Capacity estimation is of great significance to help assess the performance degradation of lithium-ion batteries, so as to take actions to extend their lifetime. Traditional capacity estimation methods for Lithium-ion batteries are usually based on individual model-based or data-driven prognostic approaches. However, no single prognostic method performs appropriately for all possible situations as each individual method presents particular assumptions and application limitations. Therefore, this paper presents an ensemble prognostic framework that combines multiple individual prognostic algorithms to improve the accuracy and robustness of battery capacity estimation. In the proposed ensemble prognostic framework, the degraded capacity data of the full battery life cycles are divided into three parts: a training dataset, a validation dataset, and a test dataset, among which the training and validation datasets are employed for member prognostic model training, the validation dataset is utilized for weight calculation, and the test dataset is used for prognostic performance assessment. A validation-data based induced ordered weighted averaging (IOWA) operator, i.e. V-IOWA operator, is proposed to realize time-varying weight assignment. By summing the weighted prognostic results of each member prognostic algorithm, the ensemble prognostic results are finally obtained. Effectiveness of the proposed approach was validated based on datasets provided by NASA Ames Prognostics Center of Excellence. The experiment results indicated that the proposed ensemble prognostic approach outperforms individual prognostic algorithms with a higher accuracy.

容量估算对于帮助评估锂离子电池的性能下降，以采取行动延长其寿命非常重要。锂离子电池的传统容量估算方法通常基于基于单独模型或数据驱动的预测方法。但是，由于每种单独的方法都具有特定的假设和应用限制，因此没有一种预后方法可以针对所有可能的情况适当执行。因此，本文提出了一种综合的预测框架，该框架结合了多个单独的预测算法，以提高电池容量估计的准确性和鲁棒性。在提出的整体预测框架中，整个电池寿命周期的降级容量数据分为三个部分：训练数据集，验证数据集，测试数据集，其中训练和验证数据集用于成员预后模型训练，验证数据集用于权重计算，测试数据集用于预后性能评估。提出了一种基于验证数据的诱导有序加权平均（IOWA）算子，即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体的预测结果。该方法的有效性已根据NASA Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。其中，训练和验证数据集用于成员预测模型的训练，验证数据集用于权重计算，测试数据集用于预测性能。提出了一种基于验证数据的诱导有序加权平均算子（IOWA），即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体的预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。其中，训练和验证数据集用于成员预测模型的训练，验证数据集用于权重计算，测试数据集用于预测性能。提出了一种基于验证数据的诱导有序加权平均（IOWA）算子，即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体的预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。验证数据集用于权重计算，测试数据集用于预后性能评估。提出了一种基于验证数据的诱导有序加权平均算子（IOWA），即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。验证数据集用于权重计算，测试数据集用于预后性能评估。提出了一种基于验证数据的诱导有序加权平均算子（IOWA），即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。提出了一种基于验证数据的诱导有序加权平均算子（IOWA），即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。提出了一种基于验证数据的诱导有序加权平均（IOWA）算子，即V-IOWA算子，以实现随时间变化的权重分配。通过对每个成员预测算法的加权预测结果进行求和，最终获得整体预测结果。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。该方法的有效性已根据美国宇航局Ames卓越诊断中心提供的数据集进行了验证。实验结果表明，所提出的整体预测方法比单个预测算法具有更高的准确性。