北京理工大学考研，北京理工大学考研分数线2023
阅读提示：本文约 2000 字
随着新能源汽车的迅速发展，锂离子电池已广泛应用。准确预测其剩余有效寿命（Remain Useful Life, RUL）对于合理规划电池使用情况至关重要。目前机器算法和模型预测已广泛应用于电池剩余有效寿命的预测中。北京理工大学与北京理工大学重庆创新中心研究团队采用基于数据驱动的方法来进行锂离子电池剩余有效寿命的预测，通过使用相关向量机（Relevance Vector Machine, RVM），将长期预测分为多段短期预测，并结合自相关函数、灰色关联度模型、卡尔曼滤波器对模型进行优化与改进，改进后的模型预测相对误差明显减小。
研究背景
近年来，为了应对传统化石燃料枯竭和环境恶化，满足日益增长的可持续能源需求，锂离子电池凭借众多优势推动了新能源汽车包括电动汽车和混合动力电动汽车的发展。由于电池的工作环境和性能衰退情况复杂，作为汽车系统供能的关键环节，其寿命衰退会导致系统发生故障，准确预测电池剩余使用寿命可为电池的定期维护和安全稳定运行提供指导，对于电池管理具有重要意义。
论文所解决的问题及意义
在经典的RVM电池剩余有效寿命的预测过程中，由于参数选择困难，固定参数模型在长期预测后期由于特征向量的稀疏性会导致偏差较大，从而出现长期预测表现不佳的问题。为此本研究将长期预测过程分为多个短期预测，对每次短期预测结果进行时间关联性分析，并对RVM模型中的稀疏向量进行重新更新，以此解决最关键的长期预测精度的难题。
论文方法及创新点
1.基于相关向量机模型的锂离子电池剩余有效寿命预测方法
本研究建立了基于相关向量机，并借助自相关函数、灰色关联度模型及卡尔曼滤波器等方法进行优化的数据驱动模型，用于锂离子电池剩余有效寿命的预测。所提方法的操作流程如图1所示。
图1 RUL预测流程图
为了克服容量康复对建模的影响，首先对容量信息进行降噪处理。使用自相关函数求解训练数据合适的时间序列，返回训练数据合适的时间延迟，之后对容量数据进行相空间重构，创造训练向量。
采用分段迭代预测，每次训练10个周期的数据。对于RVM模型训练中参数选择困难的问题，选择不同的超参数分别进行多次预测，并利用灰色关联度模型分析、确定合适的RVM核函数的超参数，之后重新训练RVM更新相关向量，并进行短期预测，对得到的预测结果利用卡尔曼滤波器进行降噪和修正。
2.基于相关向量机模型的锂离子电池剩余有效寿命预测结果
图2(a)展示了对B0007电池70-80周期的容量预测结果（黑色箭头所示片段），研究中使用不同的超参数进行预测，之后利用灰色关联度模型分析选择与最近30组容量数据最接近的模型预测结果。将得到的预测结果使用卡尔曼滤波器进行降噪和修正，结果如图2(b)、图2(c)图2(d)所示。
图2 电池RUL分段预测结果和电池容量预测结果
3.评价指标
采用改进RVM模型对整体退化曲线相对平稳的B0005电池和B0007电池的预测效果较好，但对容量退化曲线相对陡峭或者变化较大的B0006电池的预测偏差较大。
表1 改进RVM预测误差分析
结论
本研究通过采用分段迭代预测的方法来解决RVM长期预测精度不足的问题，并结合自相关函数、灰色关联度模型以及卡尔曼滤波器等方法对RVM预测进行改进。
基于改进后的RVM模型在三组目标电池中的预测相对误差分别为5.46%、7.14%和6.29%，绝对误差分别为7、8、10，对容量退化曲线变化较大的B0006电池在预测时出现了相对较大的预测偏差。与已有研究相比，改进RVM模型即使从较早的预测起点开始预测，误差仍能控制在较合理的范围内。
电池RUL目前尚存在一些不足，未来可以在以下方面对模型继续改进：①可以尝试对电池退化中的容量康复机制做出特殊处理；②避免使用大量的迭代计算，纠正训练时间偏长的问题；③优化模型整体对算力和硬件的要求，以适应电池RUL的嵌入式应用；④扩充测试的样本和数据量，可对更多类型的电池进行可行性测试，以提升算法的适应性。
团队介绍
研究人员隶属于北京理工大学和北京理工大学重庆创新中心。重庆创新中心成立于2019年，已汇聚了500余名科技人才，引进院士6名、国家级高层次人才29人，属地招聘370人，打造了一支院士领衔的“柔性+专聘”的人才队伍，围绕现代兵器、先进车辆、新一代电子信息、智能化和大数据、新材料、先进空天等领域，开展科学研究、人才培养、成果转化等工作，打造了校地融合发展的新典范。
余佩雯
硕士研究生，研究方向为电池建模。
郁亚娟
副教授，研究生导师，研究方向为绿色材料生命周期评价、新能源材料回收与循环经济、储能材料对碳中和的贡献、电池建模等。
常泽宇
硕士研究生，主要研究方向为动力电池。
陈来
北京理工大学材料学院特别研究员、博导，主要从事锂离子二次电池及其它电化学储能材料与器件的研究。
本文编自2023年第2期《电气技术》，论文标题为“相关向量机预测锂离子电池剩余有效寿命”，作者为余佩雯、郁亚娟 等。本工作得到国家重点研发计划“储能电池加速老化分析和寿命预测技术研究”、国家自然科学基金“动力电池全生命周期环境足迹测度与削减机制”、内蒙古自治区科技计划“梯次利用动力电池规模化工程应用关键技术”的支持。
引用本文
余佩雯, 郁亚娟, 常泽宇, 张之琦, 陈来. 相关向量机预测锂离子电池剩余有效寿命[J]. 电气技术, 2023, 24(2): 1-5. YU Peiwen, YU Yajuan, CHANG Zeyu, ZHANG Zhiqi, CHEN Lai. Remain useful life prediction of lithium-ion battery based on relevance vector machine. Electrical Engineering, 2023, 24(2): 1-5.
阅读全文
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
新浪微博
抖音号
☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（CES TEMS）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838
北京理工大学考研(北京理工大学考研分数线2023)