Donglin,QIN Yutao,MA Haojun,et al.Research on Residual Life Prediction of Axle Gear Based on Markov Chain[J].Machinery & Electronics,2023,41(03):76.
[2]王 正1,2.基于机器学习的新能源汽车电池剩余寿命预测[J].机械与电子,2019,(12):9.
 WANG Zheng,Remaining UsefulLife Prediction of New Energy Vehicle Battery Based on Machine Learning[J].Machinery & Electronics,2019,(03):9.

备注/Memo

备注/Memo:
收稿日期:2019- 09- 04
基金项目:宁夏大学新华学院科学研究基金资助项目(18XHKY01);宁夏2019年度高等学校“双师型教师实践锻炼计划”项目
作者简介:王 正 (1988-),男,宁夏银川人,讲师,主要从事智能控制算法和数值模拟研究。
更新日期/Last Update: 2020-04-20