实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命（RUL）预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器（ED）框架改进长短时记忆神经网络模型（LSTM）构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。     

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命（RUL）短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。     

基于表面温度和增量容量的锂电池健康状态估计

本文中提出了一种基于电池表面温度和增量容量的健康状态(SOH)估计方法,分析了恒流充电过程中的温度变化曲线,从温度变化曲线中提取了3个几何特征作为健康因子,并与增量容量曲线的峰值结合作为反向传播神经网络的输入来建立模型估算SOH.试验结果验证了该方法的有效性,SOH平均估计误差仅在2％以下.     

动态条件下基于深度学习的锂电池容量估计

锂离子电池在老化过程中,其内部呈现非线性的复杂变化,因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据,对动态数据的部分片段进行时频特征提取,组成时频特征矩阵作为输入,构建级联式卷积神经网络和门控循环单元容量估计模型,对输入数据进行内在特征提取,并进一步挖掘各时间序列中的相关特征,实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明,该方法能在仅已知电池的额定容量的情况下,准确完成锂离子电池容量估计。最后,本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。     

基于剩余充电电量的锂离子电池组容量快速估计方法

针对传统锂离子电池组容量确定方法存在的效率低、能耗高且只能离线应用等问题,提出一种基于电池剩余充电电量的锂离子电池组容量快速估计方法。首先,基于充电电压曲线一致性原理,以电池组内率先充电至充电截止电压的电池单体电压曲线为基准,通过电压曲线的平移缩放与线性插值计算出各单体电池的剩余充电电量与剩余充电时间,从而实现各单体电池的荷电状态(State of Charge, SOC)在线估计,在此基础上实现电池组容量的快速估计。其次,在电池单体模型的基础上建立电池组的仿真模型,并在全SOC区域上对模型参数进行分段辨识。通过所建立的仿真模型得到电池组的充放电曲线,并对电池组容量进行估计。最后,对4个单体串联而成的电池组进行充电试验。研究结果表明:仿真容量与估计容量误差为1.2%以内,验证了所提出的容量快速估计算法的有效性;利用所提方法估计出电池组容量与试验得到的电池组容量的误差为2.61%;该方法根据电池充电曲线的平移与缩放即可在线估计出电池组容量,可应用于新电池组容量的在线快速估计,能在保证3%估计误差的基础上将检测效率提高到传统方法的2倍以上。     

基于容量增量变化量曲线的锂电池健康状态估计

提出了基于容量增量变化量曲线的电池健康状态估计新方法,该曲线具有随电池老化平移不明显的特点,并有利于特征参数的确定和提取。利用随机森林方法分析该曲线上各个函数值的重要性,根据重要性筛选出曲线上可以作为表征参数的函数值,并使用神经网络建立起表征参数与健康状态的映射关系。利用马里兰大学老化数据验证该方法的平均绝对百分比误差为0.77%,健康状态估计值误差基本控制在2%以内,具有较高的精度。     

基于SOC自适应分阶的动力锂电池两步优化快速充电策略

快速高效的充电方式对于推动汽车电动化,加快以石油为主导的传统交通能源向绿色低碳能源转型,实现中国\"双碳战略\"的目标具有重要意义。针对充电时间和充电损失的平衡优化问题,提出了一种基于SOC自适应分阶的两步优化多阶恒流充电策略。为实现充电过程的优化分阶,利用改进的二分K-means算法对基于内阻曲线的采样点集进行聚类,实现了充电区间关于内阻变化和分布特征的自适应划分。基于分阶优化结果,采用改进的非支配排序哈里斯鹰优化算法(INSHHO)求解优化电流对应帕累托前沿。利用Logistic混沌初始化及自适应t分布突变算子对哈里斯鹰模型(HHO)进行改进,进一步提升算法的全局寻优能力。最后通过充电对比试验,将优化多阶恒流充电策略与恒流恒压策略(CC-CV)和均分多阶恒流充电策略在不同充电时间条件下进行充电性能对比。结果表明:在充电时间保持一致的条件下,提出的优化多阶恒流充电策略较恒流恒压策略和均分多阶恒流充电策略的充电欧姆损失最大分别减少1.03%和0.3%;在温升表现上,优化多阶恒流充电策略较均分多阶恒流充电策略的充电温升最多降低了0.82℃。     

基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态(SOH)在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法(ICA)提取特征和动态时间规整(DTW)优化特征样本的SOH估计方法.首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子.采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络(MLP)模型进行SOH估计.以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度.     

基于数据驱动的商用车能耗预测及优化模型研究

以国内某燃油商用车为例,利用车联网大数据平台和神经网络模型构建适用于商用车的能耗优化预测模型。将车辆历史运行数据进行预处理,分析车辆运行特征数据之间的相关性。基于双向长短期记忆网络（BiLSTM）,结合车辆数据特征引入自适应权重的注意力机制,使用改进鲸鱼优化算法（IWOA）对模型的网络超参数组合进行优化,构建了IWOA-BiLSTM-Attention商用车能耗优化预测模型。对比分析了多个模型在不同驾驶工况下的预测效果,结果显示,在实际驾驶工况下,优化模型相较于原模型的均方根误差、平均绝对误差分别降低了约26.73%和20.0%,验证了该优化模型在商用车能耗预测上的可行性。     

基于MIC-LSTM的盾构施工地表变形动态预测

在盾构施工过程中准确预测施工引起的地表变形,对于保障盾构施工的顺利掘进具有重要意义。基于此,提出盾构施工地表变形MIC-LSTM动态预测模型。首先,确定影响地表变形的主要因素,并采用最大信息系数法（MIC,maximal information coefficient）确定各个影响因素和地表变形之间的相关程度,进而对各个影响因素赋权;其次,将赋权后的各个影响因素和盾构中心处过去最近10个监测时刻的地表变形数据作为输入变量、未来3个监测时刻的变形数据作为输出变量来构建长短期记忆（LSTM,long short term memory）神经网络动态预测模型;最后,为验证所构建的MIC-LSTM动态预测模型的实用性,依托昆明地铁5号线盾构施工项目,将预测结果与LSTM、RNN（recurrentneural network）以及BP（backpropagation）神经网络的预测结果进行对比。研究结果表明： 所构建的盾构施工地表变形动态预测模型具有较高的预测精度。     

基于改进支持向量回归机的锂离子电池剩余寿命预测

为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。     

基于概率模型和数据驱动的动力总成悬置系统可靠性优化

针对电动汽车动力总成悬置系统（PMS）一部分参数为概率变量,一部分参数为离散数据的复杂不确定情形,开展了基于概率模型和数据驱动的电动汽车PMS可靠性优化设计研究。首先,基于任意多项式混沌（APC）展开和广义最大熵原理推导了一种求解该复杂不确定情形下PMS响应不确定性和可靠性的高效方法;然后,基于蒙特卡洛抽样,给出了该复杂不确定情形下求解PMS响应不确定性和可靠性的参考方法;接着,提出了一种基于APC展开法的灵敏度分析方法,进一步提出了一种考虑响应不确定性和可靠性的PMS优化设计方法;最后,通过应用算例验证方法的有效性,并对系统进行了灵敏度分析和可靠性优化。结果表明,所提出的方法可有效地处理电动汽车PMS一部分参数为概率变量、一部分参数为离散数据的复杂不确定情形,并能可靠地优化该情形下的系统固有特性,且方法具有较高的计算精度和计算效率。     

基于主成分分析和改进支持向量机的锂离子电池健康状态预测

针对现有锂离子电池健康状态(SOH)预测方法预测精度不高,且预测准确率易受特征参数冗余或不足影响的问题,提出一种将主成分分析(PCA)算法与粒子群优化(PSO)支持向量回归(SVR)模型相结合的方法,首先提取多个可以反映电池性能退化状态的特征参数,然后应用PCA算法对特征参数进行降维处理,构建基于SVR的SOH预测模型,并使用PSO算法对SVR关键参数进行全局寻优,最后采用美国国家航空航天局电池数据集与现有的预测方法进行对比试验,结果表明,该方法具有较高的预测精度。     

基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测

针对基于端到端深度卷积神经网络的驾驶行为检测模型缺乏全局特征提取能力以及视觉Transformer(vision transformer,ViT)模型不擅长捕捉底层特征和模型参数量较大的问题,本文提出一种基于深度卷积和Tokens降维的ViT模型用于驾驶人分心驾驶行为实时检测,并通过开展与其他模型的对比试验、所提模型的消融试验和模型注意力区域的可视化试验充分验证了所提模型的优越性。本文所提模型的平均分类准确率和精确率分别为96.93%和96.95%,模型参数量为21.22 M,基于真实车辆平台在线推理速度为23.32 fps,表明所提模型能够实现实时分心驾驶行为检测。研究结果有利于人机共驾系统的控制策略制定和分心预警。