A novel remaining useful life prediction framework for lithium‐ion battery using grey model and particle filtering,International Journal of Energy Research

当前位置： X-MOL 学术 › Int. J. Energy Res. › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

A novel remaining useful life prediction framework for lithium‐ion battery using grey model and particle filtering
International Journal of Energy Research ( IF 4.3 ) Pub Date : 2020-05-07 , DOI: 10.1002/er.5464
Lin Chen ₁ , Huimin Wang ₁ , Jing Chen ₁ , Jingjing An ₁ , Bing Ji ₂ , Zhiqiang Lyu ₃ , Wenping Cao ₄ , Haihong Pan ₁

Affiliation

An accurate remaining useful life (RUL) prediction method is significant to optimize the lithium‐ion batteries' performances in an intelligent battery management system. Since the construction of battery models and the initialization of algorithms require a large amount of data, it is difficult for conventional methods to guarantee the RUL prediction accuracy when the available data are insufficient. To solve this problem, a synergy of sliding‐window grey model (SGM) and particle filter (PF) is exploited to build an innovative framework for battery RUL prediction. The SGM is adopted to explore the modelling of battery capacity degradation, and it characterizes the capacity changes during the battery's life‐time with a few data (eg, 8 data points). To promote the accuracy and traceability of prediction, the development coefficient of the SGM, which can dynamically reflect the capacity degradation, is extracted to update the state variables of state transition function in PF. Accordingly, the fusion of SGM and PF (SGM‐PF) can extrapolate the changes of the capacity and realize RUL prediction using fewer data. Furthermore, the performances of SGM‐PF are comprehensively validated using two types of batteries aged under different conditions. The RUL prediction results reveal that the SGM‐PF framework can achieve precise and reliable predictions in different prediction horizons with as few as 8 data points, and it has prominent performance in accuracy and stability over contrastive methods, especially in long‐term prognosis.

中文翻译：

基于灰色模型和粒子滤波的锂离子电池剩余寿命预测框架

准确的剩余使用寿命（RUL）预测方法对于优化智能电池管理系统中的锂离子电池性能非常重要。由于电池模型的构造和算法的初始化需要大量数据，因此当可用数据不足时，常规方法难以保证RUL预测精度。为了解决这个问题，利用滑窗灰色模型（SGM）和粒子滤波器（PF）的协同作用，为电池RUL预测建立了创新的框架。采用SGM来探索电池容量退化的模型，并使用少量数据（例如8个数据点）来表征电池寿命期间的容量变化。为了提高预测的准确性和可追溯性，提取可以动态反映容量退化的SGM的发展系数，以更新PF中状态转移函数的状态变量。因此，SGM和PF的融合（SGM-PF）可以推断容量的变化并使用较少的数据实现RUL预测。此外，使用两种在不同条件下老化的电池对SGM-PF的性能进行了全面验证。RUL预测结果表明，SGM-PF框架可以在多达8个数据点的情况下，在不同的预测范围内实现精确而可靠的预测，并且在准确性和稳定性方面优于对比方法，尤其是在长期预后方面，具有突出的性能。提取以更新PF中状态转换函数的状态变量。因此，SGM和PF的融合（SGM-PF）可以推断容量的变化并使用较少的数据实现RUL预测。此外，使用两种在不同条件下老化的电池对SGM-PF的性能进行了全面验证。RUL预测结果表明，SGM-PF框架可以在多达8个数据点的情况下，在不同的预测范围内实现精确而可靠的预测，并且在准确性和稳定性方面优于对比方法，尤其是在长期预后方面，具有突出的性能。提取以更新PF中状态转换函数的状态变量。因此，SGM和PF的融合（SGM-PF）可以推断容量的变化并使用较少的数据实现RUL预测。此外，使用两种在不同条件下老化的电池对SGM-PF的性能进行了全面验证。RUL预测结果表明，SGM-PF框架可以在多达8个数据点的情况下，在不同的预测范围内实现精确而可靠的预测，并且在准确性和稳定性方面优于对比方法，尤其在长期预后方面，具有突出的性能。SGM-PF的性能通过使用两种在不同条件下老化的电池进行了全面验证。RUL预测结果表明，SGM-PF框架可以在多达8个数据点的情况下，在不同的预测范围内实现精确而可靠的预测，并且在准确性和稳定性方面优于对比方法，尤其是在长期预后方面，具有突出的性能。SGM-PF的性能通过使用两种在不同条件下老化的电池进行了全面验证。RUL预测结果表明，SGM-PF框架可以在多达8个数据点的情况下，在不同的预测范围内实现精确而可靠的预测，并且在准确性和稳定性方面优于对比方法，尤其是在长期预后方面，具有突出的性能。

更新日期：2020-05-07

点击分享查看原文

点击收藏

阅读更多本刊最新论文本刊介绍/投稿指南11