可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。...可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。展开更多
文摘可靠准确地预测动力电池剩余使用寿命(remaining useful life,RUL)可以缓解用户对里程和安全的焦虑。为了提升RUL预测精度,基于NASA数据集,本工作提出了一种改进的灰狼算法来优化高斯过程回归(Gaussian process regression,GPR)模型。本工作从以下三方面开展研究。首先,基于电池的充放电数据,提取了五种间接健康因子,包括充电电压饱和间隔(CVSI,HI1)、充电峰值温度间隔(CPTI,HI2)、恒流充电间隔(CCCI,HI3)、放电峰值温度区间(DPTI,HI4)和放电恒流间隔(DCCI,HI5),并采用灰色关联方法分析健康因子和容量的相关性。其次,本工作选取GPR方法作为动力电池RUL预测模型,针对传统模型参数辨识已陷入局部最优问题,提出了基于差分算法改进的灰狼算法,提升模型预测能力。最后,利用NASA数据集对本工作所提方法进行验证。实验结果表明,所提算法预测RUL误差控制在2%以内。
