在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中,由于基本粒子滤波算法存在粒子退化问题,难以保证电池寿命预测的精度。为此,提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法,从选取适当的重要性密度函数和...在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中,由于基本粒子滤波算法存在粒子退化问题,难以保证电池寿命预测的精度。为此,提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法,从选取适当的重要性密度函数和重采样过程两方面入手,更全面地克服基本粒子滤波算法中的粒子退化问题,进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明,改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势,预测精度也明显优于基本粒子滤波算法,为锂离子电池剩余使用寿命的预测提供了新思路。展开更多
文摘在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中,由于基本粒子滤波算法存在粒子退化问题,难以保证电池寿命预测的精度。为此,提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法,从选取适当的重要性密度函数和重采样过程两方面入手,更全面地克服基本粒子滤波算法中的粒子退化问题,进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明,改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势,预测精度也明显优于基本粒子滤波算法,为锂离子电池剩余使用寿命的预测提供了新思路。