《表6 RUL预测方法优缺点对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《锂离子电池全生命周期内评估参数及评估方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于数据驱动的RUL包含两种：基于统计模型的预测方法和基于人工智能算法的预测方法。基于统计模型的预测方法按照时间序列分析电池性能参数的变化，建立电池老化的统计学模型，通过外推估计电池寿命[22，38]，其主要方法有基于回归模型和基于粒子滤波等。在文献[56]中，通过性能退化数据分析，发现电池容量退化基本符合幂函数，这类方法不涉及电池类型及内部原理，有较好的通用性。基于人工智能算法的预测方法通过大量历史数据，从电池性能参数和状态监测数据中挖掘内在的电池健康状态变化规律，开展RUL预测。随着人工智能技术的发展，相关研究得到重视，这种方法包含建模方法中不能体现的多种扰动因素和个体差异影响，在某些场合较基于模型的方法精度更高。目前多采用的智能算法有：时间序列模型AR、人工神经网络、支持向量机、相关向量机、高斯过程回归及灰色理论[20，22]。上述电池寿命预测方法的分类关系如图7所示，整理了各类预测方法中使用的数学方法，各类方法的优缺点分析如表6所示。通过大量文献分析，目前应用较为成熟的方法是经验衰退模型，新兴的研究热点是基于人工智能算法的RUL预测。