應用VMD-HPO-NBEATS 模型的鋰離子電池SOH 預測

摘 要： 鋰離子電池的健康狀態（SOH）對維持新能源電動汽車系統的穩定性至關重要。為提高鋰電池SOH 預測精度，提出一種基于變分模態分解（VMD）的獵人獵物優化（HPO）的神經基擴展分析（NBEATS）神經網絡的SOH 預測方法。首先，通過對電池老化數據的分析，提取與SOH 高度相關的健康因子（HIs）并進行融合；其次，利用VMD 方法將融合HI 分解為多個模態分量，并使用HPO 超參數優化的NBEATS 模型來捕捉各模態分量的特征和時序規律。最終，通過加和重構各個分量的預測值來獲得電池的SOH 預測。在NASA 電池數據集上的實驗表明，與NBEATS、HPO-NBEATS 和VMD-NBEATS 模型相比，VMD-HPO-NBEATS 模型在MAE、RMSE 和r2 評價指標上均有超2%的提升，證明所提方法在SOH 預測的有效性與優越性。

關鍵詞： 鋰離子電池; 健康狀態; NBEATS 模型; 獵人獵物優化算法; 變分模態分解

中圖分類號： TB9; TM912 文獻標志碼： A 文章編號： 1674–5124（2024）09–0065–09

0 引 言

隨著傳統化石能源大量消耗帶來的環境污染和能源短缺問題，全球能源發展正向綠色方向轉型[1]。道路零排放、低能耗的新能源電動汽車逐漸成為當今汽車工業發展的重要方向。鋰電池因其安全性高、循環壽命長、低污染等諸多優點，在新能源汽車領域得到了廣泛應用[2]。然而鋰電池的健康狀態（state of health，SOH） 隨著充放電循環過程逐漸下降，如果達到健康狀態失效閾值不及時更換或維護，可能引發安全事故[3]。因此，對鋰電池使用過程中SOH 預測的研究成為國內外電池測控研究領域的熱點。

目前，鋰電池SOH 的預測方法主要分為基于機理模型和基于數據驅動模型的方法[4]。基于機理模型的預測方法是模擬電池內部材料之間的電化學機制，從而間接模擬電池的充放電和老化行為來預測性能退化，但此類模型結構復雜且適用性較差，存在一定的局限性[5-7]。

數據驅動的方法不依賴于復雜的物理模型，而是利用電池歷史退化數據來了解電池的行為模式和特征，并推導出預測模型[8]。目前，主要使用的數據驅動方法有長短期記憶網絡（ long short-termmemory， LSTM） 、門控循環單元網絡（ gatedrecurrent unit，GRU）等方法，因其能夠有效捕捉時間序列數據中的長期依賴關系而受到廣泛應用，但該類方法針對輸入數據的特征提取能力仍然相對較弱[9-10]。而神經基擴展分析（neural basis expansionanalysis，NBEATS）模型在各種時間序列預測任務中表現出出色的非線性映射和高波動性特征捕捉的能力[11-13]。然而目前絕大多數模型的超參數是由人為主觀設定，不僅耗時且容易陷入局部最優，從而導致模型的預測效果較差[14]。因此利用智能優化算法自動尋參成為很好的解決方法，Naruei 等人[15] 將獵人獵物優化（hunter-prey optimizer，HPO）算法與粒子群、灰狼等智能優化算法比較，發現HPO 算法尋優能力更強，收斂速度更快。

此外，由于作為健康因子（health indicator，HI）的容量在實驗操作過程中不易提取，Li 等人[16] 從充放電曲線中提取與容量密切相關的HIs 對鋰電池的SOH 進行準確預測。然而提取的HIs 數據通常具有非線性，若直接用于訓練模型，通常難以取得理想的預測效果。因此通常使用經驗模態分解（empirical mode decomposition，EMD）、變分模態分解（variational mode decomposition，VMD）等數據分解方法得到不同的子序列，再針對各個子序列進行建模，從而提高鋰電池SOH 預測精度。EMD 是一種有效的非線性信號處理方法，然而面對復雜的電池老化過程可能會遇到模態混疊等挑戰。VMD作為一種改進的信號分解方法，有效解決了模態混疊等問題。例如，Peng 等人[17] 將VMD 與機器學習模型相結合能夠有效分離信號并提升預測精度。

綜上所述，本研究提出一種基于VMD-HPONBEATS模型的鋰電池SOH 預測方法。該方法首先利用VMD 分解方法將所提取的HI 分解為多個模態特征，進而對每個模態分量利用HPO 超參數優化后的NBEATS 模型實現SOH 預測。此方法的創新融合不僅使整個模型具有更強的適用性和靈活性，也顯著提升了預測精度。

1 實驗數據及多特征指標描述

1.1 實驗數據

本工作所用到的鋰離子電池相關數據來自NASA 埃姆斯研究所的B05、B06 和B07 號鋰電池壽命測試數據。NASA 電池容量衰退曲線如圖1 所示，三個同類型電池的容量衰減特征有著相似之處，即在前期退化比較緩慢，到了后期退化加速，并出現多個局部自恢復現象。